雲栖号資訊：【 點選檢視更多行業資訊】
在這裡您可以找到不同行業的第一手的上雲資訊，還在等什麼，快來！
AIoT智聯網是AI（人工智能）和IoT（物聯網）技術在實際應用中的落地融合。近年來，智聯網AIoT一詞熱度劇增，她正在以極快的速度從襁褓中的嬰兒長大成人。
昨天，All inAIoT還是單個企業的市場宣言；今天，AIoT in All已經成為各行各業嘗試轉型以及尋找下一增長點的主力。
根據中國資訊通信研究院統計預測資料顯示，2020年全球人工智能市場将達到6800億元人民币。據研究機構Markets and Markets在2019年釋出的報告稱，2019年全球AIoT市場規模為51億美元。到2024年，這一數字将增長至162億美元，複合年增長率為26.0%。
AIoT的成熟，一方面需要企業的重視與投入，另一方面需要技術的支撐與疊代。上周，我們談到阿裡投百億加速AIoT布局的“大手筆”；這周，我們來看看AIoT的領域吹起的技術“新風向”。
在文章《一文讀懂即将引爆的TinyML：在邊緣側實作超低功耗機器學習》中，我曾經介紹過一個新趨勢：TinyML，并提到将會持續追蹤TinyML的進展。
TinyML是指在毫瓦（mW）功率範圍以下的裝置上，實作機器學習的方法、工具和技術。這裡的關鍵詞是“毫瓦功率範圍以下的裝置”。TinyML功耗極低，不僅适用于邊緣硬體，還可用于物聯網終端裝置，支援各種不同的電池驅動的裝置，和需要始終線上的應用。
這些裝置包括智能攝像頭、遠端監控裝置、可穿戴裝置、音頻采集硬體以及各種傳感器等…TinyML是一個新興領域，是快速增長的機器學習技術和應用，是一片巨大的、未被充分開發的藍海。
最近TinyML與AutoML正在快速融合，建構嵌入式自動化機器學習算法，發揮更大的效力。
AutoML全稱是Automated Machine Learning，自動化機器學習，這是2014年以來，機器學習和深度學習領域最炙手可熱的領域之一。
我們都知道，機器學習的應用需要大量的人工幹預，這些人工幹預表現在：特征提取、模型選擇、參數調節等各個方面。AutoML試圖将這些與特征、模型、優化、評價有關的重要步驟進行自動化地學習，使得機器學習模型無需人工幹預即可被應用。
就在今年3月，谷歌證明了AutoML可以走得更遠。根據谷歌已将代碼開源的AutoML-Zero，如今有可能僅使用基本的數學運算作為建構塊，就可以自動“進化”為完整的機器學習算法。
是以本文将介紹TinyML與AutoML相結合的最新進展，值得你關注的包括：
- TinyML與AutoML“攜手”的最大價值展現在哪裡？
- 嵌入式自動化機器學習算法的具體應用場景有哪些？
- 這個領域的初創公司和各類資源的情況如何？
TinyML+ AutoML的價值何在？
21世紀最性感的工作是什麼？
你可能已經腦補了五花八門的答案，但《哈佛商業評論》（Harvard Business Review）認為是“資料科學家”。HBR在文章中寫道，“如果‘性感’意味着擁有非常搶手的稀有品質，那麼資料科學家就是。”
資料科學家很難招到、工資很高、更難留住，這也許是每個試圖嘗試AI應用的物聯網企業都會頭疼的問題。
資料顯示，在2018年，初級資料科學家的平均工資為11.5萬美元/年，能夠管理10至15人團隊的資料科學家則可以拿到35萬美元的年薪。
2019年，全球對資料科學家的需求量是供應量的1.5倍。超過40%的公司認為招聘不到資料科學家是嚴重阻礙他們競争力的原因之一。超過60%的公司試圖通過内部教育訓練，讓現有員工變身成為資料科學家。
在物聯網領域，資料科學家除了稀有，還面臨另一個問題：在物聯網終端，很多AI絕技無法施展。分布最廣的物聯網裝置往往體積很小、電量有限。它們被作為終端硬體，通過嵌入式傳感器采集各種資料；計算能力有限，對功耗極為敏感。物聯網領域占比超過95%以上，都是需要超低功耗、占用極少存儲空間、完成實時資料處理的場景。能夠在這類裝置上實作機器學習的人才，更是精英中的高階精英。
TinyML與AutoML“攜手”，就是試圖讓物聯網領域的機器學習，突破人才稀缺和硬體受限的掣肘，讓機器學習算法在物聯網終端自我進化，讓非技術人員可以輕松的使用人工智能進行資料分析，讓原本“物以稀為貴”的機器學習以親民的方式“飛入百姓家”。
TinyML在《一文讀懂即将引爆的TinyML：在邊緣側實作超低功耗機器學習》中已有詳細介紹，此處重點來說AutoML。
什麼是AutoML？
為了更好的了解AutoML，清華校友翟偉所在公司Qeexo通過一個有趣的對比進行了解釋。
