將人工智能（AI）和機器學習（ML）集成到邊緣設備是物聯網領域最受期待的發展之一。可訓練、可操作、能夠從環境中提取信息和學習的智能設備正在變得更加具有情境意識，最終變得更加有用。在邊緣位置執行人工智能具有顯著的優勢，包括低延遲、減少帶寬、更低的功耗和成本，以及隱私和安全。人工智能可以通過小型微控制器來達成功能，從而在邊緣節點實現更好的決策。 將嵌入式智能添加到物聯網設備將為制造商創造新的機會—這是Silicon Labs （亦稱“芯科科技”）與人工智能和機器學習應用領先供應商SensiML合作的核心所在。Silicon Labs提供完整的無線和MCU產品系列，并可搭配Thunderboard Sense 2 高級物聯網開發套件快速評估產品項目以建立原型設計。 人工智能和機器學習可為物聯網邊緣節點的開發人員帶來諸多益處：

顯著節約成本

減少帶寬使用

設計時間更快

設計尺寸更小，并能低功耗運行

數據隱私和安全性更高

加快發展人工智能物聯網SensiML提供尖端軟件，實現超低功耗物聯網端點，實現人工智能，并將原始傳感器數據轉化為對設備本身有意義的見解。SensiML的Analytics Studio還提供了一個全面的開發平臺，使具備最少數據科學專業知識的開發人員能夠以比手工編碼解決方案快5倍的速度構建智能端點。這意味著客戶可以快速跟蹤他們的開發項目，并在數周內將AI/ML嵌入到他們的設計中，而數據科學項目通常需要數年時間。

SensiML Analytics Studio和Silicon Labs的無線SoC和MCU的結合，將使開發人員有可能增加功能，降低復雜性，并利用低功耗、低成本、占地面積小的設計。SensiML分析工具包套件自動創建優化的人工智能物聯網傳感器識別代碼的每一步過程。 人工智能和機器學習有什么區別？人工智能和機器學習都與同一種計算機科學有關。但是，盡管許多人傾向于交替使用它們，它們確實有不同的含義。

自動化機器學習的好處及其工作原理當涉及到需要專門背景的任務時，自動構建機器學習模型的過程為開發人員帶來了許多好處。例如，在沒有自動機器學習或AutoML的情況下，以下任務留給建模者根據自己對問題的理解、所需的模型性能以及最關鍵的是他們在正確應用信號處理和機器學習分類器方面的專業知識來確定：

輸入數據中感興趣區域的分割

確定需要哪些預處理和特征變換來將原始輸入數據轉換為分類器的合適輸入向量

選擇使用哪種類型的機器學習分類器來提供最佳結果

模型參數優化與超參數整定

評估進一步提高模型性能的后處理需求

AutoML通過使用高性能計算和搜索優化算法來增強用戶在執行構造任務時的知識。AutoML的優點包括能夠在相同的時間內評估數十萬甚至數百萬個模型排列，而人類數據科學專家只需評估幾個。有了定向搜索約束，熟練用戶手中的AutoML組合可以將搜索集中在最有前途的排列上，而不僅僅是執行暴力網格搜索。這使得AutoML成為算法開發的強大工具，無論是人工智能新手還是經驗豐富的數據科學專家。 有了這一伙伴關系，我們離生活在一個更智能、更互聯的世界越來越近，Silicon Labs為在這一旅程中成為SensiML的合作伙伴而感到自豪。

原文標題：人工智能與機器學習助飛IoT創新應用

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。

責任編輯：haq