物联网领域正涌入大批不领工资的“数据科学家”

云栖号资讯小哥 2020-06-02

算法 人工智能 物联网

云栖号资讯:【点击查看更多行业资讯
在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来!

AIoT智联网是AI(人工智能)和IoT(物联网)技术在实际应用中的落地融合。近年来,智联网AIoT一词热度剧增,她正在以极快的速度从襁褓中的婴儿长大成人。

昨天,All inAIoT还是单个企业的市场宣言;今天,AIoT in All已经成为各行各业尝试转型以及寻找下一增长点的主力。

根据中国信息通信研究院统计预测数据显示,2020年全球人工智能市场将达到6800亿元人民币。据研究机构Markets and Markets在2019年发布的报告称,2019年全球AIoT市场规模为51亿美元。到2024年,这一数字将增长至162亿美元,复合年增长率为26.0%。

AIoT的成熟,一方面需要企业的重视与投入,另一方面需要技术的支撑与迭代。上周,我们谈到阿里投百亿加速AIoT布局的“大手笔”;这周,我们来看看AIoT的领域吹起的技术“新风向”。

在文章《一文读懂即将引爆的TinyML:在边缘侧实现超低功耗机器学习》中,我曾经介绍过一个新趋势:TinyML,并提到将会持续追踪TinyML的进展。

TinyML是指在毫瓦(mW)功率范围以下的设备上,实现机器学习的方法、工具和技术。这里的关键词是“毫瓦功率范围以下的设备”。TinyML功耗极低,不仅适用于边缘硬件,还可用于物联网终端设备,支持各种不同的电池驱动的设备,和需要始终在线的应用。

这些设备包括智能摄像头、远程监控设备、可穿戴设备、音频采集硬件以及各种传感器等…TinyML是一个新兴领域,是快速增长的机器学习技术和应用,是一片巨大的、未被充分开发的蓝海。

最近TinyML与AutoML正在快速融合,构建嵌入式自动化机器学习算法,发挥更大的效力。

401931675ff56043ae7a5ea6937f1714_jpg

AutoML全称是Automated Machine Learning,自动化机器学习,这是2014年以来,机器学习和深度学习领域最炙手可热的领域之一。

我们都知道,机器学习的应用需要大量的人工干预,这些人工干预表现在:特征提取、模型选择、参数调节等各个方面。AutoML试图将这些与特征、模型、优化、评价有关的重要步骤进行自动化地学习,使得机器学习模型无需人工干预即可被应用。

就在今年3月,谷歌证明了AutoML可以走得更远。根据谷歌已将代码开源的AutoML-Zero,如今有可能仅使用基本的数学运算作为构建块,就可以自动“进化”为完整的机器学习算法。

因此本文将介绍TinyML与AutoML相结合的最新进展,值得你关注的包括:

  • TinyML与AutoML“携手”的最大价值体现在哪里?
  • 嵌入式自动化机器学习算法的具体应用场景有哪些?
  • 这个领域的初创公司和各类资源的情况如何?

TinyML+ AutoML的价值何在?

21世纪最性感的工作是什么?

你可能已经脑补了五花八门的答案,但《哈佛商业评论》(Harvard Business Review)认为是“数据科学家”。HBR在文章中写道,“如果‘性感’意味着拥有非常抢手的稀有品质,那么数据科学家就是。”

数据科学家很难招到、工资很高、更难留住,这也许是每个试图尝试AI应用的物联网企业都会头疼的问题。

1352620abe807582fc4cae7945edae85

数据显示,在2018年,初级数据科学家的平均工资为11.5万美元/年,能够管理10至15人团队的数据科学家则可以拿到35万美元的年薪。

2019年,全球对数据科学家的需求量是供应量的1.5倍。超过40%的公司认为招聘不到数据科学家是严重阻碍他们竞争力的原因之一。超过60%的公司试图通过内部培训,让现有员工变身成为数据科学家。

