AI: quomodo humilis potes ire?

Merca de fads subsunt et sector insito- ditionis est procul ab illis immunis. In 1990s, quamquam logica visa est via progrediens et microcontroller (MCU) concionatorum diripienda ut subsidium in oblationibus suis solum ad videndum illum exardescat.

Apparatus discendi embedded (ML) videt longe maiorem rabiem pastionem quam constitutum MCU histriones et AI-acceleratio initium -ups demonstrare conantur suum munus ideae, quae plerumque sub vexillo TinyML accedit.

Daniel Situnayake, in instrumentis programmatibus TinyML fundavit societatem Edge Impetus et co-auctor celeberrimi libri in Technologydicit res hodie longe aliter esse quam ab 1990s.

"Res excitans circa immersa ML est machina illa discendi et altae doctrinae non sunt novae, technologiae probatae - re vera in computatris servo-classis ad diuturnum relativum feliciter explicatum est et in corde ton felicis sunt. producta. Embedded ML est de probata technologiarum ordine ad novum contextum applicandum, qui multas novas applicationes quae antea fieri non potuit dabunt".

ABI Investigatio praedicat mercatum pro potentia humilis AI-enabled MCUs et acceleratores ad mercatum TinyML ascendet minus quam $30m in annuis vectigalibus hoc anno ad plus quam $2bn ab incepto decennii proximi.

Quamvis incrementum celeri, ABI Analyticum Lian Jye Su exspectat certamen ut ferociores fiant quam magnae societates ut Bosch forum ingrediatur. Iam quidam satus-ups sicut Eta Computus ab siliconibus instrumentorum programmatibus removerunt.

"Videmus aliquid consolidationis. Eodem tempore, ingens ruptio in mercatu IoT significat notabilem numerum provisorum superabit, sicut MCU vel IoT chipset mercatus in genere", ostendens magnum numerum praebitorum qui in certis mercatis verticalibus intendunt.

MinyML facies in angustiis gravibus. Pete Custodem, plumbum technicum de TensorFlow Micro machinarum inquisitionis gigantis et Situnayake scriptoris co-auctoris de "TinyML: Machina discens cum Lite TensorFlow de Arduino et Ultra-Low-Power Microcontrolers", dixit apud Linley Group scriptor Fall Processus Conferentiae quod Propositum est exemplaribus penitus ediscendis ac "currere in machinis quae minus quam 20KB RAM habere possunt. Volumus accipere exempla utens hoc incisione-ore constructum Technology et opprime illos usque ad currendum in ima potentia processus.

“Quia programmatum apertum est, non solum cum iugis productis intra Google inter se cohaerere accipimus, sed etiam multam petitiones e iunctionibus productis toto orbe terrarum conamur qui amet fructus aedificare conantur. Et saepe dicendum est: non, id tamen non potest. Multum inconveniens, inquit Custodem, in complexu videmus.

Proventus nucleus est exempla alta discentium a servo environment nuntiata pro decies centena millia vel etiam billiones multiplicandi (MAC) functiones quae in brevi temporis spatio perficiuntur etiam ad exempla simpliciter relativa. Linley Gwennap, praeses Linley Group, dicit applicationes auditionis simplices respective, ut verba in oratione legere quae recognitionem vocis movere possunt, circiter 2 decies centena millia MACs per alterum vocat. Longe eget video.

Venditores Pii MAC comitem pulsare poterant, adhibito requisitionis relative humilis accurationis in singulis calculis cum inferendo faciendo. Cum disciplina ministrantium plerumque requirit singularem vel duplicem praecisionem, punctum arithmeticum fluitans, numeros integros (int8) rationes sufficientes pro pluribus applicationibus esse videntur.

Notae sunt quae in exemplaribus lectis stratis, etiam int8 MACs superfluae sunt. Calculi binarii vel ternarii, qui paulo plus quam paucis portis utentes effici possunt, singulae accurate in multis casibus non laedunt. Potentia quaestus effectus sunt enormes, sed subsidio hardware et software coniunctione carent quae opus sunt illis plene utendi, dicit Situnayake.

