用于邊緣設(shè)備的AI為設(shè)備制造商營造機(jī)會

Werner Goertz

摘要：在持續(xù)完善機(jī)器學(xué)習(xí)模型和訓(xùn)練過程中，各種個人設(shè)備（如：移動設(shè)備、汽車和物聯(lián)網(wǎng)）發(fā)揮著不可或缺的作用。著重闡述了個人設(shè)備在優(yōu)化深度學(xué)習(xí)架構(gòu)中發(fā)揮的關(guān)鍵作用。

傳統(tǒng)的機(jī)器學(xué)習(xí)包括兩個功能：訓(xùn)練和推理（運(yùn)行時間）。訓(xùn)練模型（參見圖1）通過對比真實(shí)事件（例如，捕捉圖像中的對象）實(shí)現(xiàn)持續(xù)改進(jìn)和完善。在傳統(tǒng)模型中，訓(xùn)練和推理完全在云中運(yùn)行（圖1中左側(cè)的垂直箭頭）。然而，這種模式最終會遇到可擴(kuò)展性問題，如：不可接受的延遲，依賴永遠(yuǎn)在線的帶寬和數(shù)據(jù)隱私問題等。因此，一種新的機(jī)器學(xué)習(xí)架構(gòu)正在興起，處于網(wǎng)絡(luò)邊緣的設(shè)備在機(jī)器學(xué)習(xí)中扮演一定角色，尤其是在推理（右側(cè)垂直箭頭所示）方面。

對于各種設(shè)備制造商而言，這種新的分布式架構(gòu)是很好的選擇。科技產(chǎn)品管理領(lǐng)導(dǎo)者必須了解這一新興趨勢，掌握能夠啟動設(shè)備，將推理放在邊緣上或設(shè)備中的組件和框架知識?，F(xiàn)在，制定路線圖成為了必要條件，它將本地Al（人工智能）處理和價值創(chuàng)造考慮到其中。下列設(shè)備將受益于新架構(gòu)結(jié)構(gòu)的開發(fā)，并成為設(shè)備層面的推理備選項(xiàng)：

●支持虛擬個人助理的揚(yáng)聲器（VPA-enabledspeakers） ；

●家庭網(wǎng)關(guān)（home gateways）；

●智能手機(jī)；

●平板電腦/個人電腦：

●家庭傳感器（Home sensors）。

在持續(xù)完善機(jī)器學(xué)習(xí)模型和訓(xùn)練過程中，各種個人設(shè)備（如：移動設(shè)備、汽車和物聯(lián)網(wǎng)）發(fā)揮著不可或缺的作用。

在本文中，我們著重闡了個人設(shè)備在優(yōu)化深度學(xué)習(xí)架構(gòu)中發(fā)揮的關(guān)鍵作用。

1 Al市場與分布式AI框架相融合

領(lǐng)先的Al框架組合已經(jīng)成形，并正在支持Al組件的無縫集成。這些框架包括：

●TensorFlow/TensorFlow Lite： TensorFlow是Google的開源工具和軟件庫，旨在加速機(jī)器學(xué)習(xí)應(yīng)用的開發(fā)過程。2017年5月，TensorFlow Lite在Google I/O上推出。

●Caffe： Caffe是加州大學(xué)伯克利分校開發(fā)的獨(dú)立框架。Caffe也是一種開源框架，由全球貢獻(xiàn)者網(wǎng)絡(luò)提供支持。

●MXNet：Nvidia和Amazon是MXNet背后的推動力。Amazon Web Services （AWS）的客戶對該開源框架推崇有加。

2 運(yùn)行中的邊緣Al

如今，技術(shù)供應(yīng)商，特別是在智能家居領(lǐng)域的供應(yīng)商都在面向邊緣Al的未來格局設(shè)計(jì)相關(guān)產(chǎn)品，而基于機(jī)器學(xué)習(xí)的智能數(shù)據(jù)分析就是不錯的開端。此類典型產(chǎn)品包括：

●聯(lián)網(wǎng)家庭中樞和Wi-Fi接入點(diǎn)的制造商Securifi已經(jīng)將其機(jī)器學(xué)習(xí)功能應(yīng)用于高端Almond路由器系列，“學(xué)習(xí)”聯(lián)網(wǎng)家庭設(shè)備的典型行為和流量模式：

