Page 40 - 智慧邊緣運算實現更環保、更安全與高效的社會

38
另一類應用，即社交距離監控;遺 憾的是，這種威脅可能會伴隨我們 相當長一段時間。非常重要的是， 控制人員進入密閉空間，以確保裡 面的人數不超過空間容量限制(圖 2)。要做到這一點，最好的方法是 在門口沒有人工看守的情況下，使 用一個可以在人員進出時統計人 數的系統。
間會議室。根據來自架高攝影機的 人員偵測/計數資料，小隔間座位有 人的時間佔據整個工作週至少一部 分，而有3間會議室的使用率比其他 兩個多很多。
60Hz的速率導入，例如逐行掃描 UHD，所需的處理能力就不需要太 高。需要的可能是超過一個典型微 控制器晶片所能提供的，但遠低於 針對高性能運算設計的推論加速 器，或是高耗電量的GPU。
這只是人員偵測的另一種用 途;這種系統的一個附加功能，是 偵測有問題的人是否戴著口罩。對 於經過訓練的機器學習模型來說， 這同樣是一項相對簡單的任務。
現在這家公司要擴大規模，需 要再聘用20個人，就可以分析小隔 間和會議室的實際使用情況來做出 安排，而非支付高額租金在同一棟 大樓租用另一層樓擴充辦公空間。 其解決方案可以是把一個不用的會 議室改成額外的20個小隔間，或者 提出一種靈活的混合模式，在人們 需要時才為他們提供工作空間，最 大化利用現有小隔間。這將大幅度 節省營運成本支出，並且可以隨著 容量和勞動力習慣的改變而調整。
這將成為近年來針對超低功耗 運算開發的技術——包括記憶體、 控制器和訊號處理器等──之理想 應用;這些技術可以實現一種能以 夠快速度完成視覺偵測任務、功耗 也夠低的機器學習推論加速器，適 用無人值守的電池供電運作。
事實證明，有一個與此密切相 關的、完全不同的應用領域。有一 些企業組織非常關注他們在辦公 空間上的花費，並會根據空間的使 用方式來決定如何最佳化空間利 用，當一家公司考量使用更小(也 更便宜)、通常是共享工作空間時 尤其如此。
偵測特定屬性
適中的速度還會帶來額外的好 處。這種裝置有限的速度和記憶體 容量，使其幾乎不可能將晶片用於 未經授權的任務，例如臉部識別。 此一事實可以大幅減輕在對於隱私 保護法規特別敏感區域進行系統部 署的法律責任負擔。
但無法衡量的東西也無法最佳 化，突然會冒出來許多新的問題:有 人用這個走道嗎?茶水間什麼時候 人最多?有多少個共享辦公桌可以 用?三個會議室都被佔用的情況多 久發生一次?這類資料有助於在不 降低生產力的情況下，將辦公室支 出縮減至最小。需要重申的是，這 並不需要識別人員身份或瞭解他們 在做什麼，只要能偵測到其存在。
經驗證明，比起舊的視覺處理 軟體演算法，機器學習模型可以更 妥善執行這類偵測任務。機器學習 模型也可以比人工監視更準確、可 靠，特別是需要長時間持續關注的 案例。當任務只是偵測——並非識 別個人身份、詮釋手勢，或其他需 要根據大量細節進行細微推論的任 務——可以使用小巧的模型。
Synaptics的Katana KA 10000 SoC，就是一種上述的超低功耗機 器學習加速器解決方案，該晶片 整合了一組處理器，包括一個Arm CPU、多個DSP核心和一個客製化 神經網路加速器，可為一系列不同 類型的中等規模機器學習模型，提 供完整的推論加速平台。
讓我們看一下現今大多數公司 所考慮的實際典型情況:一家公司 在美國紐約市曼哈頓或加州舊金山 市中心等昂貴地段的大樓高樓層設 置辦公室，有40個小隔間座位和5
如果模型尺寸小巧，而且視 訊資料是以中等的速率、不是高達
到目前為止，這種描述同樣適 合高性能運算應用的AI加速晶片。 但是，當終極目標是實現長達數月 的電池壽命，而非每秒數十次Giga 等級運作時，從一開始就必須採用 不同的設計方法。
www.eettaiwan.com | 2022年5月
這帶來了另一類應用:法規遵 循(compliance)檢查。機器學習系 統可以被訓練來偵測人的外觀屬 性，例如是否讓佩戴的識別證明顯 可見?是否佩戴了安全帽或口罩? 這還有某人是否將點燃的香煙帶入 了有易爆氣體的房間?
解決方案範例
這意味著要從針對低功耗最佳
INNOVATIONS