AI (ปัญญาประดิษฐ์) เกิดจากการสัมมนาภาคฤดูร้อนที่วิทยาลัยดาร์ทเมาท์ เมื่อปี พ.ศ. 1956 โดยในการประชุมได้มีการเสนอคำว่า “ปัญญาประดิษฐ์” อย่างเป็นทางการเป็นครั้งแรก ความก้าวหน้าทางเทคโนโลยีในด้านพลังการประมวลผลได้ส่งเสริมการพัฒนาปัญญาประดิษฐ์ทีละอย่าง ในช่วงไม่กี่ปีที่ผ่านมา ด้วยความพร้อมใช้งานของข้อมูลขนาดใหญ่ที่เพิ่มมากขึ้น การพัฒนาปัญญาประดิษฐ์ระลอกที่สามได้มาถึงแล้ว ในปี 2015 อัลกอริธึมปัญญาประดิษฐ์ที่ใช้การเรียนรู้เชิงลึกแซงหน้ามนุษย์เป็นครั้งแรกในด้านความแม่นยำในการรู้จำภาพของการแข่งขัน ImageNet และปัญญาประดิษฐ์ได้ก้าวย่างก้าวย่างก้าวสำคัญบนเส้นทางการพัฒนา ด้วยความก้าวหน้าทางคอมพิวเตอร์วิทัศน์ เทคโนโลยี การวิจัย การเรียนรู้เชิงลึกประสบความสำเร็จอย่างมากในสาขาการวิจัยต่างๆ เช่น การรู้จำเสียงพูด และการประมวลผลภาษาธรรมชาติ ปัจจุบันปัญญาประดิษฐ์ได้แสดงให้เห็นศักยภาพที่ยิ่งใหญ่ในทุกด้านของชีวิต
เมื่อรวมกับขั้นตอนการพัฒนาเทคโนโลยีปัญญาประดิษฐ์แล้ว จะมีการอธิบายแนวคิดหลักบางประการดังนี้
AI: เทคโนโลยีทั้งหมดที่ช่วยให้สมองของคอมพิวเตอร์จำลองพฤติกรรมมนุษย์
การเรียนรู้ของเครื่อง: ชุดย่อยของปัญญาประดิษฐ์ (AI) อัลกอริทึมและวิธีการที่ปรับปรุงอย่างต่อเนื่องโดยการเรียนรู้จากข้อมูล
การเรียนรู้เชิงลึก: ชุดย่อยของการเรียนรู้ของเครื่อง (ML) โดยใช้โครงสร้างหลายชั้นที่จำลองโครงข่ายประสาทของสมองมนุษย์ ซึ่งเป็นอัลกอริธึมการเรียนรู้ที่รับข้อมูลอันมีค่าจากข้อมูลจำนวนมาก
2. พลังใหม่ของปัญญาประดิษฐ์ STMicroelectronics Deep Edge AI เกิดขึ้น
ปัจจุบันเทคโนโลยีปัญญาประดิษฐ์ส่วนใหญ่ใช้ในสถานการณ์คลาวด์เนื่องจากความต้องการพลังประมวลผล เนื่องจากข้อจำกัดของความล่าช้าในการรับส่งข้อมูลและปัจจัยอื่นๆ โซลูชันบนคลาวด์อาจไม่สามารถตอบสนองความต้องการของผู้ใช้บางรายในการรักษาความปลอดภัยข้อมูล การตอบสนองของระบบ ความเป็นส่วนตัว และการใช้พลังงานของโหนดในเครื่อง ในโซลูชันปัญญาประดิษฐ์แบบรวมศูนย์ อุปกรณ์ฝังตัว (ลำโพงอัจฉริยะ อุปกรณ์สวมใส่ได้ ฯลฯ) มักจะใช้เซิร์ฟเวอร์คลาวด์เพื่อให้บรรลุความสามารถของปัญญาประดิษฐ์ ในขณะที่ในโซลูชัน Deep Edge AI อุปกรณ์ฝังตัวสามารถเรียกใช้ปัญญาประดิษฐ์ในพื้นที่ได้ การรับรู้สภาพแวดล้อมแบบเรียลไทม์ ปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์ การควบคุมการตัดสินใจ และหน้าที่อื่นๆ
