松下继电器厂家代理机器学习与AWS Greengrass的边缘计算相结合

 

到目前为止，边缘计算框架的局限性之一是如何在可能远离数据中心的本地连接设备上处理计算密集型操作(例如机器学习和人工智能所需的那种操作)。然而，最近Amazon Web Services (AWS)更新了Greengrass软件以支持本地ML推断。

 

快速机器学习复习

 

我们之前学过机器学习，但是我们会再复习一些知识点。首先是如何训练机器学习模型。这些是资源密集型的操作，需要许多小时、大量计算能力和大型数据集。这就是为什么这些操作通常在云中或运行Spark或Hadoop的大型分布式计算系统中执行。

 

第二个问题是，一旦这些模型经过训练，如何使用它们。虽然ML模型仍然需要处理能力，但它的运行成本通常要低得多，这使得它对于许多需要基于模型从未见过的数据进行实时推断的操作非常重要。

 

 

AWS Greengrass的与众不同之处在于它将ML模型的训练与ML推理分离开来。前者保留在云中，可以利用云资源的可伸缩性，而后者在连接的设备上进行本地处理。这些设备只需要间歇性的云连接就可以获得新版本的模型。其余的时间，他们可以从他们遇到的任何数据中推导出推论，并在存在连接性时传递这些数据。

 

 

ML、物联网和边缘计算

 

这种分工很自然地适合于物联网设置，在这种环境中，系统可能需要实时推断，而没有大量计算资源的现成可用性。这项技术的一些潜在应用包括:

 

工业设置，其中传感器可以监控活动水平(温度、噪音等)，检测异常行为，并主动安排检查或维修，以保持工厂在最高运行效率。

 

在农业领域，物联网传感器可以监测传统作物或温室作物，测量温度、湿度、酸度和其他因素，以预测作物产量，并帮助农民根据环境变化调整耕作方式。

 

在零售和娱乐场所，摄像头可以安装物体和面部识别算法，以监控人群并改善客户服务。

 

其中面部识别和场景分析可用于主动检测和识别潜在威胁。

 

此外，AWS Greengrass承诺在硬件和框架方面都非常灵活和强大。您可以将自己的预培训模型上传到Amazon S3，但是ML推断还包括TensorFlow Lite和Apache MXNet的包，并且可以支持其他流行的机器学习框架，如coff2和Microsoft Cognitive Toolkit。在硬件方面，ML推断可以在由Raspberry Pi、Intel Atom或Nvidia Jetson TX2驱动的设备上运行，还可以访问设备的GPU，这对于某些应用程序(如密码学和数字货币挖掘)非常有用。

 

本文最初出现在Upwork中。