物聯網結合機器學習(ML)的應用場景

本篇博客文章介紹了物聯網結合機器學習(ML)的應用場景，以及如何基于Silicon Labs(亦稱“芯科科技”)的無線SoC平臺展開機器學習的開發。

為什么需要物聯網芯片制造商來實現機器學習應用?

對于芯片制造商來說，在設備網絡的邊緣而不是在接入點或云端中執行機器學習是非常重要的，因為這樣可以在延遲等方面具有顯著優勢。對邊緣數據的處理和相應的操作也會帶來更好的系統性能。例如，啟用設備的上下文感知功能可以降低帶寬需求和功耗。由于不需要將原始傳感器數據發送到云端，因此需要更少的帶寬，并且無需使用云服務器來分析數據，從而節省了能耗。最終，隱私和安全性也可以通過機器學習來改善，例如，一個人的面部圖像不需要被發送到云端，身份識別可以在本地就完成。

創建優化的無線平臺，可以在有限的內存中運行ML

將機器學習集成到邊緣設備一直是物聯網領域備受期待的發展之一。作為物聯網無線SoC制造商，SiliconLabs通過一種能夠整合到嵌入式應用程序中的形式向開發人員提供了相關解決方案。

Silicon Labs已經在Wireless Gecko第一代和第二代無線SoC平臺中提供機器學習應用開發的支持，包括最新發布的帶有內置AI/ML硬件加速器的BG24和MG24系列產品。這是一個通過軟件啟用的協同處理器，我們的兩個合作伙伴SensiML和EdgeImpulse已經更新了他們的平臺，以便在為BG24或MG24開發代碼時自動使用硬件加速器。確切地說是選擇TensorFlow內核由該協處理器加速，以減輕MCU的負擔并允許它執行其他任務，如無線通信。任何將TensorFlowLite用于微控制器(TensorFlowLite for Microcontrollers, TFLM)的開發者或第三方都將能夠自動利用硬件加速器的優勢。

關于機器學習解決方案，開發者需要了解什么?

盡管可以完全圍繞機器學習構建應用程序，但我們相信大多數人都會使用機器學習為嵌入式無線產品添加新的差異化功能。我們將這種方法稱為“機器學習作為一種功能(MachineLearning as a Feature)”。開發一個將機器學習作為功能集成的應用程序需要兩個不同的工作流程：

用于創建無線應用程序的嵌入式應用程序開發工作(使用Simplicity Studio或你喜歡的IDE)。

機器學習工作流用于創建可添加到嵌入式應用程序的機器學習功能。

當將機器學習作為一種功能的設備最終部署到現場時，應用程序將從相關傳感器(例如麥克風)獲取輸入，并在一個稱為推斷的過程中對其進行分析。推理是通過機器學習模型運行實時數據點來預測分類的過程。通常還需要對模型輸出進行額外的后處理(例如，閾值化和平均化)。

機器學習入門—根據所需功能選擇合適工具

雖然Silicon Labs提供的平臺可幫助您將機器學習納入嵌入式應用中，但我們不提供實際的機器學習模型。因此，我們已經與許多模型工具和解決方案提供商合作，并進一步提供了可根據您的需求選擇最佳工具的不同方法之文檔。嵌入式開發人員選用最適合的工具取決于兩個方面：機器學習技能的水平(見下圖)和正在開發的用例。在文檔頁面的底部，您可以找到一些基于用例的示例和教程的鏈接。

親自動手體驗支持AI/ML的開發套件

我們的EFR32xG24和Thunderboard Sense開發工具包非常適合輕松地試用各種機器學習示例應用程序。上述所有軟件都可以在任一開發工具包上運行。

學習合作伙伴的更多開發技巧

SensiML現有的AI工具利用了最新的AI/ML硬件加速功能，呈現在我們新的BG24和MG24 SoC中。SensiML的分析工具包帶有內置autoML軟件，使OEM快速創建功率優化的智能傳感應用程序而無需數據科學專業知識，對MG24和BG24SoC系列進行了補充。

Edge Impulse和Silicon Labs正在為構建人工智能感知產品的公司提供強大的嵌入式機器學習平臺。有了新的MG24和BG24SoC，嵌入式開發人員可以使用EdgeImpulse的解決方案來設計自動化的數據標簽、預先構建的數字信號處理和機器學習功能區塊、實時分類測試和數字孿生(digitaltwins)，這些比以往任何時候都更簡單、更情境化且更易于開發。

本文作者Dan Kozin是Silicon Labs的高級產品經理，負責機器學習軟件和DX。他擁有多年的產品管理和軟件工程經驗，專注于用戶體驗和可擴展系統。他在通信系統、網絡、物聯網、移動設備和計算機電話領域擁有豐富的開發平臺行業經驗。

原文標題：【入門指南】如何開發機器學習?

文章出處：【微信公眾號：SiliconLabs】歡迎添加關注!文章轉載請注明出處。

審核編輯：湯梓紅