Tinyml加速转向现代边缘数据管理

什么是微小的机器学习？如果你还没有听说过它，你会。微小的机器学习是一组机器学习库，可以在32位微控制器上运行并占据非常小的内存。越来越多地，32位微控制器如此便宜，以便将它们嵌入到一系列传感器，米或作为前端哨兵以进行更多复杂的设备是常见的。

因此，该技术针对非常低的功率IOT应用程序，可用于确定何时向上启动或电源更复杂，电源饥饿的设备。投资本技术的公司和部门包括ARM，Google和Tensorflow，以及其他其他组织及其专家在机器学习和嵌入式计算空间。

那么，这项技术如何与边缘交互？当组织寻求制作时，微小的机器学习（Tinyml）将在更复杂的设备和网关中推动现代边缘数据管理的需求复杂的AI应用程序研究边缘计算设备。尽管TinyML并不需要现代的边缘数据管理，但当它被部署在智能电表、传感器网格上，或者作为更复杂设备的前端哨兵时，需求就会显现出来。

在描述现代边缘数据管理时，该定义主要集中在具有64位处理器(mpu)的平台上，这些处理器具有兆字节的片上内存和千兆字节的闪存或其他辅助存储。这些64位系统支持智能手机，监控摄像头和10博官网物联网网关许多智能手机已经由数十亿台设备组成。

这些设备最初使用的是32位微控制器(mcu)。但是，随着设备操作变得网络化，变得更加复杂，并能够利用更丰富的底层计算资源，32位mcu已经让位给64位mpu。因此，TinyML可以在数以万亿计的设备中找到，其数量级超过64位物联网系统。问题是，TinyML在边缘数据管理方面如何影响移动和物联网平台?

Tinyml驱动更多边缘数据管理

处理元数据以及监视和管理那些下游32位设备将在边缘和云中的复杂设备和网关中作为共享任务执行。反过来，边缘数据管理需要本地设备上的持久数据管理，以及对跨边界共享的数据进行操作和分析。让我们回顾一些真实世界的例子，使之更具体。

重要的是要理解，在单个系统中，可能有不同级别的技术同时存在，比如64位mpu和32位mcu。例如，考虑一辆智能汽车:虽然主CPU是64位微处理器，但有几个32位和16位微处理器管理一切，从轮胎压力监测系统到混合动力或全电动汽车的每个电池的电源管理。在自动驾驶汽车中，甚至可能有多个微处理器支持多个微处理器。如果这听起来有点牵强，请记住，大多数中档福特车型的每辆车都有几十个mcu。如果你有分析特定功能的微处理器，那么下一个逻辑步骤就是使用能够进行更复杂分析和下游设备管理的微处理器，这两者在我们达到特斯拉的水平之前就会发挥作用。

听起来很合理，但让我们更深入地了解这个问题。我最近看到的一个很好的例子是由Peter Warden提供的，他是谷歌的TensorFlow Lite和TinyML的传播者，在最近的ARM会议上。在最近的一次测试语音识别使用深度学习技术和仅占用19 KB的32位ARM MCU，该设备能够在极低的功耗下运行，并识别某些命令字，如wake up。

为机器视觉提供稍大的 - 但仍然小型机器学习常规，设备可以执行手势识别。本身，这并不是很有用。但是，如果您将其与本地逻辑合并，以便为系统的其余部分供电并伴随MPU，以及使用强大的语音识别和机器视觉，您可以看到基于MPU的功能如何充分利用下游TinyM1和支持MCU功能。

当然，在接收所有这些信息时，无论是通过语音还是手势识别，这些物联网和移动设备都必须能够快速有效地分析、确定并执行所需的行动。这就是数据管理发挥作用的地方。

数据管理在IOT设备支持TinyML中的作用

从基于mpu的移动设备或物联网设备到运行TinyML的基于mcu的设备的数据管理支持可以采取几种形式。TinyML算法的初始训练在后端实验室完成，但是，一旦部署，将存储本地持久数据并用于进一步调整实际最终用户的特定语音模式的算法。

这意味着需要边缘数据管理来支持本地计算机学习推断。此外，边缘数据管理将有助于更新到部署的推理例程以及设备管理中涉及的任何其他代码。基本上，边缘数据管理可以通过在横跨语音和手势识别的更广泛的深度学习例程中运行更广泛的深度学习惯例来了解误报的概率，以提高唤醒命令和准确性。另外，它可以执行预测性维护，包括存储在MPU中的Q特定设备上的模式基线数据。

在一天结束时，Tinyml的应用是无穷无尽的，超越简单地推动智能助理和智能汽车。随着对人机过程进行评估，我们将在智能农业，智能交通，环境监测和绿色建筑等行业中看到众多新用例。

所有IOT议程网络贡献者负责其帖子的内容和准确性。意见是作者，不一定能够传达物联盟议程的思想。