本文是一部分Techxchange.：在边缘
你会学到什么
- 谁正在开发机器学习解决方案？
- 正在分析哪些类型的数据？
- 哪些类型的部署平台很受欢迎？
机器学习（ML）是一个热门话题，但许多人仍然在学习曲线中，或者评估ML是否适用于其应用。我们最近进行了调查电子设计读者发现，大多数受访者也发现ML不适用于其申请（图。1）。使用人工智能（AI）支持增强其产品的人数或使其实用很小但增长。
某些应用程序由于体积而推动了更广泛的采用，例如云中的自然语言处理与亚马逊Alexa和Apple的Siri等平台，以及汽车高级驾驶员辅助系统（ADAS）等应用程序。支付是显着的，提供加速ML平台是设计的一部分。
在云的情况下，并行处理音频和视频数据使得云资源的优异使用。利用智能NIC等平台服务云计算使得一些ML模型可以驻留在这些适配器中的FPGA中。
我发现最有趣的是，大多数使用ml使用多个传感器（图2）。然后，这不应该太大，因为复杂数据集的相关性和分析是一个深度神经网络（DNN）在适当训练时可以做得好的一个领域。
强调音频，视频和文本/语言处理等数据流也不应该出现惊喜。这些是在研究中待解决的第一个领域 - 众多ML模型可以培训和定制特定应用。建立一个新模式是一个更加艰巨的任务，但可以长期偿还的型号更加艰巨。
基于软件的AI
我发现非常有趣的是基于软件的AI解决方案的主导地位（图3）。所有平台都使用软件在某处运行ML模型。但是，这个问题询问了运行模型的平台。它也是一个多项选择问题;该软件也可以在ML增强的处理器上运行。
尽管如此，在没有硬件加速的情况下采用基于软件的解决方案的事实表明许多应用程序不需要额外的硬件。我们确实知道许多有用的模型可以在标准微控制器上运行。该技巧与软件匹配应用程序并在硬件平台上运行它，该平台将提供适当的性能以使应用程序工作。由于在任何项目工作时，这与工程师和程序员面临的挑战没有任何不同，因为无限内存，计算能力和通信不是一个选项。
另一个有趣的数据是依靠云的开发人员的低百分比。这意味着大多数都涉及独立ML应用程序。这也意味着开发人员可用的硬件和软件AI选项足以将ML模型结合到其应用程序中。
工具类型
最后，我们询问开发人员正在使用的工具（图4）。我可能应该包括一些关于他们使用的问题，就像我们在我们的那些中突出的那些套件特写镜头视频系列。
足以说，每个主要芯片供应商都有一系列套件，参考设计和迎合AI应用程序的工具。它们之间的唯一区别是支持的深度和广度，以及这些套件中包含的应用笔记和应用程序的数量。一般来说，它很大而且增长。它在过去的几十年中反映了对处理硬件的软件支持的兴起，但它已经花了很多时间。
此过程背后的驱动力是由于开源软件。工具的可用性突出了如何分享它们的采用差异很大。供应商提供的开源软件数组也很重要。封闭源软件的数量较小，但通常供应商提供两种类型，其中闭合源支持适用于制作“秘密酱”。这几天，有很多酱汁来解决，因为模型是应用程序成功的关键。
无论ai / ml的采用猖獗，该技术仍处于初期阶段。并不是说它没有准备好粉末时间 - 改变和改善的数量很大。随着时间的推移，工具，平台和应用程序之间的差异已经很大，并且它仍然随着改进而且新方法添加到混合中。
同样，理解AI / ML可以发挥的地方仍在增长。与许多工具不同，例如用于图形的光线跟踪，使用AI / ML技术的适用性，适用性和实用性对于特定应用的技术不一定是显而易见的。
AI / ML不是魔法子弹，它无法解决计算的所有方面。我们仍需要在C或其他大多数应用程序中的其他编程语言中进行编码。尽管如此，AI / ML简化了这些应用的许多方面，或者它可能会产生新的功能。
阅读更多文章Techxchange.：在边缘
