AI (אינטליגנציה מלאכותית) מקורו בסמינר הקיץ שערך מכללת דארטמות' בשנת 1956. בכנס הוצע לראשונה רשמית המונח "בינה מלאכותית". פריצות דרך טכנולוגיות בכוח המחשוב קידמו את הפיתוח של בינה מלאכותית בזו אחר זו. בשנים האחרונות, עם הזמינות הגוברת של ביג דאטה, הגיע הגל השלישי של פיתוח בינה מלאכותית. בשנת 2015, אלגוריתם הבינה המלאכותית המבוססת על למידה עמוקה עלה על בני האדם לראשונה בדיוק זיהוי התמונות של תחרות ImageNet, והבינה המלאכותית עשתה צעדים גדולים בדרך הפיתוח. עם פריצות דרך בראייה ממוחשבת טֶכנוֹלוֹגִיָה מחקר, למידה עמוקה השיגה הצלחה רבה בתחומי מחקר שונים כגון זיהוי דיבור ועיבוד שפה טבעית. כעת, הבינה המלאכותית הראתה פוטנציאל גדול בכל היבטי החיים.
בשילוב עם שלב הפיתוח של טכנולוגיית בינה מלאכותית, כמה מושגים עיקריים מוסברים באופן גס כדלקמן.
AI: כל הטכנולוגיות המאפשרות למוח המחשב לדמות התנהגות אנושית.
למידת מכונה: תת-קבוצה של בינה מלאכותית (AI). אלגוריתמים ושיטות המשתפרים ללא הרף על ידי למידה מנתונים.
למידה עמוקה: תת-קבוצה של למידת מכונה (ML). על ידי שימוש במבנה רב שכבתי המדמה את הרשת העצבית של המוח האנושי, אלגוריתם למידה המשיג מידע רב ערך מכמות גדולה של נתונים.
2. הכוח החדש של בינה מלאכותית, STMicroelectronics Deep Edge AI נוצר
כיום, טכנולוגיית בינה מלאכותית משמשת בעיקר בתרחישי ענן בגלל הדרישה לכוח מחשוב. בשל המגבלה של עיכוב העברת נתונים וגורמים אחרים, ייתכן שפתרונות מבוססי ענן לא יוכלו לענות על הצרכים של חלק מהמשתמשים לאבטחת נתונים, תגובתיות מערכת, פרטיות וצריכת חשמל של צומת מקומית. בפתרון בינה מלאכותית מרכזי, מכשירים משובצים (רמקולים חכמים, מכשירים לבישים וכו') מסתמכים בדרך כלל על שרתי ענן כדי להשיג יכולות בינה מלאכותית, בעוד שבפתרון Deep Edge AI, המכשיר המוטבע עצמו יכול להריץ בינה מלאכותית באופן מקומי אלגוריתמים למימוש תפיסת סביבה בזמן אמת, אינטראקציה בין אדם למחשב, בקרת קבלת החלטות ופונקציות אחרות.
העברת תהליך החשיבה למחשוב קצה עמוק יביא כמה יתרונות, כגון היענות מערכתית, הגנה טובה יותר על פרטיות המידע של המשתמש (לא כל הנתונים צריכים להיות מועברים לענן באמצעות מספר מערכות), ועלויות חיבור וצריכת חשמל נמוכות יותר.
על פי תוצאות המחקר של ABI, משלוחים עולמיים של מכשירי Deep Edge AI יגיעו ל-2.5 מיליארד יחידות עד שנת 2030. STMicroelectronics הבחינה שיש יותר ויותר קהילות ומערכות אקולוגיות סביב טכנולוגיית Deep Edge AI, תוך התמקדות עצמאית, בעלת צריכת חשמל נמוכה וחסכונית. פתרונות משובצים. כמקדם העיקרי של מגמה זו, STMicroelectronics השקיעה משאבים רבים ב-AI, במטרה לעזור למפתחים במערכות משובצות המבוססות על מיקרו-בקרים/מיקרו-מעבדים (סדרת STM32) וחיישנים (MEMS, ToF...) פריסה מהירה של יישומי בינה מלאכותית. STMicroelectronics מספקת סט של כלי בינה מלאכותית עבור סדרת STM32 וחיישני MEMS המשלבים את ליבת למידת המכונה (MLC), מה שיכול להאיץ את מחזור הפיתוח ולייעל את מודל הבינה המלאכותית המאומנת (STM32Cube.AI).
