למידת מכונה בקצה

הצורך של היום ב- AI ו- ML

בינה מלאכותית (AI) ולמידת מכונה (ML) משמשות ביישומים רבים, בתעשיות מגוונות כמו נסיעות, בנקאות ושירותים פיננסיים, ייצור, טכנולוגיית מזון, בריאות, לוגיסטיקה, תחבורה, בידור ועוד רבים.

אחד היישומים הידועים הוא בנהיגה אוטונומית, שבה המכונית יכולה להשתמש בלמידת מכונה כדי לזהות מחסומים, הולכי רגל ומכוניות אחרות. שימושים אחרים כוללים חיזוי או גילוי מחלות ובדיקת מעגלים.

מה מאיץ את פריסת הבינה המלאכותית?

אחד הגורמים המרכזיים המאיצים את פריסת AI ו- ML הוא הגידול בכוח המחשוב המאפשר לבצע חישובים מתמטיים מורכבים בקלות ובמהירות.

יש גם מספר גדל והולך של אלגוריתמים המסייעים ביצירת מודלים והופכים את הסקת הנתונים לקלה ומהירה יותר. גם ממשלות וחברות משקיעות רבות בתחום זה.

כלי AI/ML המסייעים למדעני נתונים שאינם מדעני נתונים להבין, ליצור ולפרוס מודלים בקלות הם מרכיב חיוני והם כיום יותר ויותר זמינים ונגישים.

למרות שבניית מודלים תיעשה בענן, על מכונות בעלות ביצועים גבוהים, לעתים קרובות נרצה לבצע את ההסקה באופן מקומי. יש לכך מספר יתרונות, כולל אבטחה נוספת מכיוון שאיננו מתקשרים עם העולם החיצוני. פעולה מקומית פירושה שאנחנו לא צורכים רוחב פס ולא משלמים כסף נוסף כדי לשלוח את הנתונים לענן ואז לקבל את התוצאות בחזרה.

חלק מהיתרונות של ביצוע הסקה בקצה כוללים:

• הפעלה בזמן אמת/תגובה מיידית
  • השהיה נמוכה, פעולה בטיחותית
• עלות מופחתת
  • ניצול יעיל של רוחב הפס ברשת, פחות תקשורת
• פעולה אמינה עם קישוריות לסירוגין
• חוויית משתמש משופרת ללקוחות
  • זמן תגובה מהיר יותר
• פרטיות ואבטחת מידע
  • פחות נתונים להעברה מובילים לפרטיות מוגברת
• צריכת חשמל נמוכה יותר
  • אין צורך בתקשורת מהירה
• למידה מקומית
  • ביצועים טובים יותר על ידי הפיכת כל מוצר ללמוד לבד

השהיה היא מניע טוב לביצוע הסקה מקומית מכיוון שאיננו מחכים שהמידע יישלח והתוצאות יישלחו בחזרה. הקצה יכול לעזור למשתמשים על ידי העברת למידת מכונה ממכונות בעלות ביצועים גבוהים למיקרו – בקרים מתקדמים ויחידות מיקרו – מעבד יוקרתיות.

מהי בינה מלאכותית ולמידת מכונה?

הבינה המלאכותית הומצאה בשנות החמישים. בעיקרו של דבר, AI מחליף את הליך התכנות על ידי פיתוח אלגוריתמים המבוססים על הנתונים, במקום השיטה הישנה של כתיבתם באופן ידני. למידת מכונה היא תת-קבוצה של בינה מלאכותית, שבה המכונה מנסה לחלץ ידע מהנתונים. אנו מספקים למכונה נתונים מוכנים ולאחר מכן מבקשים ממנה להמציא אלגוריתם שיעזור לחזות את התוצאות עבור סט חדש ורענן של נתונים.

ML מבוססת על מה שאנו מכנים ‘למידה בפיקוח ‘. בטכניקה זו, הנתונים מסומנים, והתוצאות מבוססות על סימון זה – אנו גם בונים את המודל המבוסס על סימון זה. טכניקה נוספת היא למידה עמוקה, שעובדת על אלגוריתמים מורכבים יותר, שבהם הנתונים אינם מתויגים. נעסוק בעיקר בלמידה מפוקחת עבור הקצה במאמר זה.

