AI (Artificial Intelligence) is ontstaan uit het zomerseminar dat in 1956 door Dartmouth College werd gehouden. Op de conferentie werd de term ‘kunstmatige intelligentie’ voor het eerst formeel voorgesteld. Technologische doorbraken op het gebied van rekenkracht hebben de ene na de andere ontwikkeling van kunstmatige intelligentie bevorderd. Met de toenemende beschikbaarheid van big data is de afgelopen jaren de derde golf van de ontwikkeling van kunstmatige intelligentie aangebroken. In 2015 overtrof het op deep learning gebaseerde algoritme voor kunstmatige intelligentie voor het eerst de mens wat betreft de nauwkeurigheid van beeldherkenning van de ImageNet-competitie, en kunstmatige intelligentie heeft grote vooruitgang geboekt op de weg van ontwikkeling. Met doorbraken in computervisie technologie onderzoek heeft deep learning grote successen geboekt op verschillende onderzoeksgebieden, zoals spraakherkenning en natuurlijke taalverwerking. Nu heeft kunstmatige intelligentie een groot potentieel getoond in alle aspecten van het leven.
Gecombineerd met de ontwikkelingsfase van kunstmatige-intelligentietechnologie, worden enkele hoofdconcepten als volgt grofweg uitgelegd.
AI: alle technologieën waarmee computerhersenen menselijk gedrag kunnen simuleren.
Machine learning: een subset van kunstmatige intelligentie (AI). Algoritmen en methoden die continu worden verbeterd door te leren van data.
Diep leren: een subset van machine learning (ML). Door gebruik te maken van een meerlaagse structuur die het neurale netwerk van het menselijk brein simuleert, een lerend algoritme dat waardevolle informatie verkrijgt uit een grote hoeveelheid data.
2. De nieuwe kracht van kunstmatige intelligentie, STMicroelectronics Deep Edge AI, ontstond
Op dit moment wordt kunstmatige-intelligentietechnologie vooral gebruikt in cloudscenario's vanwege de vraag naar rekenkracht. Vanwege de beperkte vertraging van gegevensoverdracht en andere factoren, kunnen cloudgebaseerde oplossingen mogelijk niet voldoen aan de behoeften van sommige gebruikers op het gebied van gegevensbeveiliging, systeemresponsiviteit, privacy en energieverbruik van lokale knooppunten. In een gecentraliseerde oplossing voor kunstmatige intelligentie zijn ingebedde apparaten (slimme luidsprekers, draagbare apparaten, enz.) meestal afhankelijk van cloudservers om mogelijkheden voor kunstmatige intelligentie te bereiken, terwijl in de Deep Edge AI-oplossing het ingebedde apparaat zelf kunstmatige intelligentie lokaal kan uitvoeren. Algoritmen om te realiseren real-time omgevingsperceptie, mens-computerinteractie, besluitvormingscontrole en andere functies.
Het verplaatsen van het redeneerproces naar deep edge computing zal enkele voordelen met zich meebrengen, zoals systeemresponsiviteit, betere bescherming van de privacy van gebruikersinformatie (niet alle gegevens hoeven via meerdere systemen naar de cloud te worden verzonden) en lagere verbindingskosten en stroomverbruik.
Volgens de onderzoeksresultaten van ABI zullen de wereldwijde verzendingen van Deep Edge AI-apparaten tegen 2.5 2030 miljard eenheden bereiken. STMicroelectronics heeft gemerkt dat er steeds meer gemeenschappen en ecosystemen rond Deep Edge AI-technologie zijn, gericht op onafhankelijke, energiezuinige en kosteneffectieve ingebedde oplossingen. Als belangrijkste promotor van deze trend heeft STMicroelectronics veel middelen geïnvesteerd in AI, met als doel ontwikkelaars te helpen bij ingebedde systemen op basis van microcontrollers/microprocessors (STM32-serie) en sensoren (MEMS, ToF…) Snelle implementatie van AI-toepassingen. STMicroelectronics biedt een set AI-tools voor de STM32-serie en MEMS-sensoren die de machine learning core (MLC) integreren, wat de ontwikkelingscyclus kan versnellen en het getrainde AI-model (STM32Cube.AI) kan optimaliseren.
