AI (Künstliche Intelligenz) entstand aus dem Sommerseminar des Dartmouth College im Jahr 1956. Auf der Konferenz wurde der Begriff „künstliche Intelligenz“ erstmals offiziell vorgeschlagen. Technologische Durchbrüche bei der Rechenleistung haben die Entwicklung künstlicher Intelligenz nach und nach vorangetrieben. In den letzten Jahren hat mit der zunehmenden Verfügbarkeit von Big Data die dritte Welle der Entwicklung künstlicher Intelligenz begonnen. Im Jahr 2015 übertraf der auf Deep Learning basierende Algorithmus für künstliche Intelligenz erstmals Menschen in der Bilderkennungsgenauigkeit des ImageNet-Wettbewerbs, und künstliche Intelligenz hat auf dem Weg der Entwicklung große Fortschritte gemacht. Mit Durchbrüchen in der Computer Vision Technologie Forschung hat Deep Learning in verschiedenen Forschungsbereichen wie Spracherkennung und Verarbeitung natürlicher Sprache große Erfolge erzielt. Mittlerweile hat künstliche Intelligenz großes Potenzial in allen Lebensbereichen gezeigt.
In Kombination mit der Entwicklungsstufe der künstlichen Intelligenz werden einige Hauptkonzepte grob wie folgt erläutert.
KI: Alle Technologien, die es Computergehirnen ermöglichen, menschliches Verhalten zu simulieren.
Maschinelles Lernen: eine Teilmenge der künstlichen Intelligenz (KI). Algorithmen und Methoden, die durch das Lernen aus Daten ständig verbessert werden.
Deep Learning: eine Teilmenge des maschinellen Lernens (ML). Durch die Verwendung einer mehrschichtigen Struktur, die das neuronale Netz des menschlichen Gehirns simuliert, entsteht ein Lernalgorithmus, der aus einer großen Datenmenge wertvolle Informationen gewinnt.
2. Die neue Kraft der künstlichen Intelligenz, STMicroelectronics Deep Edge AI, entstand
Gegenwärtig wird künstliche Intelligenz aufgrund des Bedarfs an Rechenleistung hauptsächlich in Cloud-Szenarien eingesetzt. Aufgrund der Begrenzung der Datenübertragungsverzögerung und anderer Faktoren können Cloud-basierte Lösungen die Anforderungen einiger Benutzer in Bezug auf Datensicherheit, Systemreaktionsfähigkeit, Datenschutz und Stromverbrauch des lokalen Knotens möglicherweise nicht erfüllen. In einer zentralisierten Lösung für künstliche Intelligenz verlassen sich eingebettete Geräte (intelligente Lautsprecher, tragbare Geräte usw.) normalerweise auf Cloud-Server, um die Fähigkeiten der künstlichen Intelligenz zu erreichen, während in der Deep Edge-KI-Lösung das eingebettete Gerät selbst künstliche Intelligenz lokal ausführen kann Algorithmen, um Algorithmen zu realisieren Echtzeit-Umgebungswahrnehmung, Mensch-Computer-Interaktion, Entscheidungsfindung und andere Funktionen.
Die Verlagerung des Argumentationsprozesses auf Deep-Edge-Computing bringt einige Vorteile mit sich, wie z. B. die Reaktionsfähigkeit des Systems, einen besseren Datenschutz der Benutzerinformationen (nicht alle Daten müssen über mehrere Systeme in die Cloud übertragen werden) und niedrigere Verbindungskosten und geringerer Stromverbrauch.
Laut den Forschungsergebnissen von ABI wird die weltweite Auslieferung von Deep Edge-KI-Geräten bis 2.5 2030 Milliarden Einheiten erreichen. STMicroelectronics hat festgestellt, dass es immer mehr Gemeinschaften und Ökosysteme rund um die Deep Edge-KI-Technologie gibt, die sich auf unabhängige, energiesparende und kostengünstige konzentrieren eingebettete Lösungen. Als Hauptförderer dieses Trends hat STMicroelectronics viele Ressourcen in KI investiert, um Entwicklern in eingebetteten Systemen basierend auf Mikrocontrollern/Mikroprozessoren (STM32-Serie) und Sensoren (MEMS, ToF…) zu helfen, KI-Anwendungen schnell bereitzustellen. STMicroelectronics bietet eine Reihe von KI-Tools für die STM32-Serie und MEMS-Sensoren, die den Machine Learning Core (MLC) integrieren, der den Entwicklungszyklus beschleunigen und das trainierte KI-Modell (STM32Cube.AI) optimieren kann.