האלמנט הבסיסי של ML הוא הרשת העצבית, המורכבת משכבות של צמתים, שלכל צומת יש חיבור לקלטים או לשכבות הבאות. ישנם מספר סוגים של רשתות עצביות. ככל שנעבור מלמידת מכונה ללמידה עמוקה, כך נראה יותר רשתות מורכבות. למידה עמוקה משלבת גם כמה מנגנוני משוב, בעוד שלמודלים פשוטים של ML יש פעולות קדימה פשוטות, הנעות מהנתונים לפלט או לתוצאה.

איך “מאמנים” מכונה?

השלב הראשון הוא איסוף נתונים. ככל שאנו מתמקדים בלמידה מפוקחת, אנו אוספים נתונים מסומנים, כך שניתן למצוא דפוסים בצורה נכונה. איכות הנתונים תקבע את מידת הדיוק של המודל. אנחנו צריכים להרכיב אותו ולהפוך אותו לאקראי, שכן, אם הוא מאורגן מדי, מודלים לא ייווצרו כראוי, ואנחנו יכולים בלהישאר בסופו של דבר עם אלגוריתמים גרועים.

השלב השני הוא לנקות ולהסיר את הנתונים הלא רצויים. יש להסיר כל קבוצה שבה חסרים עתידים מסוימים. יש להסיר גם מדינות שבהן הנתונים אינם נחוצים או מצבים שבדרך כלל אינם ידועים. לאחר מכן יש להפריד את הנתונים לשני חלקים, אחד לאימון והשני לבדיקה.

השלב השלישי הוא אימון האלגוריתם. זה מחולק לשלושה שלבים. השלב הראשון הוא לבחור את אלגוריתם הסיווג של למידת מכונה. כמה מהם זמינים ומתאימים לסוגים שונים של נתונים. דוגמה לאלגוריתם סיווג למידת מכונה הוא:

• בונסאי
• אנסמבל עץ ההחלטה
• אנסמבל עץ מחוזק
• TensorFlow Lite עבור מיקרו-בקרים
• PME

חשוב לבחור את הרכב המודל הנכון מכיוון שזה קובע את הפלט שתקבל לאחר הפעלת אלגוריתם ML על הנתונים שנאספו. זה עשוי לדרוש כמה מיומנויות של מדען נתונים, אבל יכול גם להישאר למנוע אוטומטי המסופק על ידי מספר כלים ליצירת מודלים.

תת – השלב השני הוא פעולת הכשרת הדגם, המורכבת מהפעלת מספר איטרציות לשיפור משקלי השכבות השונות ולדיוק הכולל של הדגם.

לאחר מכן עלינו להעריך את המודל, אשר נעשה על ידי בדיקת המודל עם קבוצת משנה של נתונים. זה שכבר שמרנו לבדיקות ולהערכה בעתיד. מערך נתונים זה אינו ידוע לדגם. לאחר מכן נוכל להשוות את פלט הדגם לתוצאות הידועות.

לאחר השלמת שלבים אלה, נוכל להשתמש במודל שנוצר ולאמת את התוצאות על ידי ביצוע הסקה על מטרות. הרעיון הוא לקחת את המודל בשטח, לספק לו כמה תשומות ולראות אם התוצאות נכונות.

תוכנה וכלים של מיקרו-שבב

Microchip שיתפה פעולה עם מספר חברות צד שלישי, כולל Edge Impulse, Motion Gestures ו – SensiML.

אנו תומכים גם במסגרות פופולריות כגון TensorFlow Lite למיקרו – בקרים, המהווה חלק ממסגרת Microchip Harmony. ניתן להשתמש ב – TensorFlow Lite כדי ליצור מודלים בכל תיקי השבבים של Microchip, למעט מכשירי 8 סיביות נכון להיום. מיקרו-בקרים ומיקרו-מעבדים של מיקרו-שבבים תואמים ותומכים ב-TensorFlow Lite. המיקרו – בקרים ותמיסות המיקרו – מעבדים של Microchip תומכים ביישומים רבים כגון חזון חכם מוטבע.הם גם מתאימים לתחזוקה חזויה המבוססת על רטט, מדידת הספק או ניטור קול. ניתן להשתמש בתיק השבבים בזיהוי מחוות, בשילוב עם יכולות מגע, יכול להקל על השליטה בממשקי מכונה אנושיים.

