2月27日消息，電氣和電子工程師協會（IEEE）在其官網分享了一家名為Cartesiam的法國B2B軟件開發公司的研發成果，該公司創立于2016年，主要面向人工智能（AI）研發嵌入式系統，讓普通的Arm微控制器都能運行無監督學習AI。

在幾年前，隨著物聯網傳感器和產品的泛濫，人們曾認為這些數據將通過數百億個智能傳感器傳遞到云端，接著云端的AI和其他軟件系統將對數據進行理解并處理。

但這在Cartesiam聯合創始人兼總經理Marc Dupaquier看來，這個數據處理方案并不可行。

“從能源和成本的角度來看，傳輸所有的數據將耗費較高的成本，同時還增加了事件和系統反饋之間的等待時間，危及數據的隱私和使用，因此它也并不安全。“Marc Dupaquier說到。

而這，也成為了Cartesiam成立的緣由。2017年，該公司成立研發團隊，計劃重寫所有機器學習和信號處理算法，以便用戶可以在任何Arm Cortex M微控制器中去執行AI算法。

▲Cartesiam公司的四位合作伙伴

一、無需專業知識就可實現機器學習推理和預測

Marc Dupaquier認為，將AI放在邊緣端進行處理，是Cartesiam等一些創企和大公司長期以來的目標之一。

“但就工具、數據和專業知識而言，實際構建嵌入式系統和程序微控制器的研發人員，卻無法很好地利用它。”Marc Dupaquier談到。

因此，Cartesiam研發了一個名為NanoEdge AI Studio的軟件系統，該系統能夠安全地生成AI算法，并且生成的算法只需兩分鐘就可在Arm微處理器上運行，容量大小僅為4～16KB RAM。

具體來說，NanoEdge AI Studio軟件解決方案能夠在Windows 10或Linux Ubuntu系統上運行，幫助開發人員輕松地生成機器學習靜態庫，以嵌入在任何Arm微控制器上運行的主程序中，并直接在微控制器內部進行機器學習、推理和預測。

實際上，整個使用過程，幾乎都無需研發人員具備數學、機器學習、數據科學等其他神經網絡知識。其中，系統生成的機器學習靜態庫包含一個AI模型，該模型能夠在學習階段逐步收集信息，從而能夠檢測到潛在的異常及其行為，并對其進行預測。

▲NanoEdge AI Studio軟件解決方案操作示例

二、深度學習需求數據量大，專業開發人員短缺

Marc Dupaquier表示，NanoEdge AI Studio能夠讓任何嵌入式設計人員，都能快速開發特定應用程序的機器學習庫，并在微控制器內部運行程序。

“其中涉及到的機器學習類型就是無監督學習，實際上它是我們公司取得成功的關鍵。”Marc Dupaquier說。

無監督學習屬于機器學習的子類，通常用于大量無標簽的數據挖掘，其訓練數據沒有人工提前去進行標注，需要機器自己通過某一特征去尋找海量數據中的相關結構。

而現在大部分人臉識別或路標識別的機器學習，都屬于卷積神經網絡，即深度學習。深度學習需要通過數據集進行成百上千次訓練，并在訓練完成后被移植到功能較弱的計算機中。

但Marc Dupaquier認為，在微控制器控制的傳感器領域中，深度學習所需要的大量被標注數據集很難生成，同時數據科學領域的AI專業人才又十分稀少。

根據市場研究機構IDC數據，即使生成的數據能夠使用，但只有不到1%的嵌入式開發人員擁有AI技能。與此同時，Marc Dupaquier透露公司的大多數客戶也并不了解AI。

因此，Cartesiam研發的NanoEdge AI Studio軟件系統，則嘗試通過利用無監督學習技術，來解決研究人員在以往深度學習訓練過程中所面臨的標記數據集問題。

三、無監督學習的數字孿生樣本應用

基于深度學習的大量數據需求，以及具備專業AI技能的嵌入式開發人員短缺，Cartesiam的NanoEdge AI Studio軟件系統采用的無監督學習方案，則很好地解決了這一困境。

據了解，NanoEdge AI Studio的無監督學習能夠為傳感器提供數字孿生樣本，分別為兩分鐘的正常操作樣本和異常操作樣本。同時，該系統還能幫助用戶選擇最佳的AI算法來構建網絡，并將這些算法移植到嵌入式控制器的內存中。

當傳感器在環境中運行時，它會同時檢測正常情況，并觀察數據中是有存在有意義的偏差。最終，它還能夠在問題出現之前進行預測。

值得一提的是，Cartesiam已經與許多利用Arm Cortex-M來制造設備公司建立了合作關系，其中就包括法國專業級工業電子制造商Eolane。

Eolane與Cartesiam合作推出了一款名為Bob Assistant的溫度/振動傳感器，主要用于預測工業維修。目前，該解決方案已經被許多歐洲客戶所采用，成為首個大規模部署的工業4.0預測性維護解決方案。

▲Bob Assistant

Marc Dupaquier談到，由于周圍環境的特殊性，每個傳感器的微處理器上的神經網絡可能會有所不同。“因為學習是在設備上進行的，所以它將學習該機器的運作模式。同時，AI也正在將機器的數字孿生植入到微控制器中。”他談到。

結語：助力低功耗芯片的機器學習應用

將機器學習嵌入低功耗、低資源處理器中，是許多創企和半導體公司的一直以來不斷精進研發和創新的動力之一。

實際上，很多公司也正在使用專門的計算機架構、內存計算方案和其他硬件技術，以生產運行深度學習和其他網絡的低功耗芯片。

今年2月初，Arm也推出了一款機器學習加速處理器Cortex-M5，其數字信號處理器性能提升了5倍，機器學習性能提升至15倍。同時，它與微神經網絡處理器Ethos U55配合使用，還能將機器學習性能提高480倍。

值得一提的是，Arm透露Cartesiam已經獲得了測試新硬件的機會。屆時，Arm的新款機器學習處理器與Cartesiam的NanoEdge AI Studio軟件系統，又將擦出什么火花？我們拭目以待。