硬件工程师们，边缘计算已经跑到MCU里了，你觉得机器学习还远吗

机器学习需要大量的数据集来进行正确的推断，而通过将这些数据集传输到云端来处理这些数据集是不实际的。从用户设备生成的数据通常需要在该设备上进行处理，以降低功耗和带宽成本，只需将决策数据传输到云端。

传统上，处理大型数据集并不是资源受限设备的强项。然而，Qeexo有一个叫做AutoML的解决方案，旨在通过优化Cortex M0到M4设备上的部署来解决这个问题。

LSM6DSOX的机器学习流程图。图片使用由ST微电子

今天，与STMicroelectronics合作，qexo已经迈出了下一步在设计优化中，直接在传感器上部署AutoML应用程序。由于不需要微控制器（MCU），AutoML可以直接部署在带有嵌入式机器学习核心的MEMS传感器上。

Qeexo公司由李善元（CEO）和克里斯·哈里森（CTO）于2012年成立。该公司专注于为高度受限系统（如Cortex-M0）上的机器学习提供部署和优化解决方案。

AutoML，一个机器学习平台，提供“一键式”解决方案来部署机器学习能力在边缘。简单地说，AutoML部署包有五个主要过程：

• 定义您的项目

• 选择传感器和目标硬件

• 收集或上传数据

• 自动机器学习

• 部署或下载ML包

对于希望了解配置的电气工程师来说，查看一些受支持的传感器可以帮助提供概述。

使用AutoML配置和设置ML解决方案的步骤2，其中显示了加速度计的列表。图片使用由Qeexo公司

该软件设计用于从多个频率的各种传感器和目标硬件设备捕获数据。qexo和STMicroelectronics之间的新合作将传感器直接用于部署，而不是MCU。

机器学习算法的一些用途是交通服务 ,自动驾驶汽车，和通信网络. 然而，另一个用途是提高日常生活质量，例如，通知你当你的水壶沸腾时[视频]

或者，您也可以监视电动工具的生命周期。使用STMicroelectronics'iNEMO单片MEMS传感器使用嵌入式机器学习核心（MLC），您可以推理决定[视频]您的钻机闲置、钻孔或驱动螺丝的频率以及这三项活动中每项活动执行的时间。

带有MLC的传感器，用于检测钻井作业的存在【视频：1:17】。视频截图由ST微电子

机器学习核心可以检测来自加速度计和陀螺仪的一组特定的传感器数据，对其进行解释，并将这些数据中继到相关的主机设备。

优化高计算能力ML边缘应用程序可能会很有挑战性，尤其是那些靠电池供电的人。在传感器上集成机器学习核心，如 LS6D盒，可以卸载或消除运行MCU的需要，降低系统整体功耗。

来自STMicroelectronics的MEMS系列，包括MLC嵌入式LSM6DSOX。图片使用由ST微电子

在0.55毫安，LSM6DSOX是一个节能模块，用于检测倾斜和显著运动。该模块有一个I2C接口，允许直接与MCU或下游通信模块接口。

使用Qeexo的AutoML平台快速部署机器学习模型将允许工程师快速地在原型板上获得应用程序。优化后，这些板可以更快地上市。

你有在边缘设备上运行ML应用程序的经验吗？它给您的应用程序带来了哪些挑战或好处？请在下面的评论中告诉我们。