電子發燒友App
導 讀：TinyML 是指在毫瓦（mW）功率范圍以下的設備上，實現機器學習的方法、工具和技術。這里的關鍵詞是“毫瓦功率范圍以下的設備”。TinyML 功耗極低，不僅適用于邊緣硬件，還可用于物聯網終端設備，支持各種不同的電池驅動的設備，和需要始終在線的應用。最近 TinyML 與 AutoML 正在快速融合，構建嵌入式自動化機器學習算法，發揮更大的效力。
AIoT 智聯網是 AI（人工智能）和 IoT（物聯網）技術在實際應用中的落地融合。近年來，智聯網 AIoT 一詞熱度劇增，她正在以極快的速度從襁褓中的嬰兒長大成人。
昨天，All inAIoT 還是單個企業的市場宣言；今天，AIoT in All 已經成為各行各業嘗試轉型以及尋找下一增長點的主力。
根據中國信息通信研究院統計預測數據顯示，2020 年全球人工智能市場將達到 6800 億元人民幣。據研究機構 Markets and Markets 在 2019 年發布的報告稱，2019 年全球 AIoT 市場規模為 51 億美元。到 2024 年，這一數字將增長至 162 億美元，復合年增長率為 26.0%。
AIoT 的成熟，一方面需要企業的重視與投入，另一方面需要技術的支撐與迭代。上周，我們談到阿里投百億加速 AIoT 布局的“大手筆”；這周，我們來看看 AIoT 的領域吹起的技術“新風向”。
在文章《一文讀懂即將引爆的 TinyML：在邊緣側實現超低功耗機器學習》中，我曾經介紹過一個新趨勢：TinyML，并提到將會持續追蹤 TinyML 的進展。
TinyML 是指在毫瓦（mW）功率范圍以下的設備上，實現機器學習的方法、工具和技術。這里的關鍵詞是“毫瓦功率范圍以下的設備”。TinyML 功耗極低，不僅適用于邊緣硬件，還可用于物聯網終端設備，支持各種不同的電池驅動的設備，和需要始終在線的應用。
這些設備包括智能攝像頭、遠程監控設備、可穿戴設備、音頻采集硬件以及各種傳感器等…TinyML 是一個新興領域，是快速增長的機器學習技術和應用，是一片巨大的、未被充分開發的藍海。
最近 TinyML 與 AutoML 正在快速融合，構建嵌入式自動化機器學習算法，發揮更大的效力。
AutoML 全稱是 Automated Machine Learning，自動化機器學習，這是 2014 年以來，機器學習和深度學習領域最炙手可熱的領域之一。
我們都知道，機器學習的應用需要大量的人工干預，這些人工干預表現在：特征提取、模型選擇、參數調節等各個方面。AutoML 試圖將這些與特征、模型、優化、評價有關的重要步驟進行自動化地學習，使得機器學習模型無需人工干預即可被應用。
就在今年 3 月，谷歌證明了 AutoML 可以走得更遠。根據谷歌已將代碼開源的 AutoML-Zero，如今有可能僅使用基本的數學運算作為構建塊，就可以自動“進化”為完整的機器學習算法。
因此本文將介紹 TinyML 與 AutoML 相結合的最新進展，值得你關注的包括：
TinyML 與 AutoML“攜手”的最大價值體現在哪里？
嵌入式自動化機器學習算法的具體應用場景有哪些？
這個領域的初創公司和各類資源的情況如何？
TinyML+ AutoML 的價值何在？
21 世紀最性感的工作是什么？
你可能已經腦補了五花八門的答案，但《哈佛商業評論》（Harvard Business Review）認為是“數據科學家”。HBR 在文章中寫道，“如果‘性感’意味著擁有非常搶手的稀有品質，那么數據科學家就是。”
數據科學家很難招到、工資很高、更難留住，這也許是每個試圖嘗試 AI 應用的物聯網企業都會頭疼的問題。
數據顯示，在 2018 年，初級數據科學家的平均工資為 11.5 萬美元 / 年，能夠管理 10 至 15 人團隊的數據科學家則可以拿到 35 萬美元的年薪。
2019 年，全球對數據科學家的需求量是供應量的 1.5 倍。超過 40%的公司認為招聘不到數據科學家是嚴重阻礙他們競爭力的原因之一。超過 60%的公司試圖通過內部培訓，讓現有員工變身成為數據科學家。