●SpeecHmatics正在開發(fā)最終可以完全在設(shè)備上運(yùn)行的自然語言處理技術(shù)：

●Mojo Networks提供基于Al的工具以檢測Wi-Fi或有線網(wǎng)絡(luò)問題。

3 Al解決方案的開發(fā)需要個人設(shè)備供應(yīng)商考慮兩個發(fā)展階段

除了確定Al解決方案的使用目的，在評估Al解決方案的部署情況時，技術(shù)產(chǎn)品管理領(lǐng)導(dǎo)者必須考慮兩個關(guān)鍵的開發(fā)階段，具體如下。

3.1 開發(fā)和訓(xùn)練AI模型/神經(jīng)網(wǎng)絡(luò)

許多基于Al的項(xiàng)目利用基于數(shù)據(jù)中心的資源，開發(fā)和訓(xùn)練用戶與其個人設(shè)備互動的模型和神經(jīng)網(wǎng)絡(luò)，從而從Al解決方案中獲益。利用數(shù)據(jù)中心資源的原因在于神經(jīng)網(wǎng)絡(luò)的初始模型必須經(jīng)過訓(xùn)練和“提升”，才能承擔(dān)預(yù)期的特定任務(wù)，包括語音識別/響應(yīng)、語音翻譯或圖像識別。這通常要求模型能夠訪問大量的“已知”數(shù)據(jù)和運(yùn)行模型的連續(xù)迭代，來確保提供正確結(jié)果。訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要高性能的服務(wù)器驅(qū)動系統(tǒng)，該系統(tǒng)能夠?qū)崿F(xiàn)極高的數(shù)據(jù)吞吐量，以保證模型的多次迭代在可控時間段內(nèi)運(yùn)行。這些系統(tǒng)通?；诟咝阅躼86微處理器，并輔以一系列圖形處理器（GPU），來加速神經(jīng)網(wǎng)絡(luò)算法的高度并行元素。

在很大程度上，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的可靠性取決于訓(xùn)練網(wǎng)絡(luò)的已知優(yōu)良數(shù)據(jù)。這將要求設(shè)備供應(yīng)商的技術(shù)產(chǎn)品管理領(lǐng)導(dǎo)者評估目前哪些數(shù)據(jù)可用，或能夠訪問哪些數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)：在可用數(shù)據(jù)不足的情況下，可以授權(quán)第三方數(shù)據(jù)集，或獲得預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的訪問權(quán)限。使用預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以最大限度地減少對高性能服務(wù)器基礎(chǔ)架構(gòu)的投資，而在訓(xùn)練階段處理大型數(shù)據(jù)集離不開這些基礎(chǔ)架構(gòu)。

在開發(fā)和訓(xùn)練模型或神經(jīng)網(wǎng)絡(luò)之后，開發(fā)人員通常會優(yōu)化模型，以便在基于“未知”數(shù)據(jù)推斷新結(jié)果，即在供客戶使用之時，減少費(fèi)用和等待時間。

3.2 確定如何有效地為客戶部署Al解決方案

用于部署Al解決方案，根據(jù)未知數(shù)據(jù)推斷結(jié)果的選擇有多種：

（1）云端部署

對于許多開發(fā)人員而言，這將是很簡單的部署方案。開發(fā)人員能夠利用與開發(fā)神經(jīng)網(wǎng)絡(luò)相同的系統(tǒng)和技術(shù)，這些系統(tǒng)已經(jīng)成為許多云服務(wù)中的“標(biāo)準(zhǔn)”產(chǎn)品。

這種方法面臨的挑戰(zhàn)是大量原始數(shù)據(jù)必須傳遞到云端，以便神經(jīng)網(wǎng)絡(luò)做出響應(yīng)。這需要一個連續(xù)的高帶寬通信連接到云端，使用具有有線互聯(lián)網(wǎng)連接的設(shè)備，這一切將成為可能（例如智能家居設(shè)備和VPA）。然而，當(dāng)無法保證云端連接或帶寬有限時，此方法并不適用（例如蜂窩連接）。

另一個必須考慮的因素是云服務(wù)處理輸入數(shù)據(jù)，以及在合理時間內(nèi)做出響應(yīng)的能力，這就是所謂的延遲。人們對于在用戶心生不滿、轉(zhuǎn)而采用其它方法之前的合理系統(tǒng)響應(yīng)時間內(nèi)已開展了諸多研究。而且隨著Al系統(tǒng)被用于任務(wù)關(guān)鍵型/生命關(guān)鍵型決策，延遲將越來越重要（例如自主駕駛系統(tǒng)）。