在某種程度上，人工智能與印刷術非常相似，它們的誕生都是人類曆史上的巨大轉折，而且演進過程也有一定的可比性。
印刷術發明之前，文化的傳播主要靠手抄的書籍。手抄費時、費事，又容易抄錯、抄漏，既阻礙了文化的發展，又給文化的傳播帶來不應有的損失。
就像在人工智能誕生之前，工程師們要自己寫計算程式完成資料分析，不僅效率低而且有可能存在很多誤判。
印章和石刻給印刷術提供了直接的經驗性啟示，用紙在石碑上墨拓的方法，直接為雕版印刷指明了方向。
雕版印刷的版料，一般選用紋質細密堅實的木材，然後把木材鋸成一塊塊木闆，把要印的字寫在薄紙上，反貼在木闆上，再根據每個字的筆劃，用刀一筆一筆雕刻成陽文，使每個字的筆劃突出在闆上。木闆雕好以後，就可以印書了。
就像在人工智能的初始階段，工程師們為每個用例，從零開始寫機器學習的代碼，一個用例對應一塊“雕版”，在不同用例之間代碼很難重複利用，靈活性差、對工程師的技藝要求高。
活字制版避免了雕版的不足，隻要事先準備好足夠的單個活字，就可随時拼版，大大地加快了制版時間。活字版印完後，可以拆版，活字可重複使用，且活字比雕版占有的空間小，容易存儲和保管。這樣活字的優越性就表現出來了。
就像随着人工智能的發展，工程師們開始使用解耦的思維，使用現有的機器學習子產品與架構活用拼湊AI。這個階段開發一個上手的應用或許很簡單，但是要開發真正的産品卻很難，需要一個團隊的專業人士，花費幾個星期的時間完成。
而現在，我們每個人都知道如何使用電腦打字，并使用列印機将文稿印出。
AutoML就是試圖将人工智能也帶入到同樣階段的做法，讓一位非專業人士，花費幾分鐘的時間，即可完成多個人工智能模型。在這個階段，合适的AutoML工具是關鍵。
谷歌最近釋出了一篇論文名為《AutoML-Zero：從零開始的自動機器學習》，AutoML-Zero:Evolving Machine Learning Algorithms From Scratch。
AutoML-Zero這個名字難免讓人産生聯想。當年AlphaGo戰勝了人類最強棋手，但前提是它先學會了人類棋譜，離不開人類指導。接着谷歌又推出了AlphaGo Zero，隻讓AI知道圍棋規則，從零開始學下棋，結果再次登上棋藝頂峰。
AutoML-Zero似乎想要證明，既然AI能從零學習圍棋，也可以從零開始摸索機器學習算法。
谷歌這篇論文的全文可以通過文末的提示下載下傳閱讀。
現在谷歌已将AutoML-Zero的開源程式送出到GitHub，普通電腦隻需5分鐘就能體驗一下它的實際效果。GitHub網址：
https://github.com/google-research/google-research/tree/master/automl_zero應用場景有哪些？
目前一些智能可穿戴裝置，包括智能耳機和智能手表已經在使用相關技術。通過加速度傳感器和陀螺儀輔以相應的嵌入式自動化機器學習算法，可以更好的分析使用者行為，并且支援自定義手勢建立、情境感覺、活動分類、步态分析，提供更加貼合使用者自身的服務。
智能家居也是應用場景之一。智能水壺和智能竈台可以通過聲學傳感器和算法，檢測水是否燒開、燒開的水是否溢出、壺和鍋的溫度有沒有過高。還可以監測智能微波爐中的玉米花是否爆開，以便及時關閉裝置。
當然，你也許會想，這些場景都是“小兒科”，隻有在最複雜的工業場景中實作應用，才能驗證“TinyML+AutoML”嵌入式自動化機器學習算法真正有效。如你所料，有些企業正在将嵌入式機器學習自動算法用于預測性維護。
對于預測性維護（PDM）的發展階段進行簡單劃分，可分為4個階段：
- PDM 1.0—反應性維護：當問題出現時再來解決它，例如救火。
- PDM 2.0—預防性維護：包括外觀檢測，以及能夠提供更具體、更客觀的有關機器或系統狀況相關資訊的定期資産檢測。
- PDM 3.0—基于規則的預測性維護：也就是“狀态監測”。傳感器持續收集來自裝置的資料，并根據預先設定的規則，包含在預先設定的臨界值出現時發出警報。
- PDM 4.0—基于機器學習的預測性維護：依靠大量的曆史資料或者測試資料，結合為不同情境定制的機器學習算法，預測錯誤出現的時間和位置，然後發出警報。
PDM 4.0是通過先進的分析技術對資産的技術條件、使用、環境、維修曆史、其他類似裝置以及任何可能與之相關的大資料進行分析，預測未來将會發生的故障，并最終制定出最有效的預防措施。
