NanoEdge AI 解決方案協(xié)助嵌入式系統(tǒng)開發(fā)應用

意法半導體(ST)推出NanoEdge AI Studio V3自動化機器學習工具，提供兩個額外的機器學習算法系列、簡化的數(shù)據(jù)記錄及翻新的用戶接口。因此，該工具涵蓋了更多使用案例，可幫助嵌入式開發(fā)人員更好理解及使用。



 
圖一 : NanoEdge AI Studio V3自動化機器學習工具

什么是NanoEdge AI Studio？
建立機器學習應用的挑戰(zhàn)
長久以來，期望采用機器學習的公司，為了收集長達數(shù)個月的大量數(shù)據(jù)，必須聘用一名或多名數(shù)據(jù)科學家來整理，并建立AI模型。然后，再藉由嵌入式開發(fā)人員將該模型移植到微控制器，或使用STM32Cube.AI等工具，將神經(jīng)網(wǎng)絡轉換為STM32 MCU的優(yōu)化程序代碼。然而，公司在預算及數(shù)據(jù)安全的考慮下，不太可能會聘用數(shù)據(jù)科學家，或甚至外包處理。

即使世界各地都有適合的人選，但數(shù)據(jù)的質量仍待加強。雖然機器學習有長足的進步，但獲得可靠的訓練樣本仍有困難。例如，應用程序試圖偵測異常行為，卻無法獲得足夠的數(shù)據(jù)。而雖然許多數(shù)據(jù)集適用于解決分類問題，例如異常偵測，但其卻不適用于嘗試偵測新型態(tài)的異常情況。因此，取得高質量的數(shù)據(jù)也相當重要，這一點毋庸置疑。而收集不受拼字錯誤或遺漏信息的樣本影響、并且準確標記正確無誤的數(shù)據(jù)集，可能需要大量投資。

充分運用機器學習技術
 

圖二 : NanoEdge AI Studio能夠在同一臺裝置上執(zhí)行學習復雜行為的模型訓練與推論。

NanoEdge AI Studio是對嵌入式系統(tǒng)開發(fā)人員友善的AI開發(fā)工具，即使沒有數(shù)據(jù)科學專業(yè)知識背景的人也可以使用。奇妙之處，在于NanoEdge AI Studio能夠在同一臺裝置上執(zhí)行學習復雜行為的模型訓練與推論，亦即整個過程可以在同一個STM32微控制器上執(zhí)行。此外，與終端使用者互動也相當簡單，不需要另外寫程序，只需按下幾個按鈕。因此，工程師可以根據(jù)現(xiàn)場環(huán)境客制化，讓系統(tǒng)可以更穩(wěn)定且更輕易安裝。

面對不同的操作系統(tǒng)，NanoEdge AI Studio能在Windows 10或Ubuntu上執(zhí)行，并且能與最適合的數(shù)據(jù)處理及最相關的AI函式庫媒合。此應用程序的設計著重于與C語言應用程序中的嵌入式系統(tǒng)開發(fā)的緊密整合。

簡單來說，NanoEdge AI Studio會考慮MCU、內存、Flash、傳感器等基本規(guī)格，并搜尋NanoEdge AI Studio內最佳的 AI 模型庫，接著產(chǎn)生能在STM32 MCU上執(zhí)行的AI函式庫，使開發(fā)人員能夠直接整合到嵌入式應用程序項目。

在第 2 版之前，NanoEdge AI Studio 支持兩種主要的機器學習算法：異常偵測和分類。

NanoEdge AI Studio只需少量的正常行為與異常行為數(shù)據(jù)，便能自動產(chǎn)生偵測AI異常的函式庫。一旦產(chǎn)生 AI 函式庫后，使用者可以將函式庫加載到微控制器中，直接在裝置上進行進一步的微調訓練和推論。此AI函式庫除了能從本機獲得的數(shù)據(jù)中學習裝置行為以外，還可以適應所在的裝置行為。微調訓練完成后，AI函式庫會將裝置一段時間內所取得的數(shù)據(jù)與本機建立的模型進行比對，以識別異常。

分類AI函式庫可用于分類一組數(shù)據(jù)，并呈現(xiàn)不同類型的設備異常（例如軸承問題、空蝕問題等）或設備環(huán)境中不同類型的事件。用戶可以將訊號匯入Studio，只需要按幾個按鈕即可建立分類ML函式庫。在微控制器上執(zhí)行時，分類器會分析實時數(shù)據(jù)，并提供相似性百分比。

NanoEdge AI Studio新功能
新的算法系列：外插和異常值
 

圖三 : NanoEdge AI Studio V3除了異常偵測與分類兩種應用，并提供兩個新的算法系列：外插和異常值。

最新的NanoEdge AI Studio V3除了上述的異常偵測與分類兩種應用之外， 現(xiàn)在還可以使用更多的函式庫。此外，ST也優(yōu)化了這些算法，提升現(xiàn)有使用案例的效能。因此，當嵌入式開發(fā)人員切換到新版本軟件時，會對資源管理及運行時間的升級更加有感。