การย้ายกระบวนการให้เหตุผลไปใช้การประมวลผลเชิงลึกจะทำให้เกิดข้อดีบางประการ เช่น การตอบสนองของระบบ การปกป้องความเป็นส่วนตัวของข้อมูลผู้ใช้ที่ดีขึ้น (ไม่จำเป็นต้องส่งข้อมูลทั้งหมดไปยังคลาวด์ผ่านหลายระบบ) และต้นทุนการเชื่อมต่อที่ต่ำลงและการใช้พลังงาน
จากผลการวิจัยของ ABI การจัดส่งอุปกรณ์ Deep Edge AI ทั่วโลกจะสูงถึง 2.5 พันล้านเครื่องภายในปี 2030 STMicroelectronics สังเกตว่ามีชุมชนและระบบนิเวศรอบๆ เทคโนโลยี Deep Edge AI เพิ่มมากขึ้นเรื่อยๆ โดยมุ่งเน้นที่อิสระ ใช้พลังงานต่ำ และคุ้มค่า โซลูชั่นฝังตัว ในฐานะผู้สนับสนุนหลักของแนวโน้มนี้ STMicroelectronics ได้ลงทุนทรัพยากรจำนวนมากใน AI โดยมีเป้าหมายเพื่อช่วยนักพัฒนาในระบบฝังตัวที่ใช้ไมโครคอนโทรลเลอร์/ไมโครโปรเซสเซอร์ (STM32 ซีรีส์) และเซ็นเซอร์ (MEMS, ToF…) การปรับใช้แอปพลิเคชัน AI อย่างรวดเร็ว STMicroelectronics จัดเตรียมชุดเครื่องมือ AI สำหรับซีรี่ส์ STM32 และเซ็นเซอร์ MEMS ที่ผสานรวมแกนการเรียนรู้ของเครื่อง (MLC) ซึ่งสามารถเร่งวงจรการพัฒนาและเพิ่มประสิทธิภาพโมเดล AI ที่ผ่านการฝึกอบรม (STM32Cube.AI)
ในฐานะที่เป็นเทคโนโลยีทั่วไป ปัญญาประดิษฐ์ได้ประสบความสำเร็จอย่างมากในหลายสาขา เราเชื่อว่าอุปกรณ์ปลายทางที่ชาญฉลาดมากขึ้นเรื่อยๆ จะส่งผลโดยตรงและเป็นบวกต่อชีวิตมนุษย์มากขึ้น
3. การปรับใช้แอปพลิเคชัน AI อย่างรวดเร็วผ่านระบบนิเวศของ STMicroelectronics
STMicroelectronics จัดเตรียมระบบนิเวศของฮาร์ดแวร์และซอฟต์แวร์เพื่อช่วยให้พัฒนาอัลกอริธึม Deep Edge AI ที่หลากหลายสำหรับเซ็นเซอร์และไมโครคอนโทรลเลอร์ได้อย่างรวดเร็วและง่ายดาย
การเรียนรู้ของเครื่องใน MEMS เซ็นเซอร์ ระบบนิเวศช่วยให้นักออกแบบใช้ AI ที่ Edge เพื่อใช้ท่าทางสัมผัส การจดจำกิจกรรม การตรวจจับความผิดปกติ ฯลฯ ผ่านตัวแยกประเภทการตัดสินใจที่ทำงานบนเอ็นจิ้นเซนเซอร์ที่ฝังตัวที่เรียกว่า Machine Learning Core (MLC)
ดังนั้น นักพัฒนาโซลูชัน IoT จึงสามารถปรับใช้เซ็นเซอร์ใดๆ ของเรา (ฝังตัวกับแกนการเรียนรู้ของเครื่อง) ในสภาพแวดล้อมการสร้างต้นแบบอย่างรวดเร็วเพื่อพัฒนาแอปพลิเคชันที่ใช้พลังงานต่ำเป็นพิเศษได้อย่างรวดเร็วโดยใช้เครื่องมือ UNICO-GUI
ด้วยการออกแบบเซ็นเซอร์ที่ใช้พลังงานต่ำในตัว การตรวจจับเหตุการณ์ AI ขั้นสูง ลอจิกปลุก และฟังก์ชันการประมวลผลขอบแบบเรียลไทม์ MLC ในเซ็นเซอร์ช่วยลดปริมาณการรับส่งข้อมูลของระบบอย่างมาก และลดภาระในการประมวลผลเครือข่าย
