文章目录

• 机器学习能帮上什么忙？
• 机器学习的局限性
• 什么是嵌入式ML？

机器学习(ML)是一种编写计算机程序的方式。具体来说，这是一种编写处理原始数据并将其转换为对应用程序有意义的信息的程序的方法。

例如，可以设计一个ML程序来根据来自各种传感器的读数确定工业机器何时出现故障，从而可以警告操作员。另一个ML程序可以从麦克风获得原始音频数据，并确定是否说出了一个单词，因此它可以激活智能家居设备。

与普通的计算机程序不同，ML程序的规则不是由开发者决定的。相反，机器学习使用专门的算法从数据中学习规则(称为训练)。

在传统软件中，工程师设计一种算法，接受输入，应用各种规则并返回输出。算法的内部运算是由工程师规划的，很明显是通过代码行实现的。为了预测工业机器中的故障，工程师需要知道数据中的哪些测量值表明了问题，并编写代码来仔细检查它们。

这种方法适用于许多问题。例如，我们知道在海平面上，水在100摄氏度时会沸腾，因此很容易编写一个程序，可以根据水当前的温度和海拔高度来预测水是否沸腾。但在许多情况下，可能很难知道预测给定状态的因素的确切组合。继续我们的工业机器的例子，可能有生产率、温度和振动水平的各种组合。这些组合可能表明存在问题，但无法从数据中立即看出。

要创建ML程序，工程师首先要收集大量的训练数据。然后他们把数据输入一个特殊的算法，然后让算法去发现规律。这意味着，作为ML工程师，我们可以创建基于复杂数据进行预测的程序，而无需自己了解所有的复杂性。

在训练过程中，机器学习算法会根据我们提供的数据建立系统模型。我们通过这个模型运行数据，并通过一个称为推理的过程进行预测。

机器学习能帮上什么忙？

机器学习是解决涉及模式识别的问题的优秀工具，尤其是那些复杂且人类观察者可能难以识别的问题。ML算法擅长将杂乱的高带宽原始数据转化为可用的信号，尤其是与常规信号处理相结合时。

比如在十个密集嘈杂的传感器数据流中，普通人可能很难识别出机器故障的迹象。但是，机器学习算法通常可以学习寻找差异。

但是ML并不总是工作的最佳工具。如果系统的规则定义明确，并且可以很容易地用硬编码的逻辑来表达，那么这种方式通常更有效。

机器学习的局限性

机器学习算法是强大的工具，但它们可能有以下缺点:

他们输出估计值和近似值，而不是精确的答案。

ML模型的计算量可能非常高。

获取训练数据既费时又费钱

尝试在任何地方使用ML都是很诱人的——但是如果没有ML也能解决问题，通常这样做更好。

什么是嵌入式ML？

微处理器架构和算法设计的最新进展使得即使在最小的微控制器上运行复杂的机器学习工作负载成为可能。嵌入式机器学习(Embedded machine learning)又称TinyML，是机器学习应用于这类嵌入式系统时的领域。

在嵌入式设备上部署ML有一些主要优势。Jeff Bier创造的不幸缩写BLERP巧妙地表达了关键优势。它们是:

边缘设备上的Bandwidth-ML算法可以从数据中提取有意义的信息，否则，由于带宽限制，这些信息将无法访问。

设备上的Delay-ML模型可以实时响应输入，从而实现自动驾驶汽车等应用，如果依赖网络延迟，这将是不可行的。

经济—通过在设备上处理数据，嵌入式ML系统避免了通过网络传输数据和在云中处理数据的成本。

可靠性——由设备上的模型控制的系统本质上比依赖云连接的系统更可靠。

隐私——当数据在嵌入式系统上处理，并且从不传输到云中时，用户的隐私权利得到了保护，滥用的机会也更少了。