כטכנולוגיה כללית, הבינה המלאכותית השיגה הישגים יוצאי דופן בתחומים רבים. אנו מאמינים כי ליותר ויותר מכשירי מסוף חכמים תהיה השפעה ישירה וחיובית יותר על חיי האדם.
3. פריסה מהירה של יישומי בינה מלאכותית באמצעות מערכת האקולוגית של STMicroelectronics
STMicroelectronics מספקת מערכת אקולוגית של חומרה ותוכנה כדי לעזור במהירות ובקלות לפתח מגוון אלגוריתמים של Deep Edge AI עבור חיישנים ומיקרו-בקרים.
למידת המכונה ב-MEMS חיישן מערכת אקולוגית מסייעת למעצבים להשתמש בבינה מלאכותית בקצה כדי ליישם מחוות, זיהוי פעילות, זיהוי חריגות וכו' באמצעות סיווג עץ החלטות הפועל על מנוע משובץ חיישנים בשם Machine Learning Core (MLC).
לפיכך, מפתחי פתרונות IoT יכולים לפרוס כל אחד מהחיישנים שלנו (מוטמע בליבת למידת מכונה) בסביבת האבטיפוס המהיר כדי לפתח במהירות יישומים בעלי הספק נמוך במיוחד באמצעות כלי UNICO-GUI.
עם עיצוב החיישן המובנה בצריכת הספק נמוך, זיהוי אירועי AI מתקדם, לוגיקה של השכמה ופונקציות מחשוב קצה בזמן אמת, ה-MLC בחיישן מפחית מאוד את כמות העברת הנתונים של המערכת ומפחית את עומס עיבוד הרשת.
אם מפתחים מחליטים לפתח פתרון המבוסס על הליבה של למידת מכונה בחיישן, הם זקוקים לסט חדש של שיטות לפרסום האפליקציות שלהם.
אם ברצונך ליצור אלגוריתם למידת מכונה כלשהי, נקודת המוצא היא הנתונים והגדרת המחלקה (המשמשת לתיאור הבעיה המורכבת שיש לפתור). אתה יכול לבצע חמישה שלבים כדי ליצור ולהפעיל יישומי AI בחיישן. UNICO-GUI הוא ממשק משתמש גרפי שיכול לתמוך בכל חמשת השלבים כולל יצירת עץ החלטות.
על מנת להקל על מפתחים לפרוס במהירות דגמי AI מאומנים ל-STM32, פיתחנו כלי קל לשימוש ויעיל-STM32Cube.AI (ידוע גם בשם X-CUBE-AI). X-CUBE-AI יכול לנתח ולהמיר את הרשת העצבית המאומנת לקוד שפת C אופטימלי, ולבדוק אוטומטית מול יעדי STM32. כמובן, X-CUBE-AI הוא כלי חזק מאוד, ותכונות נוספות יוצגו במאמרים הבאים.
על מנת להראות כיצד מספר יישומי בינה מלאכותית שונים יכולים לפעול ישירות על STM32 ולהאיץ את תהליך הפיתוח, האימות והפריסה של מפתחי STM32 משובצים, STMicroelectronics מספקת יישומי בינה מלאכותית רבים כאסמכתא.
מפתחים יכולים לבצע פיתוח משני בהתבסס על חבילות תוכנת יישומי בינה מלאכותית משובצות אלה כדי ליישם במהירות את הפריסה של מודלים מותאמים אישית.
פרטים נוספים יוצגו במאמרים הבאים.
כלים לפיתוח בינה מלאכותית וחבילות תוכנת יישומים משובצות מסוכמים כדלקמן
תוכנה משובצת
איפה שיש STM32, יש Deep Edge AI.
כל ה-MCU של STM32 תומכים בפריסה של דגמי AI. עבור MCUs עם כוח מחשוב נמוך, נתמכים אלגוריתמי למידת מכונה (ML). עבור MCUs עם כוח מחשוב גבוה יותר, נתמכים גם מודלים של רשתות עצביות (DL).
רשימת לוחות ההערכה שיכולים להריץ את דוגמאות היישומים מתמצתת להלן.
כלי להערכת מוצר
4. רוצים פרטים נוספים?
נפרסם סדרה של מאמרים המפרטים את תוצאות המאמצים של STMicroelectronics בתחום ה-Deep Edge AI.
אתם מוזמנים להסביר מה אתם רוצים לדעת על STMicroelectronics AI בתגובות, ואנו נציג בפניכם תכנים מרגשים נוספים.