Раскрытие потенциала систем Интернета вещей: роль глубокого обучения и искусственного интеллекта
Интернет вещей (IoT), сеть взаимосвязанных устройств, оснащенных датчиками и программным обеспечением, произвел революцию в том, как мы взаимодействуем с окружающим миром, предоставив нам возможность собирать и анализировать данные, как никогда раньше.
По мере развития технологий и их доступности все больше объектов оснащаются возможностями подключения и датчиками, что делает их частью экосистемы Интернета вещей. Ожидается, что к 2027 году число активных систем Интернета вещей достигнет 29,7 миллиардов, что означает значительный рост по сравнению с 3,6 миллиарда устройств, зарегистрированных в 2015 году. Этот экспоненциальный рост требует огромного спроса на решения для смягчения проблем безопасности и вычислительных задач приложений Интернета вещей. В частности, промышленный Интернет вещей, автомобили и умные дома — это три основные области с особыми требованиями, но у них есть общая потребность в эффективных системах Интернета вещей, обеспечивающих оптимальную функциональность и производительность.
Повысить эффективность систем Интернета вещей и раскрыть их потенциал можно с помощью искусственного интеллекта (ИИ), создавая архитектуры AIoT. Используя сложные алгоритмы и методы машинного обучения, ИИ позволяет системам Интернета вещей принимать разумные решения, обрабатывать огромные объемы данных и извлекать ценную информацию. Например, эта интеграция способствует оптимизации операций в промышленном Интернете вещей, упрощает создание современных автономных транспортных средств и предлагает интеллектуальное управление энергопотреблением и персонализированный опыт в умных домах.
Среди различных алгоритмов искусственного интеллекта глубокое обучение, использующее искусственные нейронные сети, очень подходит для систем Интернета вещей по нескольким причинам. Одной из основных причин является его способность автоматически изучать и извлекать функции из необработанных данных датчиков. Это особенно ценно в приложениях Интернета вещей, где данные могут быть неструктурированными, зашумленными или иметь сложные взаимосвязи. Кроме того, глубокое обучение позволяет приложениям Интернета вещей эффективно обрабатывать данные в режиме реального времени и потоковые данные. Эта способность обеспечивает непрерывный анализ и принятие решений, что имеет решающее значение в чувствительных ко времени приложениях, таких как мониторинг в реальном времени, профилактическое обслуживание или автономные системы управления.
Несмотря на многочисленные преимущества глубокого обучения для систем Интернета вещей, его реализация имеет присущие ему проблемы, такие как эффективность и безопасность, которые необходимо решить, чтобы полностью использовать его потенциал. ВэриЭэффективныйДписклзаработок вИнтернет вещей(ВЭДЛИоТ) призван решить эти проблемы.
Общий обзор различных компонентов VEDLIoT представлен на рис. 1. Интернет вещей интегрирован с глубоким обучением в рамках проекта VEDLIoT для ускорения приложений и оптимизации энергоэффективности Интернета вещей. ВЭДЛИоТ достигает этих целей за счет использования нескольких ключевых компонентов:
VEDLIoT концентрируется на некоторых вариантах использования, таких как методы взаимодействия, ориентированные на спрос, в умных домах (см. рис. 2), промышленные приложения IoT, такие как классификация состояния двигателя и обнаружение дуги, а также система автоматического экстренного торможения пешеходов (PAEB) в автомобильном секторе (см. рис. 2). см. рис. 3). VEDLIoT систематически оптимизирует такие варианты использования, используя подход «снизу вверх», применяя методы проектирования требований и проверки, как показано на рис. 1. Проект объединяет знания экспертного уровня из различных областей для создания надежного промежуточного программного обеспечения, которое облегчает разработку посредством тестирования, сравнительного анализа, и среды развертывания, что в конечном итоге обеспечивает оптимизацию и эффективность алгоритмов глубокого обучения в системах Интернета вещей. В следующих разделах мы кратко представляем каждый компонент проекта VEDLIoT.
Доступны различные ускорители для широкого спектра приложений: от небольших встроенных систем с бюджетом мощности в милливаттном диапазоне до мощных облачных платформ. Эти ускорители делятся на три основные группы в зависимости от их пиковых значений производительности, как показано на рис. 4.
Первая группа — это категория сверхнизкого энергопотребления (< 3 Вт), которая состоит из энергоэффективных ядер типа микроконтроллера в сочетании с компактными ускорителями для конкретных функций глубокого обучения. Эти ускорители предназначены для приложений Интернета вещей и предлагают простые интерфейсы для легкой интеграции. Некоторые ускорители в этой категории оснащены интерфейсами камеры или аудио, позволяющими эффективно решать задачи обработки изображения или звука. Они могут иметь общий интерфейс USB, позволяющий им работать как устройства-ускорители, подключенные к хост-процессору. Эти ускорители со сверхнизким энергопотреблением идеально подходят для приложений Интернета вещей, где энергоэффективность и компактность являются ключевыми факторами, обеспечивая оптимальную производительность для задач глубокого обучения без чрезмерного энергопотребления.