在一次在AI＆Big Data Expo上的采访中，Edge Impulse的产品负责人Alessandro Grande讨论了在资源受限的边缘设备上开发机器学习模型的问题以及如何克服这些问题。
在讨论中，Grande就当前的挑战提供了深入的见解，以及Edge Impulse如何帮助解决这些困难，以及在设备上AI的巨大潜力。
边缘AI采用的关键障碍
Grande强调了企业在尝试产品化边缘机器学习模型时面临的三个主要痛点，包括确定最佳数据收集策略的困难，AI专业知识的稀缺以及硬件、固件和数据科学团队之间的跨学科沟通障碍。
Grande表示：“很多构建边缘设备的公司对机器学习并不太熟悉。将这两个世界结合起来是第三个挑战，真正的挑战在于团队之间的沟通，能够共享知识并朝着相同的目标努力。”
精简和高效模型的策略
当被问及如何针对边缘环境进行优化时，Grande强调了首先要最小化所需的传感器数据。
Grande解释说：“我们看到很多公司在数据集方面遇到困难。什么样的数据足够，他们应该收集什么数据，从哪些传感器收集数据。这是一个很大的挑战。”
选择高效的神经网络架构有所帮助，压缩技术如量化可以减少精度而不会对准确性产生重大影响。始终要在传感器和硬件约束与功能、连接需求和软件要求之间取得平衡。
Edge Impulse旨在使工程师能够在部署前自行验证和验证模型，使用常见的机器学习评估指标，确保可靠性并加快价值实现的时间。这一端到端的开发平台与所有主要的云和机器学习平台无缝集成。
设备上智能的变革潜力
Grande强调了已经利用边缘智能提供个性化健康洞察力而无需依赖云的创新产品，例如使用Oura Ring进行睡眠跟踪。
Grande解释说：“它已经销售了超过十亿件，每个人都可以体验到边缘AI的强大。”
其他令人兴奋的机会包括通过对生产线上的异常检测进行预防性工业维护。
最终，Grande认为设备上的AI有巨大的潜力，可以极大地提高日常生活的效用和可用性。边缘设备不仅仅是原始数据，还可以解释传感器输入，提供以前不可能的可行建议和响应性体验，从而带来更有用的技术和改善生活质量。
释放边缘设备上AI的潜力取决于克服当前阻碍采用的障碍。Grande和其他领先的专家在今年的AI＆Big Data Expo上提供了深入的见解，介绍了如何打破障碍，释放边缘AI的全部可能性。
Grande总结道：“我希望看到我们处理的设备对我们来说更有用的世界。”
观看我们与Alessandro Grande的完整采访：
（照片由Niranjan _ Photographs在Unsplash上拍摄）
另请参阅：AI＆Big Data Expo：揭秘AI并看透炒作
想要从行业领导者那里了解更多关于AI和大数据的知识吗？请查看在阿姆斯特丹、加利福尼亚和伦敦举办的AI＆Big Data Expo。这个综合性的活动与Cyber Security＆Cloud Expo和Digital Transformation Week同期举行。
探索由TechForge提供支持的其他即将举行的企业技术活动和网络研讨会。
