내장 AI 마스터하기

예를 들어 공장 현장에서 기계 제어에 대한 액세스 권한을 부여하기 위해 face-id를 사용하는 것과 같이 임베디드 애플리케이션에 AI를 넣는 것의 매력은 분명합니다. 얼굴 인식, 음성 제어, 이상 감지, AI를 사용하면 많은 가능성이 있습니다. 이 블로그에서는 face-id를 예로 사용하겠습니다. 기존의 인간-기계 인터페이스 및 암호보다 훨씬 사용하기 쉽고 지능적이며 강력합니다. 다른 사람들이 다 하고 있다는 것은 말할 것도 없습니다. AI가 작동하는 방식은 마술처럼 보일 수 있지만 AI가 할 수 있는 일은 빠르게 최소 기대치가 되는 것입니다. 아무도 어제의 기술을 바탕으로 제품을 투명하게 평가하고 싶어하지 않습니다.

도전

제품 빌더에게 문제가 있습니다. AI 기반 개발은 표준 임베디드 개발과 상당히 다릅니다. 당신은 적어도 핵심 기능을 위해 소프트웨어를 작성하고 있지 않습니다. 마치 학교에서 아이를 훈련시키는 것처럼 신경망이 패턴(이미지와 같은)을 인식하도록 훈련해야 합니다. 그런 다음 크기 및 전력 목표를 충족하기 위해 임베디드 장치의 제한된 공간에 맞게 네트워크를 최적화해야 합니다. 신경망은 일반적인 코드가 아닐 수 있지만 신경망과 그 계산은 여전히 ​​메모리를 소모하고 전력을 소모합니다. 임베디드 개발자로서 이러한 지표를 가능한 한 많이 짜내는 것이 얼마나 중요한지 알고 있습니다. 다음 블로그에서 이에 대해 알아보겠습니다. 지금은 이러한 신경망이 어떻게 작동하는지 최소한 몇 가지만 이해해 보겠습니다.

기본사항

신경망에 대한 긴 설명을 하고 싶지는 않습니다. 애플리케이션이 작동하도록 하기 위해 해야 할 일. 신경망은 개념적으로 일련의 "뉴런" 레이어입니다. 각 뉴런은 이전 계층 또는 입력 데이터에서 두 개(또는 그 이상)의 입력을 읽고 훈련된 가중치를 사용하여 계산을 적용하고 결과를 전달합니다. 이러한 가중치를 기반으로 레이어는 기능을 감지하고, 레이어를 이동할 때 점점 더 복잡해지고 결국 출력에서 ​​복잡한 이미지를 인식합니다.

첫 번째 영리한 부분은 핵심 신경망 알고리즘인 그물(층 수, 계층 간 연결 등)을 설계하는 것입니다. 두 번째 영리한 부분은 훈련에 있습니다. 이것은 인식해야 할 것을 식별하기 위해 레이블을 지정하여 많은 이미지가 네트를 통해 실행되는 프로세스입니다. 이러한 실행은 인식에 필요한 가중치 값을 구축합니다.

야망이 있다면 TensorFlow와 같은 표준 네트워크 중 하나를 위해 처음부터 자체 신경망을 구축할 수 있습니다. face-id와 같은 오픈 소스 옵션에서 시작할 수도 있습니다. 이 모든 것을 랩톱에서 실행할 수 있는 앱으로 구축할 수 있으며, 이는 새로운 승인된 얼굴을 등록하려는 고객에게 편리합니다. 이제 여러 포즈에서 승인된 얼굴의 테스트 세트로 네트워크 훈련을 시작할 수 있습니다.

클라우드에서 이 작업을 수행하는 것이 어떻습니까?

온라인으로 얼굴 인식을 수행하는 서비스가 있습니다. 장치에서 지저분한 AI에 들어갈 필요가 없습니다. 사진을 찍어 클라우드에 업로드하기만 하면 앱이 OK를 다시 전송하고 제품이 다음 단계를 승인합니다.

그러나 – 승인된 모든 직원은 클라우드에 사진 및 기타 자격 증명이 있어야 합니다. 보안 및 개인 정보 보호에 대한 좋은 아이디어가 아닐 수도 있습니다. 작업자가 기계에 액세스하려고 할 때마다 이미지를 클라우드에 전달하는 데 상당한 전력이 소모됩니다. 그리고 인터넷 연결이 끊어지면 다시 연결될 때까지 누구도 승인할 수 없습니다. 기기에서 권한을 인증하면 개인 정보와 보안이 유지되고 전력 수요를 낮게 유지하며 네트워크 연결이 끊어진 경우에도 계속 작동합니다.

다음 단계 – 훈련된 네트워크 삽입

이제 AI의 어려운 부분이 완료되었으므로 장치에 다운로드해야 합니다. 이는 AI 플랫폼의 도움이 확실히 필요한 그 자체로 흥미로운 단계입니다. 다음 블로그에서 더 자세히 이야기하겠습니다. 한편, 자세한 내용은 "실시간 임베디드 세계를 위한 딥 러닝"을 확인하세요.

아리엘 허시코비츠 은 소프트웨어 개발 도구에 대한 CEVA의 고객 솔루션 수석 관리자로 활동하고 있습니다. Ariel은 기술 및 관리 역할 모두에서 소프트웨어 개발, 검증, 통합 및 소프트웨어 제공 배포에 이르기까지 14년 이상의 다분야 경험을 제공합니다. 그는 사용자 경험, 사용 용이성 및 혁신적인 기술에 열정적입니다. 복잡한 문제를 분석하고 빠른 해결을 위해 단순화하는 데 능숙합니다. Ariel은 B.Sc.를 보유하고 있습니다. Ben-Gurion University에서 컴퓨터 공학 학사, Bar-Ilan University에서 MBA를 취득했습니다.

관련 콘텐츠:

• 임베디드 시스템에 머신 러닝 적용
• IoT에서 머신 러닝의 도전과 기회
• 머신 러닝의 교육 편향 해결
• 딥 러닝을 위한 FPGA 활용
• 벤치마크 점수는 광범위한 기계 학습 추론 성능을 강조합니다.
• IoT를 위한 전이 학습
• 자율 차량을 위한 인공 지능 알고리즘 및 과제

더 많은 Embedded를 보려면 Embedded의 주간 이메일 뉴스레터를 구독하세요.