在很多情況下，應(yīng)用程序延遲將是數(shù)據(jù)傳輸時間與神經(jīng)網(wǎng)絡(luò)原始執(zhí)行時間共同的結(jié)果。在任何時候，這兩種情況都會受到用戶數(shù)量的影響。在高峰期，網(wǎng)絡(luò)帶寬或云計(jì)算能力可能會限制性能。

（2）個人設(shè)備

通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)和優(yōu)化推理模型，運(yùn)行模型所需的處理資源一般遠(yuǎn)遠(yuǎn)少于訓(xùn)練階段所需的資源。這能夠使模型在更簡單的設(shè)備上運(yùn)行，如：FPGA、專用神經(jīng)網(wǎng)絡(luò)芯片，甚至今天許多個人設(shè)備中使用的Arm處理器內(nèi)核。

在個人設(shè)備中部署神經(jīng)網(wǎng)絡(luò)模型可以幫助開發(fā)人員解決依賴云服務(wù)造成的延遲和連接性挑戰(zhàn)。

然而，將神經(jīng)網(wǎng)絡(luò)模型迂至設(shè)備本身也存在挑戰(zhàn)。首先，個人設(shè)備必須有足夠的資源運(yùn)行神經(jīng)網(wǎng)絡(luò)模型和數(shù)據(jù)存儲，保存參考數(shù)據(jù)，使其能夠根據(jù)新的未知輸入推斷答案。

個人設(shè)備有各種設(shè)計(jì)限制。這些限制可能包括外形規(guī)格、電池壽命、功能性或大批量可制造性。因此，許多設(shè)備都采用定制AP（應(yīng)用處理器）設(shè)計(jì)，這些AP將設(shè)備的大部分功能集成到單個芯片上。定制AP的典型示例包括蘋果公司在其智能手機(jī)和平板電腦中使用的A系列處理器，以及用于智能手機(jī)的高通Snapdragon AP。專用微控制器也常用于外形尺寸較大的個人設(shè)備。所有這些半導(dǎo)體器件都旨在平衡性能要求與延長的電池壽命，即最低的設(shè)備功耗。

許多開發(fā)AP的半導(dǎo)體供應(yīng)商正在評估能夠運(yùn)行神經(jīng)網(wǎng)絡(luò)的額外功能模塊。其中一些模塊專用于特定的神經(jīng)網(wǎng)絡(luò)功能，例如圖像識別。其他模塊則提供更多的靈活性，以便開發(fā)人員根據(jù)自己的需求優(yōu)化神經(jīng)網(wǎng)絡(luò)。

現(xiàn)在，許多IP公司提供可集成到AP設(shè)計(jì)中的數(shù)字信號處理器（DSP）、GPU和FPGA IP模塊

所有這些都可以提供運(yùn)行神經(jīng)網(wǎng)絡(luò)模型所需的并行性。

此外，一些公司正在開發(fā)專用的AI處理器。但大部分都還沒有上市，不過在此期間，這些公司還提出了將AI功能添加到個人設(shè)備上的另一個選項(xiàng)。但是，由于這些AI處理器通?；趯Ｓ械奶幚砥骷軜?gòu)，提供完全集成的軟件堆棧可能具有挑戰(zhàn)性。因此，應(yīng)該進(jìn)行全面的評價，評估收益與替代設(shè)計(jì)決策對比。

使用標(biāo)準(zhǔn)個人電腦架構(gòu)的更復(fù)雜的個人設(shè)備可以選擇使用基于周邊設(shè)備互連高速（ PeripHeralComponent Interconnect Express）的GPU或FPGA附加卡（FPGA add-in card）執(zhí)行神經(jīng)網(wǎng)絡(luò)功能。

（3）兩者兼具

對于許多應(yīng)用而言，由于性能、功耗和外形規(guī)格因素的限制，完全在個人設(shè)備上運(yùn)行神經(jīng)網(wǎng)絡(luò)模型可能并不可行。在這種情況下，最好分離推理操作，在設(shè)備和云中的其它設(shè)備上進(jìn)行操作。