<code id="fxtmt"></code>

      1. <tr id="fxtmt"><sup id="fxtmt"></sup></tr>
      2. <center id="fxtmt"></center>
        <th id="fxtmt"><option id="fxtmt"></option></th>

        <tr id="fxtmt"></tr>

        <tr id="fxtmt"><sup id="fxtmt"></sup></tr>

        <strike id="fxtmt"></strike>
        1. 主頁 > 人工智能 >

        物聯網機器學習和Azure Sphere

        物聯網
            物聯網(IoT)的步伐日新月異,可以在許多消費者,企業和工業部門中實現新的應用程序和業務模型。當您將“事物”連接到Internet時,您將連接新的數據源,這會導致存儲或上載成本高昂且占用大量資源。隨著物聯網的持續增長,組織和用戶都在將物聯網與機器學習和AzureSphere配對應用中發現了巨大的好處。
         
         
            ML能夠出色地處理嘈雜的傳感器數據,從而確定更高級的見解,例如振動傳感器數據流中的“正常運行”與“冷卻裝置故障”,或音頻流中的“檢測到喚醒字”,或“物品放置正確””與視頻流中的“項目不當”。
         
            ML可以在IoT設備本身,云中或兩者的組合中使用。物聯網設備上的ML使處理更接近于數據生成。這具有很多好處,其中包括:(a)不依賴互聯網連接來確定較高級別的狀態,并在此基礎上采取行動;(b)減少了將數據傳輸到云所消耗的資源;以及長期不需要的數據可以立即使用,然后刪除而不是存儲,(c)它可以增強隱私性,因為原始數據可能包含更多的個人信息(例如,旨在收聽的音頻傳感器意外捕獲的語音)機器行為),因此,如果在本地處理和丟棄數據,則隱私風險較小。
         
            當然,在云中運行ML也有很多好處。大量服務器資源的可用性意味著基于云的ML可以更快,并且可以使用更復雜的模型來實現更高的準確性。耗費大量資源的模型的重新訓練可以更快,并且模型的重新部署可以立即進行。
         
            混合設計也是可能的,其中涉及IoT設備和云中的ML。我們大多數人都會認識到的一個示例是語音助手-喚醒詞在設備上本地識別。盡管如此,語音數據仍將流式傳輸到云服務,在該服務中完成語言理解和響應生成。
         
            AzureSphere和機器學習
         
            您可以使用AzureSphere來構建IoT設備,同時依靠Microsoft來保持對OS安全威脅的關注,這意味著您可以專注于定義設備的實際應用程序邏輯,包括適當的ML。
         
            將AzureSphere用于ML應用程序有很多優點。
         
            首先,Microsoft在設備的整個生命周期內對其進行保護。由于許多需要ML的設備都包括傳感器,例如照相機或麥克風,因此對持續的安全性進行投資非常重要。這是隱私的前提條件-不安全的設備無法保護私有數據。
         
            其次,AzureSphere為設備提供了唯一身份,并提供了一個證書,用于對該身份進行編碼以連接到云服務。結果是沒有其他設備可以偽裝成該設備。這對于ML應用尤其重要,因為被錯誤地認為是來自設備的數據會污染訓練數據集,從而降低ML性能。
         
            第三,AzureSphere的應用程序更新服務提供了一種更新ML模型和ML運行時的簡便方法。
         
            最后,機器學習模型是有價值的知識產權,AzureSphere平臺的安全性可以保護那些模型。
         
            AzureSphere通過“TinyML”支持機器學習,并詳細介紹了可以在MT3620上運行的四種不同的TinyML解決方案。這篇文章將描述將這些ML解決方案之一與云ML服務結合使用的演示,展示如何使用AzureSphere構建這種混合ML解決方案是多么容易。
         
            識別面孔:機器學習和AzureSphere啟用認知服務
         
            為了說明基于AzureSphere的ML和云ML如何協同工作,我們將使用一個識別個人的示例應用程序。這可用于諸如根據用戶個性化其體驗的設備或安全應用程序(如僅允許經過授權和訓練有素的人員進入工業建筑中潛在危險的地點)之類的場景。
         
            面部識別由Azure認知服務支持。培訓此認知服務以識別個人非常容易。但是,如果將其直接用于監視用戶的IoT設備,則該IoT設備將不得不不斷上傳圖片,由于許多原因,包括帶寬和云服務成本,隱私隱患和能源,這是一個糟糕的設計。消耗。
         
            另一方面,將這種機器學習模型部署到MT3620會遇到困難。需要針對每個設備的個人用戶重新訓練合適的ML模型,這意味著每個IoT設備都需要一個不同的模型。某些ML模型很大,盡管可以使用各種技術對其進行壓縮,但最終,對于某些任務而言,高性能可能無法實現。
         
            解決方案是使用混合方法。在我們的面部識別示例中,我們使用Mediatek作為Neuropilot-Microframework的一部分提供的預先存在的模型對MT3620進行人檢測。僅當感測到一個人時,我們才需要使用認知服務進行面部驗證以確定身份。
         
         
            我們使用聯發科記錄的同一個人檢測硬件和NeuroPilotMicroML模型構建了此演示。要使用CognitiveServicesFaceAPI,此網頁介紹了入門方法,并包含指向該API樣本的鏈接。
         
            負責任的AI
         
            最后,我們應該注意,機器學習是一項負責任地應用的特別重要的技術?;贛L的產品應設計為保護諸如包容,以人為本,行為可理解和促進公平等原則。

        本文由網上采集發布,不代表我們立場,轉載聯系作者并注明出處:http://www.hmczc.com//a/peixun/224.html

        聯系我們

        在線咨詢:點擊這里給我發消息

        微信號:weixin888

        工作日:9:30-18:30,節假日休息

        <code id="fxtmt"></code>

          1. <tr id="fxtmt"><sup id="fxtmt"></sup></tr>
          2. <center id="fxtmt"></center>
            <th id="fxtmt"><option id="fxtmt"></option></th>

            <tr id="fxtmt"></tr>

            <tr id="fxtmt"><sup id="fxtmt"></sup></tr>

            <strike id="fxtmt"></strike>
          3. dy888午夜第九达达兔网a_在线看片免费人成视频网_av中文字幕网免费观看_日本特黄特色aaa大片免费