在物联网领域,数据科学家除了稀有,还面临另一个问题:在物联网终端,很多AI绝技无法施展。分布最广的物联网设备往往体积很小、电量有限。它们被作为终端硬件,通过嵌入式传感器采集各种数据;计算能力有限,对功耗极为敏感。物联网领域占比超过95%以上,都是需要超低功耗、占用极少存储空间、完成实时数据处理的场景。能够在这类设备上实现机器学习的人才,更是精英中的高阶精英。

TinyML与AutoML“携手”,就是试图让物联网领域的机器学习,突破人才稀缺和硬件受限的掣肘,让机器学习算法在物联网终端自我进化,让非技术人员可以轻松的使用人工智能进行数据分析,让原本“物以稀为贵”的机器学习以亲民的方式“飞入百姓家”。

TinyML在《一文读懂即将引爆的TinyML:在边缘侧实现超低功耗机器学习》中已有详细介绍,此处重点来说AutoML。

什么是AutoML?

89f5b1ac4979bc88b70aec8dd6965508_jpg

为了更好的理解AutoML,清华校友翟伟所在公司Qeexo通过一个有趣的对比进行了解释。

在某种程度上,人工智能与印刷术非常相似,它们的诞生都是人类历史上的巨大转折,而且演进过程也有一定的可比性。

9cdeb416df6d28bbee5be3c027217761_jpg

印刷术发明之前,文化的传播主要靠手抄的书籍。手抄费时、费事,又容易抄错、抄漏,既阻碍了文化的发展,又给文化的传播带来不应有的损失。

就像在人工智能诞生之前,工程师们要自己写计算程序完成数据分析,不仅效率低而且有可能存在很多误判。

0ea098c542b239cd8b7c9f0709dd0e67_jpg

印章和石刻给印刷术提供了直接的经验性启示,用纸在石碑上墨拓的方法,直接为雕版印刷指明了方向。

雕版印刷的版料,一般选用纹质细密坚实的木材,然后把木材锯成一块块木板,把要印的字写在薄纸上,反贴在木板上,再根据每个字的笔划,用刀一笔一笔雕刻成阳文,使每个字的笔划突出在板上。木板雕好以后,就可以印书了。

就像在人工智能的初始阶段,工程师们为每个用例,从零开始写机器学习的代码,一个用例对应一块“雕版”,在不同用例之间代码很难重复利用,灵活性差、对工程师的技艺要求高。

0ea098c542b239cd8b7c9f0709dd0e67_jpg

活字制版避免了雕版的不足,只要事先准备好足够的单个活字,就可随时拼版,大大地加快了制版时间。活字版印完后,可以拆版,活字可重复使用,且活字比雕版占有的空间小,容易存储和保管。这样活字的优越性就表现出来了。

就像随着人工智能的发展,工程师们开始使用解耦的思维,使用现有的机器学习模块与框架活用拼凑AI。这个阶段开发一个上手的应用或许很简单,但是要开发真正的产品却很难,需要一个团队的专业人士,花费几个星期的时间完成。

ce2eb28194ac2ee3566c549077dacedd_jpg

而现在,我们每个人都知道如何使用电脑打字,并使用打印机将文稿印出。

AutoML就是试图将人工智能也带入到同样阶段的做法,让一位非专业人士,花费几分钟的时间,即可完成多个人工智能模型。在这个阶段,合适的AutoML工具是关键。

谷歌最近发布了一篇论文名为《AutoML-Zero:从零开始的自动机器学习》,AutoML-Zero:Evolving Machine Learning Algorithms From Scratch。

AutoML-Zero这个名字难免让人产生联想。当年AlphaGo战胜了人类最强棋手,但前提是它先学会了人类棋谱,离不开人类指导。接着谷歌又推出了AlphaGo Zero,只让AI知道围棋规则,从零开始学下棋,结果再次登上棋艺顶峰。

AutoML-Zero似乎想要证明,既然AI能从零学习围棋,也可以从零开始摸索机器学习算法。

谷歌这篇论文的全文可以通过文末的提示下载阅读。

现在谷歌已将AutoML-Zero的开源程序提交到GitHub,普通电脑只需5分钟就能体验一下它的实际效果。GitHub网址:

https://github.com/google-research/google-research/tree/master/automl_zero

应用场景有哪些?

