Seuraava artikkeli auttaa sinua: Laitteistokiihdyttimet Perception AI:n maailmassa
“Havaintojärjestelmät voidaan määritellä koneeksi tai Edge-laitteeksi, johon on upotettu edistynyt älykkyys, joka pystyy havaitsemaan ympäristönsä, ottamaan siitä merkityksellisiä abstraktioita ja sallimaan itsensä tehdä joitakin päätöksiä reaaliajassa”, sanoi Pradeep Sukumaran, VP. Tekoäly ja pilvi Ignitariumissa koneoppimisen kehittäjien huippukokouksessa (MLDS) hänen puheessaan “Havainto-AI-maailman laitteistokiihdyttimet”.
Havaintojärjestelmän tekoälyn avainkomponentteja ovat anturijärjestelmät, kuten kamera, Lidar, Radar ja mikrofoni.
Pradeep sanoo: “Kun tarkastellaan kustannus- ja tehoparametreja, ja nyt Deep Learningin, joka on ML:n osajoukko, ja erittäin mielenkiintoisten laitteistovaihtoehtojen saatavuuden myötä, tämä on mielestäni avannut Deep Learningin käytön. Joissakin tapauksissa perinteisiä signaalinkäsittelyalgoritmeja, jotka menevät paljon pidemmälle kuin aiemmin tehtiin, on joissain tapauksissa prosessoitavan datamäärän suhteen täysin korvattu, ja joissain tapauksissa myös perinteistä signaalinkäsittelyä ja Deep Learningiä on yhdistetty.
Perception AI: Käyttötapaukset
Autoteollisuus ja Robotiikka
Anturit ohjaavat kuorma-auton lähteestä määränpäähän kuljetusalalla omistetuilla teillä. On myös alempia loppukäyttötapauksia, kuten robotiikkaa, jota voidaan käyttää palveluissa tai toimituksissa, joissa robotit ymmärtävät ympäristöään sensoreiden avulla.
Ennakoiva huolto
Yritykset käyttävät moottoreihin kiinnitettyjä tärinäantureita ymmärtääkseen tiettyjä allekirjoituksia. Ja nämä tehdään tyypillisesti ESP-kuviontunnistuksen avulla, mutta nyt ne korvataan ML:llä ja Deep Learningillä, joita voidaan käyttää pienitehoisilla laitteistoilla.
Valvonta
Valvonta tehdään Deep Learning -yhdistelmällä, ja se on erikoistunut laitteistoon multimodaalisiin käyttötapauksiin. Nyt on olemassa useita antureita, joissa on yhdistetty ääni ja kuva, jotka yrittävät saada tietoa ympäristöstä. 2D-kameroita, joissa on 3D LiDARS, voidaan käyttää risteyksissä ajoneuvojen ja jalankulkijoiden liikkeen tarkkailuun. Joskus 2D-kamerat jäävät näkemättä useista kuvista johtuen liiallisesta valosta tai sateesta tai ympäristöolosuhteista, jotka haittaavat tavallisten kameroiden käyttöä. 3D LiDAR voi itse asiassa havaita esineitä tällaisissa olosuhteissa ja käyttää näiden kahden yhdistelmää saadakseen liikennekuvion älykkäämpää liikenteenhallintajärjestelmää varten.
Lääketieteelliset laitteet
Lääketieteessä käytetään myös Deep Learningiä ja FPGA:ta erityisesti älykirurgiaan, älykkäisiin kirurgisiin laitteisiin jne.
Edge AI
Yleiskäyttöiset laitteistot, kuten CPU, DSP, GPU, on kiinnitetty DNN Engineen.
Syväoppimismallit vaativat tietyn laitteiston toimiakseen tehokkaasti. Näitä kutsutaan DNN-moottoreiksi. Joten he kiinnittävät nämä prosessoreihin, DSP:ihin ja GPU:ihin, jolloin prosessorit voivat periaatteessa siirtää osan työstä näihin moottoreihin, jotka on tiiviisti kytketty samaan siruun. Yleiskäyttöinen laitteisto on nyt muuttumassa, ja se on viritetty tekoälylle.
FPGA:t ovat ohjelmoitavia laitteita, ja FPGA:ta tarjoavat yritykset haluavat mahdollistaa tekoälyn tärkeimmissä sovelluksissaan eri toimialoilla. He haluavat saada korkean suorituskyvyn pienellä teholla, jossa voit kirjoittaa koodin, polttaa sen FPGA:ssa ja suunnitella sen kentällä. Kompromissi on ohjelmistokehittäjäystävällisyyden puute. Kehittäjien on käytettävä laitteistoa neuroverkkojen toteuttamiseen. Yritykset kuitenkin rakentavat työkaluja ja SDK:ita, jotka helpottavat sitä, mutta matkaa on silti pitkä.
ASIC-piirit ovat periaatteessa sovelluskohtaisia integroituja piirejä, jotka on suunniteltu erityisesti tekoälyn työkuormille.
