本文探討了人工智慧 (AI) 的普及給嵌入式設計人員帶來的新挑戰。在創建“邊緣機器學習 (ML)”應用時，設計人員必須確 保其能有效運行，同時最大限度地降低處理器和儲存開銷，以及物聯網 (IoT) 設備的功耗。
從監控和存取控制到智能工廠和預測性維護，基於機器學習 (ML) 模型構建的人工智慧(AI) 在工業物聯網邊緣處理應用中已變得無處不在。隨著這種普及，支援 AI 的解決方案的構建已經變得“大眾化”——從資料科學家的專業領域轉為嵌入式系統設計人員也需要了
解的領域。這種大眾化帶來的挑戰在於，設計人員並不一定具備定義要解決的問題以及以最恰當方式擷取和組織資料的能力。此外，與消費性解決方案不同，工業 AI 實現的現有資料集很少，通常需要用戶從頭開始創建自己的資料集。
圖：圖為簡化的 AI 工作流程。雖然圖中未顯示，但模型部署本身必須將資料反饋回流程中，甚至可能影響資料的收集。
