如何透过机器学习(ML)进入市场
发布时间：2022-4-25 10:53
发布者：eechina
|
来源：AVNET 作者：Philip Ling 人工智能(AI)将变得非常普遍，而被视为理所当然。我们可以自信地说出这一点，因为很多半导体制造商已经拥有专为人工智能设计的嵌入式处理器。这些设备将变得像目前的技术主力微控制器(MCU)一样无所不在。事实上，它们是MCU的自然进化阶段。 这时产生了一个相关的问题，就是如何开始使用人工智能。但这问题忽略了一个更相关问题的答案，应该这样问“什么样的人工智能适合你”。是的，人工智能将无所不在，但它并不是设计的灵丹妙药。工程师仍需要为其应用选择最佳的解决方案。 安富利知道客户最关心的是结果。透过了解用例，可能的解决方案通常会自己显现。在人工智能变得如此容易获得之前，这是真的，而现在仍然如此。在这方面，人工智能就像任何其他组件一样。 然而，改变的是客户的型态。人工智能出现在软件领域，因此真正的专家是那些拥有十年以上经验的软件公司。将软件推向市场，需要合适的硬件搭配，特别是在工业、医疗和航空航天等领域。 Avnet Silica 系统解决方案，人工智能/机器学习与视觉，欧洲、中东和非洲的经理 Michaël Uyttersprot 表示，这是安富利可以提供真正价值的一个领域，他说：「我的部分职责是确保我们拥有所需的专业知识和合作伙伴，来帮助这些具有计算器视觉经验的公司成为新的用例。」 这些用例存在于所有安富利强大的垂直领域，包括工业、汽车、医疗、航空航天和国防。机器学习(ML)用于多种用例，包括预防性维护。但是，正如Uyttersprot解释的那样，视觉部分吸引了最多人的兴趣。他说：「这些包括了在智能城市使用的应用程序，像是摄影机被用于侦测活动，例如在驾驶时使用手机。」 为使用机器学习(ML)的工业视觉选择正确的硬件 在开发机器视觉系统时，选择正确的图像传感器是最重要的设计决策之一。当使用机器学习分析图像数据时，这一点更为重要。 「如果你想使用具备机器学习的机器视觉来检查快速移动的东西，比如生产在线的瓶子，会需要使用带有全局快门的相机模块。滚动快门在此应用程序中不起作用，因为有可能会遗漏细节」Uyttersprot说。 同样地，图像传感器需要适合操作环境。在某些应用中，有必要选择一个同时具有适当低旋光性能的图像传感器。使用机器视觉时必须考虑这些因素，但在产生将使用机器学习解释的数据时，这些考虑因素变得更加相关。 因为数据是由算法而不是由人来分析的，所以这提供了在机器视觉系统中引入不同感测模式的机会。这可能包括图像传感器以外的模式，例如飞行时间、雷达和激光雷达。随之而来的则是对传感器融合的需求。 传感器融合是指从多个来源获取数据，并将其合并为一个单一的数据集，以输入神经网络的过程。这是一个关键阶段，因为每个传感器数据的加权方式将影响其与最终数据集的相关性。 每个用例都不同，因此没有一套标准的方法，这表示传感器融合可能交由制造商来负责。当您与安富利合作时，相关专家会负责传感器融合。通常来说，这些专家是开发机器学习应用程序的软件公司，但也可能是客户，由安富利及其合作伙伴协助。 
Michaël Uyttersprot 工业中的机器学习的训练和迁移学习 创建一个演示器来证明机器学习的概念并不像以前那样困难，尤其是在与可以提供评估模块和开发工具包的伙伴合作时。将该概念应用于生产仍然是困难。 「标准数据集可用于演示目的，但这些标准数据集通常不适合实施。客户可能需要从有建立数据经验的公司购买数据，或者他们需要自己建立数据」Uyttersprot 说。 这就是迁移学习等技术有用的地方，它可以将为一个用例创建的数据移植到一个新的但相似的用例。这只是其中一种解决方案。另一个可能是使用3D建模虚拟创建的合成数据。这方法可以快速创建许多图像，而这些图像可用于训练机器学习算法，而无需实际建立案例。 合成数据有其优势，但与机器学习中的大多数事情一样，它不一定容易。了解挑战是取得最佳结果的重要部分。当安富利开始与客户合作时，第一步是介绍机器学习以及它可以提供什么。 下一步是了解客户真正想要实现的目标。在某些情况下，它可能只需要没有机器学习的计算器视觉。在与合作伙伴一起开发解决方案之前，确保客户充分了解这些选项是非常重要的。 边缘与云运算 随着人工智能向网络边缘移动，这个问题时常出现。然而，Uyttersprot指出，两者将继续共存，因为都有各自的优点。 例如，如果安全性或延迟是用例中的特殊需求，则由边缘处理比较适合；但如果应用程序需要能够持续改进算法，则在云中处理才是更好的解决方案。 「同时使用边缘和云是有意义的。」Uyttersprot说，「如果您在不同位置有许多产品，例如智能恒温器，则可以使用边缘处理。但是通过云共享数据可使算法改进，可以在整个恒温器网络中推行。」 结论 机器学习在工业领域中的使用一直在增加，部分原因是越来越多的高性能处理器配备强大AI加速技术。但无论是在训练还是部署方面，软件仍然是等同重要的关键。建模技术和迁移学习可以提供帮助，处理器制造商提供的资源和软件工具也可以协助。要开发成功的机器学习用例，硬件和软件必须共同工作。 |
网友评论