หากนักพัฒนาตัดสินใจที่จะพัฒนาโซลูชันตามแกนหลักของการเรียนรู้ของเครื่องในเซ็นเซอร์ พวกเขาต้องการชุดวิธีการใหม่ในการเผยแพร่แอปพลิเคชันของตน
หากคุณต้องการสร้างอัลกอริธึมการเรียนรู้ของเครื่อง จุดเริ่มต้นคือข้อมูลและคำจำกัดความของคลาส (ใช้เพื่ออธิบายปัญหาที่ซับซ้อนที่ต้องแก้ไข) คุณสามารถทำตามห้าขั้นตอนเพื่อสร้างและเรียกใช้แอปพลิเคชัน AI ในเซ็นเซอร์ UNICO-GUI เป็นอินเทอร์เฟซผู้ใช้แบบกราฟิกที่สามารถรองรับทั้งห้าขั้นตอน รวมถึงการสร้างแผนผังการตัดสินใจ
เพื่ออำนวยความสะดวกให้นักพัฒนาปรับใช้โมเดล AI ที่ผ่านการฝึกอบรมอย่างรวดเร็วกับ STM32 เราจึงได้พัฒนาเครื่องมือที่ใช้งานง่ายและมีประสิทธิภาพ -STM32Cube.AI (หรือที่รู้จักในชื่อ X-CUBE-AI) X-CUBE-AI สามารถวิเคราะห์และแปลงโครงข่ายประสาทเทียมที่ผ่านการฝึกอบรมเป็นรหัสภาษา C ที่ปรับให้เหมาะสม และทดสอบกับเป้าหมาย STM32 โดยอัตโนมัติ แน่นอนว่า X-CUBE-AI เป็นเครื่องมือที่ทรงพลังมาก และจะแนะนำฟีเจอร์เพิ่มเติมในบทความต่อๆ ไป
เพื่อแสดงให้เห็นว่าแอปพลิเคชัน AI ต่างๆ สามารถทำงานโดยตรงบน STM32 และเพิ่มความเร็วในกระบวนการพัฒนา ตรวจสอบ และปรับใช้ของนักพัฒนาซอฟต์แวร์ฝังตัว STM32 ได้อย่างไร STMicroelectronics ได้จัดเตรียมแอปพลิเคชัน AI จำนวนมากไว้เป็นข้อมูลอ้างอิง
นักพัฒนาสามารถดำเนินการพัฒนารองตามแพ็คเกจซอฟต์แวร์แอปพลิเคชัน AI ที่ฝังตัวเหล่านี้ เพื่อปรับใช้การปรับใช้โมเดลที่กำหนดเองได้อย่างรวดเร็ว
รายละเอียดเพิ่มเติมจะแนะนำในบทความต่อๆ ไป
เครื่องมือพัฒนา AI และแพ็คเกจซอฟต์แวร์แอพพลิเคชั่นฝังตัว สรุปได้ดังนี้
ซอฟต์แวร์ฝังตัว
ที่ใดมี STM32 ที่นั่นย่อมมี Deep Edge AI
MCU ทั้งหมดของ STM32 รองรับการปรับใช้โมเดล AI สำหรับ MCU ที่มีกำลังประมวลผลต่ำ จะรองรับอัลกอริธึมการเรียนรู้ของเครื่อง (ML) สำหรับ MCU ที่มีกำลังประมวลผลสูงกว่า โมเดลโครงข่ายประสาทเทียม (DL) ก็ได้รับการรองรับเช่นกัน
รายชื่อบอร์ดประเมินผลที่สามารถเรียกใช้ตัวอย่างแอปพลิเคชันได้สรุปไว้ด้านล่าง
เครื่องมือประเมินผลิตภัณฑ์
4. ต้องการรายละเอียดเพิ่มเติมหรือไม่?
เราจะเผยแพร่ชุดบทความที่มีรายละเอียดเกี่ยวกับผลงานของ STMicroelectronics ในด้าน Deep Edge AI
คุณสามารถอธิบายสิ่งที่คุณต้องการทราบเกี่ยวกับ STMicroelectronics AI ได้ในความคิดเห็น แล้วเราจะนำเสนอเนื้อหาที่น่าตื่นเต้นให้คุณทราบ