恩智浦在边缘机器学习上加倍努力

互联网先驱罗伯特·梅特卡夫因以下几件事而闻名： 1970 年共同发明了以太网，1979 年共同创立了现在的电子制造商 3Com，并设计了一个被广泛引用的模型来表达电信网络的价值。被称为梅特卡夫定律的原理认为，电信网络的价值可以计算为联网设备数量的平方。尽管有人批评该原则助长了 1990 年代后期的互联网泡沫，但该原则继续被用来描述从物联网到社交媒体网络和加密货币的一切事物的价值。 2006 年，梅特卡夫本人承认，与摩尔定律不同的是，该原理并未经过“数值评估”，后者拥有数十年的广泛支持数据。 “梅特卡夫定律是一种愿景，”他写道。 “它主要适用于接近‘临界质量’的较小网络。而且由于难以量化‘连接’和‘价值’等概念，它在数字上被取消。”

Metcalfe 还承认，在达到某个阈值后，网络的价值可能会下降。 “谁没有从 Google 搜索中收到太多电子邮件或太多点击？”他问过。 “可能存在网络规模的不经济，最终随着规模的增加而降低价值。”

随着物联网市场的发展，Metcalfe 的评论指出需要通过最佳数据共享来释放价值，同时避免淹没在“数字废气”中。

[ 物联网世界 是将工业物联网从灵感到实施、推动业务和运营的活动。 立即获取门票。 ]

恩智浦微控制器部门高级副总裁兼总经理 Geoff Lees 表示：“我们正在克服这一障碍，即连接的设备越多，进入网络的未过滤数据就越多。” “我们发现了一个基本思想，即功率——网络的经济价值与网络上设备数量的平方成正比——梅特卡夫定律，”Lees 继续说道。但是，除非网络中的所有设备都能够安全地共享数据，否则“我们真的无法获得网络的全部价值。”虽然云通常是数据处理的方便位置，但将物联网传输到远程位置并不总是可行或不可能的。 “我们发现工业和汽车领域还有更多应用程序实际上从未打算将数据上传到云端，”恩智浦 AI 主管 Markus Levy 说。

恩智浦针对该问题的解决方案称为边缘智能环境 (eIQ)，是一种机器学习工具包，可以适应来自物联网网络的传感器刺激。 eIQ 为 TensorFlow Lite 和 Caffe2 以及其他神经网络框架和机器学习算法提供支持。 eIQ 采用边缘机器学习的概念，并将其应用于针对语音、视觉、异常检测等的用例。 “通过在边缘安装推理模型，我们本质上是在聚合网络知识和网络获取的数据价值，”Lees 说。为支持这一目标，恩智浦承诺通过每一代半导体技术逐步提高边缘处理性能，同时帮助满足客户对安全性、数据处理和本地存储不断增长的需求。 “在过去的几年里，我们真的从连接故事发展到如何提高边缘处理能力，”Lees 说。 “我们称之为：‘安全、感知和连接。’”

eIQ 应用的例子是使用计算机视觉来检测工业工人是否戴头盔、错误地操作机器或以其他方式做一些不受欢迎的事情。特别是对于安全相关的应用程序，将数据发送到云端并返回所导致的延迟是站不住脚的。

Levy 表示，恩智浦促进边缘机器学习的计划可以帮助恩智浦的客户实现显着的效率提升。 “我认为，作为半导体供应商，我们的工作是为我们的客户提供这种边缘计算/机器学习能力，并使他们能够轻松部署。”

该目标也适用于网络安全。恩智浦提供硬件和软件元素，旨在使安全或多或少即插即用。 “在机器学习方面，我们也在做同样的事情，”Levy 说。 “例如，我们可能会提供一本食谱，引导人们完成如何部署 TensorFlow 的步骤。 [我们的客户] 期待我们为他们解决这个问题，基本上将整个机器学习概念变成一种中间件。”

恩智浦嵌入式解决方案首席策略师 Gowri Chindalore 表示，机器学习采用的另一个障碍是成本。 Chindalore 说：“我们的许多客户实际上很难弄清楚他们必须承担多少系统成本才能提供某种用户体验。”一些供应商可能会推荐更高端的图形处理单元来支持机器学习应用程序。然而，它们的高成本可以说服一些实施者得出机器学习遥不可及的结论。

eIQ 使恩智浦客户能够输入他们想要满足的规范，例如推理时间，以计算适合应用程序的处理器类型。 “我们正在为您的公司构建成本最低的选项，以提供他们需要的东西，”Chindalore 说。

该公司还与数据分析公司合作，不仅开发可以改装到现有工业环境中的模块。 “石油钻井平台绝对是一个典型的例子，”钦达洛尔说。矿山是另一个例子。他补充说：“许多矿山需要内部监控以检测有毒气体和确保矿工安全。”此类应用需要边缘处理。

Lees 说，网络安全是将处理推向边缘的另一个考虑因素。 “你在云中集中保存的数据价值越大，攻击面就越大，对所有那些恶意黑客或组织的攻击价值就越大，”他解释说。这就是恩智浦为具有不同访问和授权技术及属性的分布式数据存储提供支持的原因。 “当你把它推向合乎逻辑的结论时，你开始意识到最终的分布是在边缘保留尽可能多的数据，”Lees 说。