Als allgemeine Technologie hat künstliche Intelligenz in vielen Bereichen bemerkenswerte Leistungen erbracht. Wir glauben, dass immer mehr smarte Endgeräte einen direkteren und positiven Einfluss auf das menschliche Leben haben werden.
3. Schnelle Bereitstellung von KI-Anwendungen durch das Ökosystem von STMicroelectronics
STMicroelectronics bietet ein Ökosystem aus Hardware und Software, um schnell und einfach eine Vielzahl von Deep Edge-KI-Algorithmen für Sensoren und Mikrocontroller zu entwickeln.
Das maschinelle Lernen im MEMS Sensor Ökosystem hilft Designern, KI am Edge zu verwenden, um Gesten, Aktivitätserkennung, Anomalieerkennung usw. durch einen Entscheidungsbaum-Klassifikator zu implementieren, der auf einer in Sensoren eingebetteten Engine namens Machine Learning Core (MLC) ausgeführt wird.
Daher können Entwickler von IoT-Lösungen jeden unserer Sensoren (eingebettet mit einem Kern für maschinelles Lernen) in der Rapid-Prototyping-Umgebung einsetzen, um mithilfe von UNICO-GUI-Tools schnell extrem stromsparende Anwendungen zu entwickeln.
Mit dem integrierten Low-Power-Sensordesign, der fortschrittlichen KI-Ereigniserkennung, der Aufwecklogik und den Echtzeit-Edge-Computing-Funktionen reduziert der MLC im Sensor die Menge der Systemdatenübertragung erheblich und reduziert die Belastung durch die Netzwerkverarbeitung.
Entscheiden sich Entwickler, eine Lösung basierend auf dem Kern des maschinellen Lernens im Sensor zu entwickeln, benötigen sie neue Methoden, um ihre Anwendungen zu veröffentlichen.
Wenn Sie einen Algorithmus für maschinelles Lernen erstellen möchten, sind der Ausgangspunkt die Daten und ihre Definition der Klasse (zur Beschreibung des zu lösenden komplexen Problems). Sie können fünf Schritte befolgen, um KI-Anwendungen im Sensor zu erstellen und auszuführen. UNICO-GUI ist eine grafische Benutzeroberfläche, die alle fünf Schritte einschließlich der Entscheidungsbaumgenerierung unterstützen kann.
Um Entwicklern die schnelle Bereitstellung trainierter KI-Modelle für STM32 zu erleichtern, haben wir ein benutzerfreundliches und effizientes Tool entwickelt – STM32Cube.AI (auch bekannt als X-CUBE-AI). X-CUBE-AI kann das trainierte neuronale Netzwerk analysieren und in optimierten C-Sprachcode umwandeln und automatisch gegen STM32-Ziele testen. Natürlich ist X-CUBE-AI ein sehr mächtiges Werkzeug, und weitere Funktionen werden in späteren Artikeln vorgestellt.
Um zu zeigen, wie mehrere verschiedene KI-Anwendungen direkt auf STM32 ausgeführt werden können und den Entwicklungs-, Verifizierungs- und Bereitstellungsprozess von STM32-Embedded-Entwicklern zu beschleunigen, stellt STMicroelectronics viele KI-Anwendungen als Referenz zur Verfügung.
Entwickler können Sekundärentwicklungen basierend auf diesen eingebetteten KI-Anwendungssoftwarepaketen durchführen, um die Bereitstellung benutzerdefinierter Modelle schnell zu implementieren.
Weitere Details werden in nachfolgenden Artikeln vorgestellt.
KI-Entwicklungstools und eingebettete Anwendungssoftwarepakete werden wie folgt zusammengefasst
Embedded Software
Wo STM32 ist, gibt es Deep Edge AI.
Alle MCUs von STM32 unterstützen die Bereitstellung von KI-Modellen. Für MCUs mit geringer Rechenleistung werden Machine-Learning-Algorithmen (ML) unterstützt. Für MCUs mit höherer Rechenleistung werden auch neuronale Netzmodelle (DL) unterstützt.
Die Liste der Evaluation Boards, die die Anwendungsbeispiele ausführen können, ist unten zusammengefasst.
Produktbewertungstool
4. Möchten Sie mehr Details?
Wir werden eine Reihe von Artikeln veröffentlichen, die die Ergebnisse der Bemühungen von STMicroelectronics im Bereich Deep Edge AI detailliert beschreiben.
Gerne können Sie in den Kommentaren erklären, was Sie über STMicroelectronics AI wissen möchten, und wir präsentieren Ihnen weitere spannende Inhalte.