ECF19: Koneoppiminen mahtuu mikro-ohjaimeen

Suomeakin puhua ARM:n Zach Shelby esitteli perjantaina Helsingissä järjestetyssä ECF19-tapahtumassa mikro-ohjainten hyödyntämistä koneoppimisen ja tekoälyn sovelluksissa. Hän on tuttu muun muassa ARM:n ostamasta oululaisesta Sensinode-yrityksestä sekä Britanniasta alkaneesta micro:bit -opetuskorttiprojektista.

Zach Shelbyn puheessa ydinkohta oli, että tekoälyä ja koneoppimista voidaan pilvikeskeisen mallin lisäksi soveltaa myös pienissä sulautetuissa laitteissa. Erityisen hyvin tekoäly soveltuu hänen mukaansa esineiden Internetin laitteisiin. Kehitys on kulkenut IoT-alueella kolmessa aallossa. Ensimmäisessä aallossa tuli tekniikan ydin ja sitten ymmärrys, että IoT tarvitsee myös kattavan tietoturvaa.

Suomalaisen Etteplanin NB-IoT-kehityskortti, joka tukee ARM:n Mbed-alustaa ja TensorFlow Lite Micro koneoppimista. Kortin prosessointi tehdään ARM Cortex M4 prosessoriytimellä.

Toinen aalto yhdisti hänen mukaansa ensimmäisen aallon tekniikoihin laitteissa pyörivät muokattavat sovellukset ja web-maailman käyttöliittymätekniikat. Nyt on jo tuotetoimittajilta testattuja kokonaispaketteja, joihin voivat helposti lisätä pyörimään oman sovelluksensa. Siihen ARM tarjoaa Mbed-ohjelmistoalustaansa.

Shelbyn mukaan nyt ollaan siirtymässä kolmanteen aaltoon, jossa laitteiden kattava turvallisuus ja ääniohjaus tulevat yleisiksi. Tässä mallissa koneoppimistekniikat ovat yksi uusi sovellus, joka voidaan lisätä aiempaan työhön lisäksi.

Esityksessä korostettiinkin, että koneoppiminen onkin yksi uusi sovellus nykyisten rinnalle, eikä asia joka korvaisi yhtäkkiä kaiken vanhan. Hänen mukaansa nyt ollaan  tilanteessa, jossa koneoppimistekniikoita on oikeasti realistista hyödyntää jopa pienissä IoT-laitteissa.

Koneoppimista voidaan ARM:n Zach Shelbyn mukaan soveltaa myös pienissä sulautetuissa laitteissa, kunhan tietoturvasta huolehditaan.

Kun koneoppimista halutaan hyödyntää onnistuneesti pienikokoisissa sulautetuissa laitteissa, täytyy ratkaistava ongelma olla sellainen, että siinä on kohtuullisen vähän sisään tulevaan informaatiota ja hyvin rajallinen määrä mahdollisia lopputuloksia.

Koneoppimisen hyödyntämisessä onkin kaksi oleellista vaihetta, jotka ovat hermoverkkomallin muodostaminen ja mallin käyttäminen. Mallin muodostamisessa tarvitaan hyvin paljon laskentaan kun mallia opetetaan suuren esimerkkidatamäärän avulla. Kun malli on muodostettu ja optimoitu esimerkiksi pilvipalvelussa, voidaan sitä käyttää monessa erilaisessa ympäristössä.

Esimerkiksi yksinkertaisten käsin kirjoitettujen numeroiden tunnistaminen onnistuu Shelbyn mukaan DSP-yksiköllä varustetulla ARM Cortex M4 prosessorilla ja silti sovellus vie muistia alle sata kilotavua. Merkkitunnistuksen lisäksi koneoppimiselle sopiviin sovellusalueisiin kuuluvat myös puheentunnistus tai jopa tietoturvapoikkeamien havaitseminen.

Hänen mukaansa koneoppimisen hyödyntäminen IoT-laitteessa on järkevää myös energiatehokkuuden näkökulmasta, jos voidaan välttää turhaa tehoa kuluttavaa tietoliikennettä. Esimerkiksi älykkään kaiuttimet hoitavat tyypillisesti tärkeimpien avainsanojen tunnistuksen itse laitteessa, ja lähettävät vasta sellaisen havaitessaan äänidatan pilvipalvelun analysoitavaksi.

Tärkeimmät teknologiauutiset kätevästi myös uutiskirjeenä! Tilaa (LINKKI)

LUE – UUTTA – LUE – UUTTA – LUE – UUTTA

Uusi ammattilehti huipputekniikan kehittäjille – Lue ilmaiseksi verkosta