在這個過程中，聽聲能力很重要，就像維護維修專家能夠通過汽車引擎的聲音，來診斷車輛的問題一樣，工業裝置如果擁有了一雙遠端的“順風耳”，結合振動分析，就可以讓PDM方案更精确。聲音同樣還能被用于診斷液體洩露、管道腐蝕和液位測量。
PDM4.0還面臨一個規模化應用的窘境，由于每個裝置的安裝條件、載重性能和外部環境都不相同，單一的AI模型可能無法在類似的電機上批量複制。
TinyML+AutoML使用時間序列傳感器，包括模拟和數字麥克風，可以自适應的建立AI模型。通過聲音傳感與分析，有助于識别預測性維護應用的問題。
初創公司&各類資源
關于TinyML+AutoML，有很多現成的工具和軟體可以使用，物聯網企業不需要招聘昂貴的資料科學家，也不需要擴充團隊，就可以初步嘗試。
這裡介紹比較有代表性的初創公司和資源，包括QEEXO、MindsDB和Cartesiam。
- QEEXO
這家公司成立于2012年，總部位于加利福尼亞州山景城，機器學習的研發團隊位于賓夕法尼亞州匹茨堡，在北京和上海擁有工程師團隊。
目前已經有260多種硬體平台，超過3億台裝置，搭載了QEEXO的機器學習引擎。
知名的包括在華為手機中嵌入的指關節操作技術。
指關節操作功能通過使用指關節在螢幕上敲擊或勾畫，快速調用系統功能，支援利用指關節輕按兩下全屏截屏、敲擊并畫圈局部截屏、敲擊并畫字母S滾動截屏、雙指關節輕按兩下錄屏、直線分屏等5種手勢操作。今年5月，榮耀釋出了新機榮耀X10，指關節操作功能首次下放給了“千元機”。
QEEXO與瑞薩電子等領先硬體廠商進行合作，完成了多種硬體的适配。QEEXO可支援Arm Cortex – M0到M4核的單片機，如瑞薩RA6M3組單片機産品。
據悉，QEEXO的自動機器學習算法将在亞馬遜AWS上架，以SaaS年度訂閱的方式提供服務，并将在下周周一，6月8日進行全球商用版Qeexo AutoML的正式釋出。
- MindsDB
MindsDB公司成立于2017年，總部位于加利福尼亞州伯克利，源自美國加州大學伯克利分校的研究項目，其同名服務已在GitHub上釋出開源版本。GitHub網址：
https://github.com/mindsdb/mindsdb#mindsdb 最近MindsDB完成了一筆300萬美元的融資，用于擴充團隊和驗證商業模式。
- Cartesiam
Cartesiam公司創立于2016年，總部位于法國土倫，商務營運中心位于巴黎和紐約，主要實作讓普通的ARM微控制器都能運作的無監督學習AI。
●Cartesiam
今年2月，Cartesiam釋出了一個名為NanoEdge AI Studio的軟體系統，該系統能夠安全地生成AI算法，并且生成的算法隻需兩分鐘就可在ARM微處理器上運作，容量大小僅為4~16KB RAM。
法國的工業電子制造商Eolane與Cartesiam合作推出了一款名為Bob Assistant的溫度/振動傳感器，主要用于預測工業維修。目前，該解決方案已經被許多歐洲客戶所采用，成為首個大規模部署的工業4.0預測性維護解決方案。
5月19日，Cartesiam釋出了針對STM32開發闆優化的新版NanoEdge AI Studio軟體工具。STM32是意法半導體開發的微控制器。新版提供一個新的硬體平台選項，讓開發者可以直接選擇意法半導體的Nucleo-F401RE或Nucleo-L432KC開發闆。在選擇之後，使用者可以解鎖設計流程的最後一步，下載下傳可在所選硬體平台上立即運作的自定義機器學習庫。
----寫在最後----
看似微小的TinyML和自我進化的AutoML蘊含大機會，物聯網企業需要轉變的首先是思維，積極擁抱和勇于嘗試，或許就會開辟一番新天地。
本文總結：
- TinyML與AutoML正在快速融合，建構嵌入式自動化機器學習算法。
- TinyML與AutoML“攜手”，讓原本“物以稀為貴”的機器學習以親民的方式“飛入百姓家”。
- 嵌入式自動化機器學習算法具有廣泛的應用領域，包括智能家居硬體、智能可穿戴裝置、建築物振動監測和工業預測性維護。
- 這個領域中比較有代表性的初創公司和資源，包括QEEXO、MindsDB和Cartesiam。
【雲栖号線上課堂】每天都有産品技術專家分享！
課程位址：
https://yqh.aliyun.com/zhibo立即加入社群，與專家面對面，及時了解課程最新動态！
【雲栖号線上課堂 社群】
https://c.tb.cn/F3.Z8gvnK
原文釋出時間：2020-06-01
本文作者： iot101君
本文來自：“
物聯網智庫”，了解相關資訊可以關注“
”