Etsi instrumentum pro TensorFlow Lite compagis typice int8 pondera sustinet, subsidium pro resolutionibus inferioribus longe late patet. "Hoc celeriter mutatur" Situnayake notat, acceleratores ut Syntiant quae binaria, 2bit et 4bit pondera sustinent, ac per Plumerai operantur ut retia neuralis binari directe instituant.

"Quamquam hae technologiae in aciei adhuc remanent et tamen ut eam in amet pro ML tincidunt embeddantur, non multo ante sint pars toolkit vexillum" addit.

Onus arithmeticam reducere

Aliae sunt optiones pro opere TinyML quae onus arithmeticum minuit. Loquens in colloquio TinyML Asia nuper proximo anno, Jan Jongboom, co-conditor et CTO of Edge Impetus dixit clavem attractionis ML esse suam facultatem inveniendi correlationes in notitia quae algorithms conventionales non colligunt. Exitus in abrupto parametrorum numerorum exemplorum maxime conventionalium processit ut eas correlationes inveniret si exempla initibus rudia sunt.

“Vis dare algorithmum machinae discendae manus ut suam vitam facilius faciat”, dicit Jongboom. Utilissima ars ad signa temporis typica usus est extractionis plumae: commutans notitias in repraesentationes quae efficiunt retiacula neuralis aedificare cum mandatis magnitudinis parametri pauciores.

In loquendo exemplo, mutatio ad mel-cepstrum spatii massive reducit numerum parametri, qui efficienter mutationes soni enodare potest.

In aliis data sensoriis, sicut cibus ab accelerometro adhibito ad deprehensionem vibrationis in machinatione rotanda, aliae formae iunctim temporis frequentiae repraesentationum saepe laborant.

Accessus hic adhibitus est a John Edwards, architectus et DSP architectus apud Sigma Numericum et lectorem in Universitate Oxoniensi visitans, in consilio analysi vibrationis.

In hoc casu, brevis Fourieriani transformatio optimam mercaturam-off cum transformationibus copulatam habuit quae celeritate motorum variabili compensant. Pluma extractionis magnitudinem reduxit exemplar duobus tantum stratis, qui facile discursum in NXP LPC55C69 poterant, qui nucleos Brachii Cortex-M33 cum acceleratore DSP coniungit.

Jongboom dicit, licet tentare possit ad iter profundae doctrinae descendere, alia algorithmorum machinamenta discendi eventus liberare posse. "Optimum nostrum exemplar anomaliae deprehendatur neural network non est: basic ejus p racemos significat".

Ubi alta doctrina postulatum est, sparsio ulteriorem reductionem in exemplar supra caput praebet. Haec forma putationis accipere potest, in qua pondera quae parum momenti ad exemplar output habent, simpliciter a pipelino removentur. Alia optio est operam dare in partibus amnis notitiae qui mutationes super tempus demonstrant. Exempli gratia, in custodia imaginum hoc potest significare usum processus imaginis ad res mobiles deprehendendas et eas a curriculo separandas antequam elementa processionaliter ad exemplar pascantur.

Jongboom et alii eruditionis usus fuit. In describendo progressum suum per stadia TinyML, aestate anni 2017, totum conceptum impossibilem esse putavit. Aestate 2020, vias ad optimize applicationem et exemplar consilium simul intuens, habitus eius mutaverat ad genus imaginis verae temporis credendo in hardware potentiae humilitatis factibilis. Ut acceleratores humilitatis potentiae, quae humilem praecisionem et sparsitatem efficacius apparent, ampliatio exemplorum quae ad micropotionem currere possunt, ampliare debet.

Effectus, Situnayake affirmat, verisimile esse "ML futurum significans maiorem fractionem quam quaelibet alia species quod inposuit. Commoda machinationis ML industriam ad creandum et disponendum citius expellet, plus humilis potentiae xxxiii capax qui veniet ut maiorem omnium computandi in mundo infixam repraesentet". Quamquam multae cogitationes erunt quae in laboribus non egent quae celeritatem ut exemplar magnitudinum necessario augescunt, animum intendere in eius necessitatibus et dominari incipiunt architecturae programmatis et ferrariae, dummodo per applicationes sequantur.