Maison > Périphériques technologiques > IA > Comment utiliser l'intelligence artificielle pour optimiser l'IoT de pointe

Comment utiliser l'intelligence artificielle pour optimiser l'IoT de pointe

WBOY
Libérer: 2023-05-16 11:04:13
avant
1508 Les gens l'ont consulté

Alors que de plus en plus d'entreprises combinent des appareils Internet des objets (IoT) avec des capacités informatiques de pointe, les gens sont de plus en plus curieux de savoir comment l'intelligence artificielle (IA) peut être utilisée pour optimiser ces applications. Voici quelques possibilités qui suscitent la réflexion.

Comment utiliser lintelligence artificielle pour optimiser lIoT de pointe

Utiliser l'apprentissage automatique pour améliorer la précision de l'inférence des capteurs IoT

Les chercheurs en technologie en sont encore aux premiers stades de leurs recherches sur la manière d'améliorer les performances des capteurs IoT déployés en périphérie grâce à l'apprentissage automatique. Les premières applications incluent l'utilisation du capteur pour la classification d'images ou des tâches impliquant le traitement du langage naturel. Mais il existe un exemple de la façon dont les gens peuvent progresser.

Les chercheurs du réseau IMDEA se rendent compte que si des capteurs IoT sont utilisés pour des tâches spécifiques d'apprentissage en profondeur, cela peut empêcher le capteur de garantir une qualité de service spécifique, comme des retards et une précision d'inférence réduite. Cependant, les chercheurs impliqués dans le projet ont développé un algorithme d’apprentissage automatique appelé AMR2 pour relever ce défi.

AMR2 exploite l'infrastructure informatique de pointe pour rendre les inférences des capteurs IoT plus précises tout en permettant une réponse rapide et une analyse en temps réel. Les expériences montrent que par rapport aux résultats des tâches de planification de base sans utiliser l'algorithme, la précision du raisonnement après utilisation de l'algorithme est améliorée de 40 %.

Ils ont découvert que des algorithmes de planification efficaces comme celui-ci sont essentiels au bon fonctionnement des capteurs IoT lorsqu'ils sont déployés en périphérie. Un chercheur du projet a souligné que si les développeurs utilisent l'algorithme AMR2 pour un service similaire à Google Images (qui classe les images en fonction des éléments qu'elles contiennent), cela peut affecter la latence d'exécution. Les développeurs peuvent déployer cet algorithme pour garantir que les utilisateurs ne remarquent pas de tels retards lors de l'utilisation de l'application.

Edge AI réduit la consommation d'énergie des appareils connectés

En 2023, une étude menée auprès des directeurs financiers d'entreprises technologiques a montré que 80 % des entreprises prévoyaient d'augmenter leurs revenus au cours de l'année à venir. Mais pour augmenter les revenus, les employés doivent comprendre les besoins des clients et fournir des produits ou des services en conséquence.

De nombreux fabricants d'appareils IoT souhaitent que les gens portent régulièrement leurs produits. Certains appareils portables peuvent détecter lorsqu'un travailleur isolé est tombé ou souffre ; ils peuvent également détecter lorsqu'un rôle physiquement exigeant est épuisé et a besoin d'une pause. Dans ce cas, les utilisateurs doivent avoir confiance dans leurs appareils IoT et savoir qu’ils fonctionneront de manière fiable au travail et au-delà.

C’est l’une des raisons pour lesquelles les chercheurs étudient comment l’IA de pointe peut améliorer l’efficacité énergétique des appareils IoT. Les appareils IoT sont utilisés pour étudier les effets d’une position assise prolongée sur la santé et comment une posture correcte peut améliorer les résultats. Tout appareil IoT qui capture des données sur le style de vie doit collecter des données en continu. Il y a donc peu ou pas de chance qu'il arrête de collecter des informations parce que l'appareil est à court de batterie.

Afin d'éviter la situation ci-dessus, les appareils sans fil portés par les sujets sont généralement alimentés par des piles bouton. En règle générale, chaque gadget dispose de capteurs inertiels qui collectent des données précises sur la quantité de mouvements des personnes au cours de la journée. Cependant, le principal problème est qu'en raison de la grande quantité de données transférées, la batterie ne dure que quelques heures. Par exemple, des recherches montrent qu'un capteur de mouvement à neuf canaux qui lit 50 échantillons par seconde générera plus de 100 Mo de données par jour.

Cependant, les chercheurs se rendent compte que l'apprentissage automatique peut permettre aux algorithmes de transmettre uniquement les données critiques des appareils IoT déployés en périphérie vers les smartphones ou d'autres appareils permettant d'analyser les informations. Ils ont continué à utiliser des réseaux neuronaux récurrents pré-entraînés et ont constaté que l’algorithme atteignait des performances en temps réel et était capable d’améliorer les fonctionnalités des appareils IoT.

Créer des opportunités de formation à l'intelligence artificielle côté appareil

Les progrès de l'informatique de pointe offrent la possibilité d'utiliser des appareils intelligents dans davantage d'endroits. Par exemple, il a été proposé de déployer des lampadaires intelligents pouvant être allumés et éteints en fonction des conditions de circulation en temps réel. Les chercheurs et passionnés de technologie sont également intéressés par les opportunités accrues de formation à l’intelligence artificielle déployée directement sur les appareils IoT à la périphérie. Cette approche peut améliorer la fonctionnalité du produit tout en réduisant la consommation d'énergie et en améliorant la protection de la vie privée.

Une équipe du MIT a étudié la faisabilité de former des algorithmes d'intelligence artificielle sur des appareils intelligents. Ils ont essayé d'optimiser plusieurs techniques, dont l'une ne nécessite que 157 Ko de mémoire pour entraîner les algorithmes d'apprentissage automatique sur un microcontrôleur, tandis que d'autres méthodes d'entraînement légères nécessitent généralement 300 à 600 Mo de mémoire. Cette innovation a donné lieu à des améliorations significatives.

Toutes les données générées pendant la formation restent sur l'appareil, réduisant ainsi le risque de violation de la vie privée, ont expliqué les chercheurs. Ils présentent également des cas d’utilisation pour la formation lors d’une utilisation normale, par exemple si l’algorithme peut apprendre en tapant sur un clavier intelligent.

Cette approche donne certainement des résultats impressionnants. Dans un cas, l’équipe a entraîné l’algorithme pendant seulement 10 minutes avant de pouvoir détecter des personnes dans les images. Cet exemple montre que l’optimisation peut aller dans les deux sens.

Alors que les deux premiers exemples se concentrent sur l'amélioration du fonctionnement des appareils IoT, cette approche améliore également le processus de formation de l'IA. Cependant, cela bénéficierait à la fois aux algorithmes d’IA et aux appareils IoT Edge si les développeurs pouvaient former les algorithmes sur les appareils IoT et obtenir de meilleures performances.

Comment utiliser l'intelligence artificielle pour améliorer le fonctionnement des appareils IoT Edge ?

Ces exemples illustrent l'intérêt des chercheurs alors qu'ils explorent comment l'intelligence artificielle peut améliorer la fonctionnalité des appareils IoT déployés à la périphérie. J’espère que ceux-ci vous fourniront des informations et une inspiration précieuses. Il est toujours préférable de commencer par un problème bien défini, puis de rechercher des technologies et des approches innovantes qui peuvent vous aider à atteindre vos objectifs.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Étiquettes associées:
source:51cto.com
Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn
Tutoriels populaires
Plus>
Derniers téléchargements
Plus>
effets Web
Code source du site Web
Matériel du site Web
Modèle frontal