在物聯網領域，數據科學家除了稀有，還面臨另一個問題：在物聯網終端，很多 AI 絕技無法施展。分布最廣的物聯網設備往往體積很小、電量有限。它們被作為終端硬件，通過嵌入式傳感器采集各種數據；計算能力有限，對功耗極為敏感。物聯網領域占比超過 95%以上，都是需要超低功耗、占用極少存儲空間、完成實時數據處理的場景。能夠在這類設備上實現機器學習的人才，更是精英中的高階精英。
TinyML 與 AutoML“攜手”，就是試圖讓物聯網領域的機器學習，突破人才稀缺和硬件受限的掣肘，讓機器學習算法在物聯網終端自我進化，讓非技術人員可以輕松的使用人工智能進行數據分析，讓原本“物以稀為貴”的機器學習以親民的方式“飛入百姓家”。
什么是 AutoML？
為了更好的理解 AutoML，清華校友翟偉所在公司 Qeexo 通過一個有趣的對比進行了解釋。
在某種程度上，人工智能與印刷術非常相似，它們的誕生都是人類歷史上的巨大轉折，而且演進過程也有一定的可比性。
印刷術發明之前，文化的傳播主要靠手抄的書籍。手抄費時、費事，又容易抄錯、抄漏，既阻礙了文化的發展，又給文化的傳播帶來不應有的損失。
就像在人工智能誕生之前，工程師們要自己寫計算程序完成數據分析，不僅效率低而且有可能存在很多誤判。
印章和石刻給印刷術提供了直接的經驗性啟示，用紙在石碑上墨拓的方法，直接為雕版印刷指明了方向。
雕版印刷的版料，一般選用紋質細密堅實的木材，然后把木材鋸成一塊塊木板，把要印的字寫在薄紙上，反貼在木板上，再根據每個字的筆劃，用刀一筆一筆雕刻成陽文，使每個字的筆劃突出在板上。木板雕好以后，就可以印書了。
就像在人工智能的初始階段，工程師們為每個用例，從零開始寫機器學習的代碼，一個用例對應一塊“雕版”，在不同用例之間代碼很難重復利用，靈活性差、對工程師的技藝要求高。
活字制版避免了雕版的不足，只要事先準備好足夠的單個活字，就可隨時拼版，大大地加快了制版時間。活字版印完后，可以拆版，活字可重復使用，且活字比雕版占有的空間小，容易存儲和保管。這樣活字的優越性就表現出來了。
就像隨著人工智能的發展，工程師們開始使用解耦的思維，使用現有的機器學習模塊與框架活用拼湊 AI。這個階段開發一個上手的應用或許很簡單，但是要開發真正的產品卻很難，需要一個團隊的專業人士，花費幾個星期的時間完成。
而現在，我們每個人都知道如何使用電腦打字，并使用打印機將文稿印出。
AutoML 就是試圖將人工智能也帶入到同樣階段的做法，讓一位非專業人士，花費幾分鐘的時間，即可完成多個人工智能模型。在這個階段，合適的 AutoML 工具是關鍵。
谷歌最近發布了一篇論文名為《AutoML-Zero：從零開始的自動機器學習》，AutoML-Zero:Evolving Machine Learning Algorithms From Scratch。
AutoML-Zero 這個名字難免讓人產生聯想。當年 AlphaGo 戰勝了人類最強棋手，但前提是它先學會了人類棋譜，離不開人類指導。接著谷歌又推出了 AlphaGo Zero，只讓 AI 知道圍棋規則，從零開始學下棋，結果再次登上棋藝頂峰。
AutoML-Zero 似乎想要證明，既然 AI 能從零學習圍棋，也可以從零開始摸索機器學習算法。
谷歌這篇論文的全文可以通過文末的提示下載閱讀。
現在谷歌已將 AutoML-Zero 的開源程序提交到 GitHub，普通電腦只需 5 分鐘就能體驗一下它的實際效果。GitHub 網址：
應用場景有哪些？
目前一些智能可穿戴設備，包括智能耳機和智能手表已經在使用相關技術。通過加速度傳感器和陀螺儀輔以相應的嵌入式自動化機器學習算法，可以更好的分析用戶行為，并且支持自定義手勢創建、情境感知、活動分類、步態分析，提供更加貼合用戶自身的服務。
智能家居也是應用場景之一。智能水壺和智能灶臺可以通過聲學傳感器和算法，檢測水是否燒開、燒開的水是否溢出、壺和鍋的溫度有沒有過高。還可以監測智能微波爐中的玉米花是否爆開，以便及時關閉設備。
當然，你也許會想，這些場景都是“小兒科”，只有在最復雜的工業場景中實現應用，才能驗證“TinyML+AutoML”嵌入式自動化機器學習算法真正有效。如你所料，有些企業正在將嵌入式機器學習自動算法用于預測性維護。
對于預測性維護（PDM）的發展階段進行簡單劃分，可分為 4 個階段：
PDM 1.0—反應性維護：當問題出現時再來解決它，例如救火。
