Page 7 - 智慧邊緣運算實現更環保、更安全與高效的社會

圖1:機器學習開發工作流程概覽。
演算法技術日益成熟，機器學習推
理從雲端向邊緣設備遷移。隨著更
複雜的控制和操作決策向邊緣設
備遷移，運算能力不斷提高。儘管
記憶體和功率受限，但這些安全自
主的邊緣設備可以在需要時借助雲
端連接，在本地執行即時機器學習
推理任務。 邊緣機器學習的另一個關鍵
機器學習開發工作流程 圖1顯示了機器學習開發工作 流程概覽。若要把機器學習技術 部署到邊緣節點，操作流和資料流
重要。與必須將資料發送到伺服器 進行處理，然後伺服器必須將結果 發送回來的情況相比，決策過程中 的延遲也低得多。例如，在工業領 域的工廠車間執行目視檢查並且 需要決定接受還是拒絕快速傳送 的產品時，低延遲非常重要。
性能還將取決於許多其他因素。儘 管如此，這是廣泛引用的機器學習 衡量方式之一。
SPOTLIGHT
5
例如，當任何人透過智慧型手 機或智慧對講機使用語音助手時， 所應用的關鍵技術就是雲端的機 器學習。該技術也支援社交媒體甚 至智慧型手機，將包含特定人物的 照片歸類在一起。但是，這些用例 都依賴於在雲端某處伺服器中執 行的機器學習。
優勢是保護用戶隱私。收集到的 個人資料(如邊緣設備擷取的語音 通訊和命令、人臉辨識、影片和影 像)在邊緣進行處理，並保存在邊 緣設備。資訊不會發送到雲端進行 處理，而在雲端可能會記錄和追蹤 資訊。用戶的隱私不受影響，用戶 可以自行選擇是否在雲端共用其 個人資訊。
程兩者缺一不可。這些步驟包括: ·收集原始資料:識別和收集 將用於訓練機器學習模型的資料; ·增強資料:人為擴大標記的 訓練資料集，以提高機器學習模
在邊緣運行機器學習推理具 有諸多優勢。所有機器學習推理在 邊緣處理器上運作，這意味著即使 網路訪問遭到破壞，應用也將繼續 運作。對於影片監控或智慧家庭警 報中心等應用，或者在沒有網路接 入的偏遠地區使用時，這一點至關
來概括原始特徵，創建新特徵，以 此來減少資料集中的特徵數量;
考慮到對邊緣機器學習的需 求，問題變成需要怎樣的機器學習 性能。衡量機器學習性能要求的一 種方式是每秒幾萬億操作次數，通 常稱為TOPS，即每秒兆級(兆次)操 作。這是初步基準，因為總體系統
·創建訓練和驗證集:將原始 的增強資料拆分成兩個資料集， 一個用於訓練機器學習模型，另一 個用於驗證模型。為了測試偏差和 過擬合問題，這些資料集應該相 互 獨 立;
型的性能; ·提取特徵:使用較少的資訊
2022年5月 | www.eettaiwan.com