組み込みAIの習得

AIを組み込みアプリケーションに組み込むことの魅力は明らかです。たとえば、face-idを使用して、工場のフロアにあるマシンコントロールへのアクセスを承認します。顔認識、音声制御、異常検出、AIには非常に多くの可能性があります。このブログでは、例としてface-idを使用します。従来のヒューマンマシンインターフェースやパスワードよりもはるかに使いやすく、インテリジェントで堅牢です。他のみんながやっているのは言うまでもありません。 AIがどのように機能するかは魔法のように思えるかもしれませんが、AIができることは、急速に最小限の期待になりつつあります。昨日のテクノロジーに基づいて製品を透過的に評価することは誰も望んでいません。

（出典：CEVA）

課題

製品ビルダーに問題があります。 AIベースの開発は、標準の組み込み開発とはまったく異なります。少なくともコア機能のために、ソフトウェアを作成しているわけではありません。学校で子供を訓練するのと同じように、パターン（画像など）を認識するようにニューラルネットを訓練する必要があります。次に、サイズと電力の目標を達成するために、そのネットを組み込みデバイスの制約されたフットプリントに最適化する必要があります。ニューラルネットは従来のコードではないかもしれませんが、ネットとその計算は依然としてメモリを消費し、電力を消費します。組み込み開発者として、これらのメトリックを可能な限り絞ることがいかに重要であるかを知っています。これについては、次のブログで説明します。とりあえず、これらのニューラルネットがどのように機能するかを少なくともいくつか理解しましょう。

基本

ニューラルネットの長い説明を紹介したくありません。アプリケーションを機能させるために必要なことだけです。ニューラルネットは、概念的には「ニューロン」の一連の層です。各ニューロンは、前の層または入力データから2つ（またはそれ以上）の入力を読み取り、トレーニングされた重みを使用して計算を適用し、結果をフィードフォワードします。これらの重みに基づいて、レイヤーは特徴を検出し、レイヤーを移動するにつれて徐々に複雑になり、最終的には出力で複雑な画像を認識します。

次に、最初の巧妙な部分は、ネットの設計（レイヤーの数、レイヤー間の接続など）で、コアニューラルネットアルゴリズムです。 2番目の賢い部分はトレーニングです。これは、何を認識すべきかを識別するためのラベル付けを使用して、多くの画像がネットを介して実行されるプロセスです。これらの実行は、認識に必要な重み値を構築します。

野心的な場合は、TensorFlowなどの標準ネットワークの1つに独自のニューラルネットを最初から構築することもできます。また、face-id用のこのようなオープンソースオプションから始めることもできます。これらすべてをラップトップで実行できるアプリに組み込むことができます。これは、承認された新しい顔を登録したい顧客にとって便利です。これで、複数のポーズで承認された顔のテストセットを使用してネットワークのトレーニングを開始できます。

クラウドでこれを実行しないのはなぜですか？

オンラインで顔認識を行うサービスがあります。デバイスで厄介なAIに入る必要はありません。写真を撮ってクラウドにアップロードするだけで、アプリがOKを送信し、製品が次のステップを承認します。

ただし、承認されたすべての従業員は、写真やその他の資格情報をクラウドに保存する必要があります。たぶん、セキュリティとプライバシーのためのそれほど素晴らしいアイデアではありません。作業者がマシンにアクセスするたびに、画像をクラウドに伝達するためにかなりの電力を消費します。また、インターネット接続がダウンしている場合は、復旧するまで誰も承認できません。デバイスで認証を正しく行うと、プライバシーとセキュリティが維持され、電力需要が低く抑えられ、ネットワーク接続がダウンしている場合でも機能し続けます。

次へ–トレーニング済みのネットワークを埋め込む

これでAIの難しい部分が完了しました。これを、デバイスにダウンロードする必要があります。これはそれ自体が興味深いステップであり、AIプラットフォームからの支援が確実に必要になります。これについては、次のブログで詳しく説明します。一方、詳細については、「リアルタイムの組み込み世界のためのディープラーニング」をご覧ください。

---

>

Ariel Hershkovitz は、ソフトウェア開発ツールのカスタマーソリューションのCEVAのシニアマネージャーを務めています。 Arielは、ソフトウェア開発、検証、統合、およびソフトウェア配信の展開にまたがる14年以上の学際的な経験を、技術的役割と管理的役割の両方でもたらします。彼はユーザーエクスペリエンス、使いやすさ、革新的なテクノロジーに情熱を注いでいます。複雑な問題を分析し、迅速に解決するためにそれらを単純化することに非常に熟練しています。アリエルは理学士号を取得しています。ベングリオン大学でコンピュータサイエンスの学位を取得し、バーイラン大学でMBAを取得しています。

---

>

関連コンテンツ：

• 組み込みシステムに機械学習を適用する
• IoTにおける機械学習の課題と機会
• 機械学習におけるトレーニングバイアスへの取り組み
• ディープラーニングにFPGAを活用する
• ベンチマークスコアは、機械学習の推論パフォーマンスの広い範囲を強調しています
• IoTの移転学習
• 自動運転車の人工知能アルゴリズムと課題

Embeddedの詳細については、Embeddedの週刊メールニュースレターを購読してください。