Als algemene technologie heeft kunstmatige intelligentie op veel gebieden opmerkelijke prestaties geleverd. Wij geloven dat steeds meer slimme eindapparaten een directere en positievere impact zullen hebben op het menselijk leven.
3. Snelle implementatie van AI-toepassingen via het ecosysteem van STMicroelectronics
STMicroelectronics biedt een ecosysteem van hardware en software om snel en eenvoudig verschillende Deep Edge AI-algoritmen voor sensoren en microcontrollers te ontwikkelen.
De machine learning in de MEMS sensor ecosysteem helpt ontwerpers AI aan de rand te gebruiken om gebaren, activiteitsherkenning, anomaliedetectie, enz.
Daarom kunnen ontwikkelaars van IoT-oplossingen elk van onze sensoren (ingebed met machine learning-kern) inzetten in de rapid prototyping-omgeving om snel ultra-low-power toepassingen te ontwikkelen met behulp van UNICO-GUI-tools.
Met het ingebouwde low-power sensorontwerp, geavanceerde AI-gebeurtenisdetectie, ontwaaklogica en real-time edge computing-functies, vermindert de MLC in de sensor de hoeveelheid systeemgegevensoverdracht aanzienlijk en vermindert de belasting van netwerkverwerking.
Als ontwikkelaars besluiten een oplossing te ontwikkelen op basis van de kern van machine learning in de sensor, hebben ze een nieuwe set methoden nodig om hun applicaties te publiceren.
Als u een algoritme voor machine learning wilt maken, is het uitgangspunt de gegevens en de definitie van de klasse (gebruikt om het complexe probleem te beschrijven dat moet worden opgelost). U kunt vijf stappen volgen om AI-toepassingen in de sensor te maken en uit te voeren. UNICO-GUI is een grafische gebruikersinterface die alle vijf stappen kan ondersteunen, inclusief het genereren van een beslissingsboom.
Om ontwikkelaars in staat te stellen snel getrainde AI-modellen in te zetten voor STM32, hebben we een gebruiksvriendelijke en efficiënte tool ontwikkeld: STM32Cube.AI (ook bekend als X-CUBE-AI). X-CUBE-AI kan het getrainde neurale netwerk analyseren en omzetten in geoptimaliseerde C-taalcode en automatisch testen tegen STM32-doelen. Natuurlijk is X-CUBE-AI een zeer krachtige tool en in volgende artikelen zullen meer functies worden geïntroduceerd.
Om te laten zien hoe verschillende AI-applicaties rechtstreeks op STM32 kunnen draaien en het ontwikkelings-, verificatie- en implementatieproces van STM32 embedded ontwikkelaars kunnen versnellen, biedt STMicroelectronics veel AI-applicaties als referentie.
Ontwikkelaars kunnen secundaire ontwikkeling uitvoeren op basis van deze ingebedde AI-applicatiesoftwarepakketten om de implementatie van aangepaste modellen snel te implementeren.
Meer details zullen in volgende artikelen worden geïntroduceerd.
AI-ontwikkeltools en ingebedde applicatiesoftwarepakketten worden als volgt samengevat
Ingesloten software
Waar STM32 is, is Deep Edge AI.
Alle MCU's van STM32 ondersteunen de inzet van AI-modellen. Voor MCU's met een lage rekenkracht worden machine learning-algoritmen (ML) ondersteund. Voor MCU's met hogere rekenkracht worden ook neurale netwerkmodellen (DL) ondersteund.
De lijst met evaluatieborden die de toepassingsvoorbeelden kunnen uitvoeren, wordt hieronder samengevat.
Productevaluatietool
4. Wilt u meer informatie?
We zullen een reeks artikelen publiceren waarin de resultaten van de inspanningen van STMicroelectronics op het gebied van Deep Edge AI worden beschreven.
U bent van harte welkom om in de opmerkingen uit te leggen wat u wilt weten over STMicroelectronics AI, en we zullen u meer opwindende inhoud presenteren.