מיקרו-שבב מספק מתגי PCI בעלי ביצועים גבוהים המאפשרים חיבור בין מעבדים גרפיים ומסייעים באימון מודלים. איסוף נתונים יכול להיעשות באמצעות מיקרו-בקרים, יחידות מיקרו-מעבד, FPGA וחיישנים. הכל זמין בתיק שבבים.

אימות נתונים והסקת מסקנות יכולים להתבצע גם על מיקרו – בקרים, מיקרו – מעבדים או על FPGA. בסך הכל, פתרונות אלה מקלים על הטמעת ML באמצעות תיק השבבים.

כשמדובר בתוכנה, מרכז למידת מכונה שבב מכיל הוא מיקום נהדר שבו מוצגים הפתרונות העדכניים ביותר שלנו.

בנוסף למסגרת הרמוניה של שבבים התומכת במסגרות פופולריות, תוכנת למידת מכונה מסופקת הודות למספר שותפויות.

שותפות אחת היא עם Edge Impulse, שיש לה צינור TinyML מלא שבו אנו יכולים לאסוף את הנתונים, לבנות את המודל ולפרוס אותו. שותף זה משתמש ב – TensorFlow Lite למיקרו – בקרים. אחד היתרונות הגדולים ביותר כאן הוא שהקוד של Edge Impulse הוא קוד פתוח לחלוטין וללא תמלוגים.

שותף נוסף הוא Motion Gestures, המתמחה בזיהוי מחוות וניתן להשתמש בו לבניית ממשקי מכונה אנושיים. כלי זה יכול לעזור ליצור ולפרוס מחוות תוך דקות, ולקצר את זמן פיתוח התוכנה – הוא גם מפיק תוצאות משביעות רצון עבור זיהוי מחוות שהתקרבו ל -100% זיהוי בבדיקות החוצה.

ישנן שתי דרכים להשתמש בכלי זה, או עם מגע, הדרך הקלאסית, או תנועה, באמצעות חיישני IMU מסוימים.

איך מתחילים

Microchip מציע מספר ערכות כדי להתחיל מפתחים ב – AI ו – ML. בצד המיקרו-בקרים, ערכת הערכת למידת מכונה SAMD21 ML, SAMD21 עם חיישן TDK. גרסה אחרת משתמשת ב – Bosch AMU.

בצד מחוות התנועה, יש לנו הדגמה עם SAMC21 Xplained Pro בתוספת משטח מגע QTouch, אחד הכלים שבעזרתם תוכלו להתחיל ליישם את יישום זיהוי מחוות ML שלכם.

ה- IGaT הוא לוח גרפיקה ומגע המשתמש גם ב- ML, עם קושחה מוכנה מהקופסה הכוללת את הדגמת זיהוי המחוות בנוסף להדגמות רבות אחרות עבור מכוניות, בית, בידור ואחרים.

Adafruit EdgeBadge – TensorFlow Lite עבור מיקרו- בקרים היא ערכה נוספת המשתמשת ישירות ב-TensorFlow Lite.

יש לו תצוגת TFT בגודל 2 אינץ ‘. EdgeBadge יכול לשמש את קהילת הארדואינו. מספר דוגמאות מסופקות כגון Sine Wave Demo, Gesture Demo ו – Micro Speech Demo.

בצד הגבוה, ערכת הווידאו PolareFire כוללת ממשק מצלמה כפול, ממשק MIPI, ממשק HDMI, ומגיעה עם 2GB DDR, 4 SDRAM, ממשק USB2UART ופלאש SPI של 1GB.

מוכנה לשימוש, ערכה זו מספקת הדגמה לזיהוי אובייקטים באמצעות מודל ML או מבוסס עליו.

למידע נוסף: https://www.microchip.com/en-us/education/developer-help/learn-solutions/machine-learning

---