硬件工程師們，邊緣計算已經跑到MCU里了，你覺得機器學習還遠嗎

機器學習需要大量的數據集來進行正確的推斷，而通過將這些數據集傳輸到云端來處理這些數據集是不實際的。從用戶設備生成的數據通常需要在該設備上進行處理，以降低功耗和帶寬成本，只需將決策數據傳輸到云端。

傳統上，處理大型數據集并不是資源受限設備的強項。然而，Qeexo有一個叫做AutoML的解決方案，旨在通過優化Cortex M0到M4設備上的部署來解決這個問題。

LSM6DSOX的機器學習流程圖。圖片使用由ST微電子

今天，與STMicroelectronics合作，qexo已經邁出了下一步在設計優化中，直接在傳感器上部署AutoML應用程序。由于不需要微控制器（MCU），AutoML可以直接部署在帶有嵌入式機器學習核心的MEMS傳感器上。

Qeexo公司由李善元（CEO）和克里斯·哈里森（CTO）于2012年成立。該公司專注于為高度受限系統（如Cortex-M0）上的機器學習提供部署和優化解決方案。

AutoML，一個機器學習平臺，提供“一鍵式”解決方案來部署機器學習能力在邊緣。簡單地說，AutoML部署包有五個主要過程：

• 定義您的項目

• 選擇傳感器和目標硬件

• 收集或上傳數據

• 自動機器學習

• 部署或下載ML包

對于希望了解配置的電氣工程師來說，查看一些受支持的傳感器可以幫助提供概述。

使用AutoML配置和設置ML解決方案的步驟2，其中顯示了加速度計的列表。圖片使用由Qeexo公司

該軟件設計用于從多個頻率的各種傳感器和目標硬件設備捕獲數據。qexo和STMicroelectronics之間的新合作將傳感器直接用于部署，而不是MCU。

機器學習算法的一些用途是交通服務 ,自動駕駛汽車，和通信網絡. 然而，另一個用途是提高日常生活質量，例如，通知你當你的水壺沸騰時[視頻]

或者，您也可以監視電動工具的生命周期。使用STMicroelectronics'iNEMO單片MEMS傳感器使用嵌入式機器學習核心（MLC），您可以推理決定[視頻]您的鉆機閑置、鉆孔或驅動螺絲的頻率以及這三項活動中每項活動執行的時間。

帶有MLC的傳感器，用于檢測鉆井作業的存在【視頻：1:17】。視頻截圖由ST微電子

機器學習核心可以檢測來自加速度計和陀螺儀的一組特定的傳感器數據，對其進行解釋，并將這些數據中繼到相關的主機設備。

優化高計算能力ML邊緣應用程序可能會很有挑戰性，尤其是那些靠電池供電的人。在傳感器上集成機器學習核心，如 LS6D盒，可以卸載或消除運行MCU的需要，降低系統整體功耗。

來自STMicroelectronics的MEMS系列，包括MLC嵌入式LSM6DSOX。圖片使用由ST微電子

在0.55毫安，LSM6DSOX是一個節能模塊，用于檢測傾斜和顯著運動。該模塊有一個I2C接口，允許直接與MCU或下游通信模塊接口。

使用Qeexo的AutoML平臺快速部署機器學習模型將允許工程師快速地在原型板上獲得應用程序。優化后，這些板可以更快地上市。

你有在邊緣設備上運行ML應用程序的經驗嗎？它給您的應用程序帶來了哪些挑戰或好處？請在下面的評論中告訴我們。