0d2b58e76d5ce5abaf0202e8c5974888_jpg

目前一些智能可穿戴设备,包括智能耳机和智能手表已经在使用相关技术。通过加速度传感器和陀螺仪辅以相应的嵌入式自动化机器学习算法,可以更好的分析用户行为,并且支持自定义手势创建、情境感知、活动分类、步态分析,提供更加贴合用户自身的服务。

智能家居也是应用场景之一。智能水壶和智能灶台可以通过声学传感器和算法,检测水是否烧开、烧开的水是否溢出、壶和锅的温度有没有过高。还可以监测智能微波炉中的玉米花是否爆开,以便及时关闭设备。

当然,你也许会想,这些场景都是“小儿科”,只有在最复杂的工业场景中实现应用,才能验证“TinyML+AutoML”嵌入式自动化机器学习算法真正有效。如你所料,有些企业正在将嵌入式机器学习自动算法用于预测性维护。

对于预测性维护(PDM)的发展阶段进行简单划分,可分为4个阶段:

  • PDM 1.0—反应性维护:当问题出现时再来解决它,例如救火。
  • PDM 2.0—预防性维护:包括外观检测,以及能够提供更具体、更客观的有关机器或系统状况相关信息的定期资产检测。
  • PDM 3.0—基于规则的预测性维护:也就是“状态监测”。传感器持续收集来自设备的数据,并根据预先设定的规则,包含在预先设定的临界值出现时发出警报。
  • PDM 4.0—基于机器学习的预测性维护:依靠大量的历史数据或者测试数据,结合为不同情境定制的机器学习算法,预测错误出现的时间和位置,然后发出警报。

PDM 4.0是通过先进的分析技术对资产的技术条件、使用、环境、维修历史、其他类似设备以及任何可能与之相关的大数据进行分析,预测未来将会发生的故障,并最终制定出最有效的预防措施。

f270fdec097777fb7e26f039912a40e0_jpg

在这个过程中,听声能力很重要,就像维护维修专家能够通过汽车引擎的声音,来诊断车辆的问题一样,工业设备如果拥有了一双远程的“顺风耳”,结合振动分析,就可以让PDM方案更精确。声音同样还能被用于诊断液体泄露、管道腐蚀和液位测量。

PDM4.0还面临一个规模化应用的窘境,由于每个设备的安装条件、载重性能和外部环境都不相同,单一的AI模型可能无法在类似的电机上批量复制。

TinyML+AutoML使用时间序列传感器,包括模拟和数字麦克风,可以自适应的创建AI模型。通过声音传感与分析,有助于识别预测性维护应用的问题。

初创公司&各类资源

关于TinyML+AutoML,有很多现成的工具和软件可以使用,物联网企业不需要招聘昂贵的数据科学家,也不需要扩充团队,就可以初步尝试。

这里介绍比较有代表性的初创公司和资源,包括QEEXO、MindsDB和Cartesiam。

  • QEEXO

这家公司成立于2012年,总部位于加利福尼亚州山景城,机器学习的研发团队位于宾夕法尼亚州匹茨堡,在北京和上海拥有工程师团队。

目前已经有260多种硬件平台,超过3亿台设备,搭载了QEEXO的机器学习引擎。

知名的包括在华为手机中嵌入的指关节操作技术。

指关节操作功能通过使用指关节在屏幕上敲击或勾画,快速调用系统功能,支持利用指关节双击全屏截屏、敲击并画圈局部截屏、敲击并画字母S滚动截屏、双指关节双击录屏、直线分屏等5种手势操作。今年5月,荣耀发布了新机荣耀X10,指关节操作功能首次下放给了“千元机”。

