Daya tarik menempatkan AI dalam aplikasi yang disematkan sudah jelas, misalnya menggunakan face-id untuk mengotorisasi akses ke kontrol mesin di lantai pabrik. Pengenalan wajah, kontrol suara, deteksi anomali, dengan AI ada begitu banyak kemungkinan. Saya akan menggunakan face-id sebagai contoh di blog ini. Jauh lebih mudah digunakan, lebih cerdas, dan lebih tangguh daripada antarmuka manusia-mesin dan kata sandi tradisional. Belum lagi semua orang melakukannya. Cara kerja AI mungkin tampak ajaib, tetapi apa yang dapat dilakukannya dengan cepat menjadi harapan minimum. Tidak ada yang ingin mengevaluasi produk secara transparan berdasarkan teknologi kemarin.
(Sumber:CEVA)
Tantangan
Ada masalah untuk pembuat produk. Pengembangan berbasis AI sangat berbeda dari pengembangan tertanam standar. Anda tidak sedang menulis perangkat lunak, setidaknya untuk fungsi inti. Anda harus melatih jaringan saraf untuk mengenali pola (seperti gambar), sama seperti Anda melatih seorang anak di sekolah. Kemudian Anda harus mengoptimalkan jaring itu ke tapak terbatas perangkat tertanam Anda, untuk memenuhi tujuan ukuran dan daya. Jaring saraf mungkin bukan kode konvensional, tetapi jaring dan perhitungannya masih menghabiskan memori dan membakar daya. Sebagai pengembang tersemat, Anda tahu betapa pentingnya memeras metrik ini sebanyak mungkin. Saya akan membahas ini di blog saya berikutnya. Untuk saat ini, mari kita pahami setidaknya beberapa cara kerja jaringan saraf ini.
Dasar-dasarnya
Saya tidak ingin memandu Anda melalui penjelasan panjang lebar tentang jaringan saraf; apa yang harus Anda lakukan untuk membuat aplikasi Anda berfungsi. Jaringan saraf secara konseptual adalah serangkaian lapisan "neuron". Setiap neuron membaca dua (atau lebih) input dari lapisan sebelumnya atau data input, menerapkan perhitungan menggunakan bobot terlatih dan meneruskan hasilnya. Berdasarkan bobot ini, sebuah lapisan mendeteksi fitur, secara progresif semakin kompleks saat Anda berpindah melalui lapisan, akhirnya mengenali gambar yang kompleks pada output.
Bagian cerdas pertama kemudian adalah merancang jaring – berapa banyak lapisan, koneksi antar lapisan dan seterusnya – algoritma jaringan saraf inti. Bagian pintar kedua adalah dalam pelatihan. Ini adalah proses di mana banyak gambar dijalankan melalui internet, dengan pelabelan untuk mengidentifikasi apa yang harus dikenali. Lari ini meningkatkan nilai bobot yang diperlukan untuk pengenalan.
Jika Anda merasa ambisius, Anda dapat membangun jaringan saraf Anda sendiri dari awal untuk salah satu jaringan standar seperti TensorFlow. Anda juga bisa memulai dari opsi open-source seperti ini untuk face-id. Anda dapat membangun semua ini menjadi sebuah aplikasi yang dapat berjalan di laptop, yang akan berguna bagi pelanggan yang ingin mendaftarkan wajah baru yang disetujui. Sekarang Anda dapat mulai melatih jaringan Anda dengan serangkaian tes wajah yang disetujui dalam berbagai pose.
Mengapa tidak melakukannya di awan saja?
Ada layanan yang akan melakukan pengenalan wajah secara online – tidak perlu masuk ke AI yang berantakan di perangkat Anda. Cukup ambil gambar, unggah ke cloud, aplikasi mengirimkan kembali OK dan produk Anda menyetujui langkah berikutnya.
Namun – semua karyawan Anda yang disetujui harus memiliki foto dan kredensial lainnya di cloud. Mungkin bukan ide yang bagus untuk keamanan dan privasi. Anda akan menghabiskan cukup banyak daya untuk mengomunikasikan gambar ke cloud setiap kali seorang pekerja menginginkan akses ke mesin. Dan jika koneksi Internet Anda terputus, tidak ada yang dapat disetujui hingga koneksi kembali. Melakukan autentikasi langsung di perangkat akan menjaga privasi dan keamanan, menjaga permintaan daya tetap rendah, dan terus bekerja bahkan saat koneksi jaringan terputus.
Berikutnya – menyematkan jaringan terlatih Anda
Sekarang Anda telah menyelesaikan bagian sulit AI, Anda harus mengunduhnya ke perangkat Anda. Itu adalah langkah yang menarik, di mana Anda pasti membutuhkan bantuan dari platform AI Anda. Saya akan membicarakannya lebih lanjut di blog saya berikutnya. Sementara itu, untuk informasi lebih lanjut, lihat “Pembelajaran mendalam untuk dunia tertanam real-time”.
Ariel Hershkovitz menjabat sebagai Manajer Senior Solusi Pelanggan CEVA untuk Alat Pengembangan Perangkat Lunak. Ariel membawa lebih dari 14 tahun pengalaman multi-disiplin, mencakup pengembangan perangkat lunak, verifikasi, integrasi dan penyebaran pengiriman perangkat lunak, baik dalam peran teknis dan manajerial. Dia bersemangat tentang pengalaman pengguna, kemudahan penggunaan, dan teknologi inovatif. Sangat mahir dalam menganalisis masalah yang kompleks dan menyederhanakannya untuk penyelesaian yang cepat. Ariel menyandang gelar B.Sc. dalam Ilmu Komputer dari Universitas Ben-Gurion, dan MBA dari Universitas Bar-Ilan.
Konten Terkait:
Menerapkan pembelajaran mesin dalam sistem tersemat
Tantangan dan peluang untuk pembelajaran mesin di IoT
Mengatasi bias pelatihan dalam pembelajaran mesin
Memanfaatkan FPGA untuk pembelajaran mendalam
Skor tolok ukur menyoroti berbagai kinerja inferensi pembelajaran mesin
Mentransfer pembelajaran untuk IoT
Algoritme dan tantangan kecerdasan buatan untuk kendaraan otonom
Untuk lebih banyak Tertanam, berlangganan buletin email mingguan Tersemat.
Ariel Hershkovitz menjabat sebagai Manajer Senior Solusi Pelanggan CEVA untuk Alat Pengembangan Perangkat Lunak. Ariel membawa lebih dari 14 tahun pengalaman multi-disiplin, mencakup pengembangan perangkat lunak, verifikasi, integrasi dan penyebaran pengiriman perangkat lunak, baik dalam peran teknis dan manajerial. Dia bersemangat tentang pengalaman pengguna, kemudahan penggunaan, dan teknologi inovatif. Sangat mahir dalam menganalisis masalah yang kompleks dan menyederhanakannya untuk penyelesaian yang cepat. Ariel menyandang gelar B.Sc. dalam Ilmu Komputer dari Universitas Ben-Gurion, dan MBA dari Universitas Bar-Ilan.