人工智能和机器学习为物联网边缘节点开发人员带来诸多益处

将人工智能（AI）和机器学习（ML）集成到边缘设备是物联网领域最受期待的发展之一。可训练、可操作、能够从环境中提取信息和学习的智能设备正在变得更加具有情境意识，最终变得更加有用。在边缘位置执行人工智能具有显著的优势，包括低延迟、减少带宽、更低的功耗和成本，以及隐私和安全。人工智能可以通过小型微控制器来达成功能，从而在边缘节点实现更好的决策。 将嵌入式智能添加到物联网设备将为制造商创造新的机会—这是Silicon Labs （亦称“芯科科技”）与人工智能和机器学习应用领先供应商SensiML合作的核心所在。Silicon Labs提供完整的无线和MCU产品系列，并可搭配Thunderboard Sense 2 高级物联网开发套件快速评估产品项目以建立原型设计。 人工智能和机器学习可为物联网边缘节点的开发人员带来诸多益处：

显著节约成本

减少带宽使用

设计时间更快

设计尺寸更小，并能低功耗运行

数据隐私和安全性更高

加快发展人工智能物联网SensiML提供尖端软件，实现超低功耗物联网端点，实现人工智能，并将原始传感器数据转化为对设备本身有意义的见解。SensiML的Analytics Studio还提供了一个全面的开发平台，使具备最少数据科学专业知识的开发人员能够以比手工编码解决方案快5倍的速度构建智能端点。这意味着客户可以快速跟踪他们的开发项目，并在数周内将AI/ML嵌入到他们的设计中，而数据科学项目通常需要数年时间。

SensiML Analytics Studio和Silicon Labs的无线SoC和MCU的结合，将使开发人员有可能增加功能，降低复杂性，并利用低功耗、低成本、占地面积小的设计。SensiML分析工具包套件自动创建优化的人工智能物联网传感器识别代码的每一步过程。 人工智能和机器学习有什么区别？人工智能和机器学习都与同一种计算机科学有关。但是，尽管许多人倾向于交替使用它们，它们确实有不同的含义。

自动化机器学习的好处及其工作原理当涉及到需要专门背景的任务时，自动构建机器学习模型的过程为开发人员带来了许多好处。例如，在没有自动机器学习或AutoML的情况下，以下任务留给建模者根据自己对问题的理解、所需的模型性能以及最关键的是他们在正确应用信号处理和机器学习分类器方面的专业知识来确定：

输入数据中感兴趣区域的分割

确定需要哪些预处理和特征变换来将原始输入数据转换为分类器的合适输入向量

选择使用哪种类型的机器学习分类器来提供最佳结果

模型参数优化与超参数整定

评估进一步提高模型性能的后处理需求

AutoML通过使用高性能计算和搜索优化算法来增强用户在执行构造任务时的知识。AutoML的优点包括能够在相同的时间内评估数十万甚至数百万个模型排列，而人类数据科学专家只需评估几个。有了定向搜索约束，熟练用户手中的AutoML组合可以将搜索集中在最有前途的排列上，而不仅仅是执行暴力网格搜索。这使得AutoML成为算法开发的强大工具，无论是人工智能新手还是经验丰富的数据科学专家。 有了这一伙伴关系，我们离生活在一个更智能、更互联的世界越来越近，Silicon Labs为在这一旅程中成为SensiML的合作伙伴而感到自豪。

原文标题：人工智能与机器学习助飞IoT创新应用

文章出处：【微信公众号：SiliconLabs】欢迎添加关注！文章转载请注明出处。

责任编辑：haq