QEEXO与瑞萨电子等领先硬件厂商进行合作,完成了多种硬件的适配。QEEXO可支持Arm Cortex – M0到M4核的单片机,如瑞萨RA6M3组单片机产品。

bb46288cfad7ac7f0b3798eca754c0b4

据悉,QEEXO的自动机器学习算法将在亚马逊AWS上架,以SaaS年度订阅的方式提供服务,并将在下周周一,6月8日进行全球商用版Qeexo AutoML的正式发布。

  • MindsDB

MindsDB公司成立于2017年,总部位于加利福尼亚州伯克利,源自美国加州大学伯克利分校的研究项目,其同名服务已在GitHub上发布开源版本。GitHub网址:https://github.com/mindsdb/mindsdb#mindsdb

81c72b3116acb47586865bffb0284293_jpg

最近MindsDB完成了一笔300万美元的融资,用于扩充团队和验证商业模式。

  • Cartesiam

Cartesiam公司创立于2016年,总部位于法国土伦,商务运营中心位于巴黎和纽约,主要实现让普通的ARM微控制器都能运行的无监督学习AI。

81c72b3116acb47586865bffb0284293_jpg

最近MindsDB完成了一笔300万美元的融资,用于扩充团队和验证商业模式。

●Cartesiam

Cartesiam公司创立于2016年,总部位于法国土伦,商务运营中心位于巴黎和纽约,主要实现让普通的ARM微控制器都能运行的无监督学习AI。

857f51dd0bebac3287607015708f1e94_jpg

今年2月,Cartesiam发布了一个名为NanoEdge AI Studio的软件系统,该系统能够安全地生成AI算法,并且生成的算法只需两分钟就可在ARM微处理器上运行,容量大小仅为4~16KB RAM。

法国的工业电子制造商Eolane与Cartesiam合作推出了一款名为Bob Assistant的温度/振动传感器,主要用于预测工业维修。目前,该解决方案已经被许多欧洲客户所采用,成为首个大规模部署的工业4.0预测性维护解决方案。

5月19日,Cartesiam发布了针对STM32开发板优化的新版NanoEdge AI Studio软件工具。STM32是意法半导体开发的微控制器。新版提供一个新的硬件平台选项,让开发者可以直接选择意法半导体的Nucleo-F401RE或Nucleo-L432KC开发板。在选择之后,用户可以解锁设计流程的最后一步,下载可在所选硬件平台上立即运行的自定义机器学习库。

----写在最后----

看似微小的TinyML和自我进化的AutoML蕴含大机会,物联网企业需要转变的首先是思维,积极拥抱和勇于尝试,或许就会开辟一番新天地。

本文总结:

  • TinyML与AutoML正在快速融合,构建嵌入式自动化机器学习算法。
  • TinyML与AutoML“携手”,让原本“物以稀为贵”的机器学习以亲民的方式“飞入百姓家”。
  • 嵌入式自动化机器学习算法具有广泛的应用领域,包括智能家居硬件、智能可穿戴设备、建筑物振动监测和工业预测性维护。
  • 这个领域中比较有代表性的初创公司和资源,包括QEEXO、MindsDB和Cartesiam。

【云栖号在线课堂】每天都有产品技术专家分享!
课程地址:https://yqh.aliyun.com/zhibo

立即加入社群,与专家面对面,及时了解课程最新动态!
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间:2020-06-01
本文作者: iot101君​
本文来自:“物联网智库”,了解相关信息可以关注“物联网智库

登录 后评论
下一篇
云栖号资讯小编
28087人浏览
2020-07-13
相关推荐
数据科学家成抢手人才
995人浏览
2017-07-05 13:53:00
十大IT工作和工程
2145人浏览
2017-08-02 10:30:00
0
1
0
806