嵌入式AI赋予大数据更多智慧,挖掘更大的经济潜力
工业4.0应用产生大量的复杂数据——大数据 。 传感器和可用数据源越来越多 , 通常要求机器、系统和流程的虚拟视图更详细 。 这自然会增加在整个价值链上产生附加值的潜力 。 但与此同时 , 有关如何挖掘这种价值的问题不断出现 。 毕竟 , 用于数据处理的系统和架构变得越来越复杂 。 只有使用相关、优质且有用的数据 , 也就是智能数据 , 才能挖掘出相关的经济潜力 。
挑战
收集所有可能的数据并将其存储在云中 , 希望以后对其进行评估、分析和构建使用 , 这仍然是一种广泛采用的挖掘数据价值方法 , 但不是特别有效 。 从数据中挖掘附加值的潜力仍未得到充分利用 , 并且以后再寻找解决方案会变得更加复杂 。 更好的替代方法是尽早考虑确定哪些信息与应用相关 , 以及可以在数据流的哪个位置提取信息 。 可以用细化数据来打比方 , 即从整个处理链的大数据中提取出智能数据 。 可在应用层决定哪些AI算法对于单个处理步骤的成功概率较高 。 这个决定取决于边界条件 , 如可用数据、应用类型、可用传感器模式[WF1] 和有关较低级别物理进程[WF2] 的背景信息 。
文章插图
文章插图
对于单个[WF3] 处理步骤 , 正确处理和解读数据对于从传感器信号生成真正的附加值非常重要 。 根据应用的不同 , 正确解读分立传感器数据并提取所需的信息可能很困难 。 时间行为通常会发挥作用 , 并直接影响所需的信息 。 此外 , 还必须经常考虑多个传感器之间的依赖关系 。 对于复杂的任务 , 简单的阈值和手动[WF4] 确定的逻辑已不足以应对 。
AI算法
相比之下 , 通过AI算法进行数据处理可以自动分析复杂的传感器数据 。 通过这种分析 , 可从数据处理链中的数据自动获得所需的信息 , 从而获得附加值 。
对于始终属于AI算法一部分的模型构建 , 基本上有两种不同的方法 。
一种方法是通过公式、传感器数据与所需信息之间的显式关系进行建模 。 这些方法需要以数学描述的形式提供物理背景信息 。 这些所谓基于模型的方法将传感器数据与此背景信息相结合 , 针对所需信息产生更精确的结果 。 这里最广为人知的示例是卡尔曼滤波器 。
如果有数据 , 而没有可使用数学方程形式描述的背景信息 , 那么必须选择所谓的数据驱动方法 。 这些算法直接从该数据中提取所需的信息 。 它们包含所有的机器学习方法 , 包括线性回归、神经网络、随机森林和隐[WF5] 马尔可夫模型 。
选择哪种AI算法通常取决于有关应用的现有知识 。 如果有广泛的专业知识 , AI将发挥更大的支持作用 , 所使用的算法也很初级 。 如果没有专业知识 , 所使用的AI算法可能要复杂得多 。 在很多情况下 , 由应用定义硬件 , 从而限制AI算法 。
嵌入式、边缘或云实现
包含每单个步骤所需的所有算法的整体数据处理链必须以能够尽可能生成附加值的方式实现 。 通常在总体层级实现——从具有有限计算资源的小型传感器 , 到网关和边缘计算机 , 再到大型云计算机 。 很明显 , 这些算法不应只在一个层级上实现 。 而尽可能接近传感器实现算法通常会更有利 。 通过这种方式 , 可以在早期阶段对数据进行压缩和细化 , 并降低通信和存储成本 。 此外 , 通过早期从数据中提取基本信息 , 在更高层级开发全局算法就没那么复杂 。 在大多数情况下 , 流分析区域中的算法也有助于避免不必要的数据存储 , 由此降低数据传输和存储成本 。 这些算法只使用每个数据点一次;也就是说 , 直接提取完整信息 , 且无需存储数据 。
在终端(例如 , 嵌入式AI)上处理AI算法需要采用集成式微控制器[WF6], 以及模拟和数字外设 , 用于数据采集、处理、控制和连接 。 处理器还需要能够实时捕获和处理本地数据 , 以及拥有执行先进的智能AI算法的计算资源 。 例如 , ADI的ADuCM4050基于ARM Cortex-M4F架构 , 提供集成且节能的方法来嵌入AI 。
推荐阅读
- 西部数据在CES 2021推出多款4TB容量的旗舰级SSD
- WhatsApp收集用户数据新政惹众怒,“删除WhatsApp”在土耳其上热搜
- 传世名画《洛神赋图》赋予设计灵感!realme V15上架预约
- 未来想进入AI领域,该学习Python还是Java大数据开发
- 黑客窃取250万个人数据 意大利运营商提醒用户尽快更换SIM卡
- 阳狮报告:4成受访者认为自己的数据比免费服务更有价值
- 中消协点名大数据网络杀熟 反对利用消费者个人数据画像
- 学习大数据是否需要学习JavaEE
- 意大利运营商Ho Mobile被曝数据泄露
- 微软官方数据恢复工具即将更新:更易于上手 优化恢复性能