NanoEdge AI Studio V3也進一步提供了兩個新的算法系列：外插和異常值。前者有助于預測未經(jīng)測試條件下出現(xiàn)的行為，又稱作「回歸」，這對應多個變量之間的關系。例如，數(shù)據(jù)集可以測量風扇在100°C、110°C 和 150°C時的行為。藉由回歸算法，機器學習應用可以推斷風扇在160°C 時的行為。NanoEdge AI Studio 中的外插算法除了涵蓋線性回歸，也提供更先進的分析技術來處理復雜的情況。因此，開發(fā)人員現(xiàn)在可以建立新的應用，監(jiān)測數(shù)據(jù)科學家無法處理的情況。

第二種算法是依據(jù)單一類別值的離群值偵測系統(tǒng)進行演算。實際上，系統(tǒng)只學習正常行為，任何偏離原始分布的行為都會被視為異常。以前，使用異常偵測系統(tǒng)時，開發(fā)人員會記錄正常行為，然后再模擬一或多個異常狀況。如前所述，其能夠在同一個微控制器上學習所有行為，并讓操作大幅簡化。不過，在某些情況下，完整重現(xiàn)異常狀態(tài)是不可能的。因此，離群值偵測可以使用例行操作的資料，推論是否有異常發(fā)生。

新的簡便數(shù)據(jù)記錄功能
數(shù)據(jù)科學家有時會遇到如何將成品推到市場的問題，雖然有實際數(shù)據(jù)是最好的，但因時間關系，并非每次都可以取得數(shù)據(jù)。因此，新的數(shù)據(jù)記錄功能可將任何STWIN SensorTile無線工業(yè)節(jié)點變成最直接的數(shù)據(jù)收集工具。首先，用戶將開發(fā)板連接到自己的計算機，使用NanoEdge AI Studio切換到數(shù)據(jù)記錄后，未來的數(shù)據(jù)便都會自動記錄。工程師可以將STWIN開發(fā)板固定到自己的設備進行監(jiān)測，傳感器會記錄數(shù)據(jù)，方便開發(fā)人員進行標記和剖析，以建立更精確的應用。

在嵌入式系統(tǒng)上的使用體驗
自定義、產(chǎn)生和驗證自動機器學習
 

圖四 : NanoEdge AI Studio讓開發(fā)人員能夠自定義、產(chǎn)生和驗證本身的機器學習函式庫。

在NanoEdge AI Studio出現(xiàn)之前，工程師必須聯(lián)絡軟件廠商，檢查本身的硬件配置以及要監(jiān)測的行為。如今，NanoEdge AI Studio讓開發(fā)人員能夠自定義、產(chǎn)生和驗證本身的機器學習函式庫。

首先，用戶需選擇本身的Cortex-M架構和系統(tǒng)中的傳感器，接著匯入檔案，其中包含描述設備一般行為的數(shù)值，其可以是來自風扇上之加速度計所產(chǎn)生的數(shù)據(jù)，也可以是工業(yè)設備的電氣信息，完成后，NanoEdge AI Studio會自動測試、優(yōu)化和排列數(shù)億種可能組合中最佳的算法組合，并產(chǎn)生客制化函式庫，開發(fā)人員便可以使用嵌入式仿真器進行驗證。

NanoEdge AI Studio V3現(xiàn)在用戶接口支持所有ST開發(fā)板，優(yōu)化后的免費函式庫有助于使用者輕松執(zhí)行概念驗證。例如，在智慧震動傳感器教學課程中，可以利用NUCLEO-L432KC 擷取風扇的正常行為后，將數(shù)據(jù)提供給NanoEdge AI Studio并獲得AI函式庫，使用者便可以在main loop中呼叫此函式庫進行推斷。因此，NanoEdge AI鏈接庫對于迅速建立使用預測性維護、智能安全操作等應用是非常有幫助的。

使用 Edge AI Sprint 引導項目
許多客戶無法事前評估AI將為本身的應用帶來多少效益。因此，為了快速驗證應用，ST也提供Edge AI Sprint Package，其中除了開發(fā)工具之外，還有完整的專家支持系統(tǒng)，可以指導開發(fā)人員避開應用程序和使用案例固有的地雷區(qū)。

整個方案包括訓練課程、NanoEdge AI Studio 授權和技術支持?？蛻艨梢愿鶕?jù)項目的復雜性選擇不同的授權期限，以確保應用能量產(chǎn)。Edge AI Sprint是引領項目的第一步，能有效管控風險并減少投資，同時提升項目成功的機率。