您是否打算将人工智能(AI)集成到您的下一个产品设计中?机器学习(ML)和深度学习(DL)怎么样?首先，您可以了解这三个概念的区别、每个模型的工作方式，以及目前可用的解决方案，以使您能够快速地将这些技术集成到您的设计中。
再次感谢您参加我们的“边缘AI:嵌入式系统中的机器学习”会议。以下是演讲后的问题和他们的回答。如果你还有其他问题，一定要问接触。
它真的取决于。机器学习应用涵盖了整个领域。正如我们所看到的，还有更简单的应用，比如监控几个传感器的振动模式变化的例子，作为建筑机器预测性维护服务的用例。对于这个用例，一个小的微控制器和很少的内存就足够了。还有一些高端应用，比如在高分辨率视频流中检测物体，显然需要大量的计算能力和内存带宽来调整数据。
今天，许多机器学习应用程序起源于云开发，在云开发中有大量可用的计算资源。2022世界杯G组开发人员不关心那里的计算资源，这与嵌入式设备形成了鲜明的对比。2022世界杯G组现在，我们的目标或愿望是将这些功能转移到没有所有可用计算性能的边缘，这是一个棘手的任务。随着机器学习的发展，对于资源受限的嵌入式设备，需要更加关注模型的使用和优化。
还有像我们的合作伙伴Au-Zone这样的供应商，我们在演示中也看到了，他们是这方面的专家，他们提供了嵌入式推理引擎和模型优化工具，以便在这些受限的嵌入式设备上运行，即使在可用的计算资源很少的情况下，也具有低内存占用和快速推理时间。2022世界杯G组
我们看到了语音识别的例子。再次强调，我们将通过我们的ConnectCore SoM解决方案提供这样一个解决方案，它是针对嵌入式设备优化的。所以你不需要一个昂贵的神经网络处理单元。你可以运行那个应用程序，语音识别应用程序支持成千上万的单词和词汇在一个单一的Cortex-A核心上，只有不到50%的负载，而你可能需要一个NPU，如果你用一个非优化的构建你自己的开源机器学习框架来做同样的事情。
当然，处理文本并对文本元素进行分类是可能的。所以这在机器学习中绝对是可能的。有很多这样的用例，例如，你的垃圾邮件过滤器处理文本和电子邮件，并将其分类为垃圾邮件或非垃圾邮件。那些邮件里写的不是很有诗意，但我想是有关联的。
如果这是问题的话，有针对机器学习应用的安全威胁。例如，攻击者试图用某种技术修改机器学习模型的输入，以误导模型，使其对一个对象(例如，甚至可能是交通应用程序中的一个路标)进行错误分类。通过正确的操作，它也会给出一个高置信系数这当然是一个安全问题也是一个安全问题。
这样的攻击被称为对抗性示例攻击，有一些方法可以加强模型以对抗这种攻击，这些方法可以在模型训练和开发过程中应用。机器学习的其他安全问题包括模型盗窃或模型版本攻击。Digi正在提供来自NXP和eIQ机器学习工具的可用对策，以解决这些特定于机器学习的安全问题。
但是一般的系统安全性也很重要，其他安全特性，如安全引导、加密文件系统、受保护端口和篡改检测也需要启用。我们提供的安全框架是ConnectCore的一部分，即Digi TrustFence，这是Digi ConnectCore SoM提供的一个完整的安全框架。我刚才提到的所有特性都完全集成到引导加载程序、内核和根文件系统中，无需成为安全专家或花费许多周的时间来启用它们就可以使用。所以他们在所有的硬件和软件层工作。
是的,当然。该录音稍后将在BrightTALK平台上播放。我们也会在我们的网站www.phdurl.com上发布链接。在参考资料部分2022世界杯G组，您可以看到一个网络研讨会部分。这里是我们发布网络研讨会的地方，稍后可以观看。
这是在培训阶段完成的。通常，你有大量的数据来训练模型。然后，将不同的数据放在一边进行实际测试，以验证模型的准确性。一旦你对精确度感到满意，你就大功大成了。但如果你对精确度不满意，你就需要更多的训练数据，将其输入模型，训练它，然后用不同的数据再次测试，迭代这个过程，直到你对精确度满意。只是在高水平上。
我不确定我的问题是否正确。但有两种方法。你可以从头开始建立一个模型，然后自己完成，你需要很多很多的数据。但通常情况下，你会使用一个预先训练好的模型，然后应用一种叫做转移学习的东西。对于图像识别、语音识别、文本和许多其他事情，都有一些预先训练好的模型，您需要找到一个用例或包含您的用例的模型。然后你可以应用迁移学习来调整或修改这个模型这样它就能服务于你的用例。
因此，在这种情况下，可以配置唤醒词。所以你可以定义自己的唤醒词，并在那个模型中学习。所以你可以输入你想要学习的命令，然后记录下来，应用不同的说话方式，然后引擎就会识别这些单词。同时转移模型，使它在Cortex-M核心的嵌入式设备上运行，并优化它，使其在那个引擎上高效运行。我想说，唤醒词的延迟不是特别重要。我的意思是，这是人类与机器的互动。所以如果这需要多花几毫秒，那真的不是问题。所以它不需要是一个真正的低延迟。但是，就使用它的人而言，仍然是时髦的。但是延迟并不是特别重要。 And it was below a second so it was seamless to switch on the machine.
对不起，我不能回答这个问题。我没有FPGA方面的经验。我相信这可以用来模拟神经网络处理引擎。我相信有一些IP可以在FPGA中运行这个功能。但是所有这些核心都是可用的。今天的嵌入式soc，芯片上的系统，你通常都没有使用GPU。你有多个Cortex-A核心。通常会有一个与之分离的Cortex-M核心。所以有了这些高度集成的soc，就有了大量的核心和选择。因此，使用外部FPGA只会增加成本和设计复杂性。 But if it's required, I'm sure there's options to run neural network accelerators in an FPGA.