PDM 2.0—預防性維護：包括外觀檢測，以及能夠提供更具體、更客觀的有關機器或系統狀況相關信息的定期資產檢測。
PDM 3.0—基于規則的預測性維護：也就是“狀態監測”。傳感器持續收集來自設備的數據，并根據預先設定的規則，包含在預先設定的臨界值出現時發出警報。
PDM 4.0—基于機器學習的預測性維護：依靠大量的歷史數據或者測試數據，結合為不同情境定制的機器學習算法，預測錯誤出現的時間和位置，然后發出警報。
PDM 4.0 是通過先進的分析技術對資產的技術條件、使用、環境、維修歷史、其他類似設備以及任何可能與之相關的大數據進行分析，預測未來將會發生的故障，并最終制定出最有效的預防措施。
在這個過程中，聽聲能力很重要，就像維護維修專家能夠通過汽車引擎的聲音，來診斷車輛的問題一樣，工業設備如果擁有了一雙遠程的“順風耳”，結合振動分析，就可以讓 PDM 方案更精確。聲音同樣還能被用于診斷液體泄露、管道腐蝕和液位測量。
PDM4.0 還面臨一個規模化應用的窘境，由于每個設備的安裝條件、載重性能和外部環境都不相同，單一的 AI 模型可能無法在類似的電機上批量復制。
TinyML+AutoML 使用時間序列傳感器，包括模擬和數字麥克風，可以自適應的創建 AI 模型。通過聲音傳感與分析，有助于識別預測性維護應用的問題。
初創公司&各類資源
關于 TinyML+AutoML，有很多現成的工具和軟件可以使用，物聯網企業不需要招聘昂貴的數據科學家，也不需要擴充團隊，就可以初步嘗試。
這里介紹比較有代表性的初創公司和資源，包括 QEEXO、MindsDB 和 Cartesiam。
QEEXO
這家公司成立于 2012 年，總部位于加利福尼亞州山景城，機器學習的研發團隊位于賓夕法尼亞州匹茨堡，在北京和上海擁有工程師團隊。
目前已經有 260 多種硬件平臺，超過 3 億臺設備，搭載了 QEEXO 的機器學習引擎。
指關節操作功能通過使用指關節在屏幕上敲擊或勾畫，快速調用系統功能，支持利用指關節雙擊全屏截屏、敲擊并畫圈局部截屏、敲擊并畫字母 S 滾動截屏、雙指關節雙擊錄屏、直線分屏等 5 種手勢操作。今年 5 月，榮耀發布了新機榮耀 X10，指關節操作功能首次下放給了“千元機”。
QEEXO 與瑞薩電子等領先硬件廠商進行合作，完成了多種硬件的適配。QEEXO 可支持 Arm Cortex – M0 到 M4 核的單片機，如瑞薩 RA6M3 組單片機產品。
據悉，QEEXO 的自動機器學習算法將在亞馬遜 AWS 上架，以 SaaS 年度訂閱的方式提供服務，并將在下周周一，6 月 8 日進行全球商用版 Qeexo AutoML 的正式發布。
MindsDB
MindsDB 公司成立于 2017 年，總部位于加利福尼亞州伯克利，源自美國加州大學伯克利分校的研究項目，其同名服務已在 GitHub 上發布開源版本。GitHub 網址：
最近 MindsDB 完成了一筆 300 萬美元的融資，用于擴充團隊和驗證商業模式。
Cartesiam
Cartesiam 公司創立于 2016 年，總部位于法國土倫，商務運營中心位于巴黎和紐約，主要實現讓普通的 ARM 微控制器都能運行的無監督學習 AI。
今年 2 月，Cartesiam 發布了一個名為 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。
法國的工業電子制造商 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。
Cartesiam 發布了針對 STM32 開發板優化的新版 NanoEdge AI Studio 軟件工具。STM32 是意法半導體開發的微控制器。新版提供一個新的硬件平臺選項，讓開發者可以直接選擇意法半導體的 Nucleo-F401RE 或 Nucleo-L432KC 開發板。在選擇之后，用戶可以解鎖設計流程的最后一步，下載可在所選硬件平臺上立即運行的自定義機器學習庫。
---- 寫在最后 ----
看似微小的 TinyML 和自我進化的 AutoML 蘊含大機會，物聯網企業需要轉變的首先是思維，積極擁抱和勇于嘗試，或許就會開辟一番新天地。
? ? ? ?責任編輯:pj
工商網監
評論