建构以数据持续驱动、落地验证为循环的智能终端应用

2021/12/02 - DIGITIMES企划

人工智能(AI)与物联网(IoT)技术推升大量智能终端装置的问世，并成功发展多样化的落地应用，让数据加值的服务呈现爆炸式成长，带动更多科技创新与独特商业模式，这个趋势引领AIoT时代的诞生，以往用在云端数据中心的人工智能技术，也逐渐朝向终端装置布署，鉴于这些以微控制器(MCU)为主要运算单元的小型化装置，在有限的运算与储存资源条件下，执行庞大的AI演算法实在力有未逮，一种称为tinyML的小型化机器学习技术浪潮与商机，正悄悄地尝试改变这个生态系统。

阳明交通大学电子工程学系教授李镇宜，受DIGITIMES邀请以「智能终端装置如何迎接tinyML浪潮」为题做一个深入的科技导览，探讨结合MCU与tinyML技术加速落地应用的案例，以争取更多新兴市场商机。新兴物联网装置已经具备能够以极低功耗执行传感的功能，通常耗电也仅有mW(毫瓦特)以下范围，搭配电池做为供电，以及加上诸如常时启动(Always On)的应用，有些用小巧的钮扣电池甚至也能具备5~10年的续航力，提供多面向的使用范例。

李镇宜率先引用智能制造的范例，透过智能读表(Automatic Gauge Reader；AGR)技术，做为机台数据的自动收集系统并加以分析，其使用在传统制造业的场域中，利用摄像机拍摄传统探针式电表的影像，利用从tinyML训练的小型AI演算法来识别电表的数值，再整合到智能平台以启动大数据分析等后续服务。

第二个范例是用在穿戴式装置的应用，这些专司蒐集生理信号量测的贴身小装置，成为移动照护应用的一环，由于使用环境的差异，对于容易产生背景杂讯的应用领域往往影响准确性，于是利用小型AI工具做为智能杂讯消除的用途，以强化数据收集的品质与可用性，成为医疗照护团队一个有效的参考数据，并启动未来智能医疗应用的商机。

第三个范例是智能视觉，可以用做非接触式的监控，或是生理信号量测之用，涵盖诸如人脸侦测与识别的使用范例，逐渐成为一个快速发展的应用领域，做为智能的门禁，甚至整合到未来的智能医疗领域，举凡线上心率侦测等用途，皆具备非常广泛的商用化潜能，台湾甚至有银行利用脸部识别帮客户做身份认证，做为防止洗钱的查证。

一般来说，以ARM Cortex-M系列MCU为主的装置，用在智能传感器的应用，诸如传感声音、振动、温湿度的范例都已经有实际成果，使用ARM Cortex-M0或Cortex-M3的MCU就能有令人满意的效果；而智能影像传感器等应用，考虑到影像数据大小与存储器需求，要完成影像分类及物件侦测工作，则需要用到Cortex-M4与Cortex-M7等级的芯片；若是规格更高的应用，则Cortex-A、Cortex-R或甚至FPGA的硬件组合，都不在话下。

TinyML训练需要考虑有效的数据蒐集，以做为模型训练之用，当然新的模型也会不断需要持续优化，都会牵涉到最后实际应用的效果。目前研究单位与学术机构正在与零售业等产业寻求合作的契机，因为还是需要同步做商业应用的验证，才能找到获得实际场域认可的优化演算法，达到可以商品化的可能。AIoT所处环境与场景非常多元，未来仍需要启动一个可以持续学习，或使用少量数据即可快速学习的能力，才有全面普及化的机会。

[video=www.youtube.com/watch?v=c8pCCqmascw]


图说：阳明交通大学电子工程学系教授李镇宜。DIGITIMES