建構以資料持續驅動、落地驗證為循環的智慧終端應用

陽明交通大學電子工程學系教授李鎮宜。DIGITIMES攝

人工智慧(AI)與物聯網(IoT)技術推升大量智慧型終端裝置的問世，並成功發展多樣化的落地應用，讓資料加值的服務呈現爆炸式成長，帶動更多科技創新與獨特商業模式，這個趨勢引領AIoT世代的誕生，以往用在雲端資料中心的人工智慧技術，也逐漸朝向終端裝置佈署，鑒於這些以微控制器(MCU)為主要運算單元的小型化裝置，在有限的運算與儲存資源條件下，執行龐大的AI演算法實在力有未逮，一種稱為tinyML的小型化機器學習技術浪潮與商機，正悄悄地嘗試改變這個生態系統。

陽明交通大學電子工程學系教授李鎮宜，受DIGITIMES邀請以「智慧終端裝置如何迎接tinyML浪潮」為題做一個深入的科技導覽，探討結合MCU與tinyML技術加速落地應用的案例，以爭取更多新興市場商機。新興物聯網裝置已經具備能夠以極低功耗執行感測的功能，通常耗電也僅有mW(毫瓦特)以下範圍，搭配電池做為供電，以及加上諸如常時啟動(Always On)的應用，有些用小巧的鈕扣電池甚至也能具備5~10年的續航力，提供多面向的使用範例。

李鎮宜率先引用智慧製造的範例，透過智慧讀錶(Automatic Gauge Reader；AGR)技術，做為機台資料的自動收集系統並加以分析，其使用在傳統製造業的場域中，利用攝像機拍攝傳統探針式電錶的影像，利用從tinyML訓練的小型AI演算法來辨識電錶的數值，再整合到智慧平台以啟動大數據分析等後續服務。

第二個範例是用在穿戴式裝置的應用，這些專司蒐集生理訊號量測的貼身小裝置，成為行動照護應用的一環，由於使用環境的差異，對於容易產生背景雜訊的應用領域往往影響準確性，於是利用小型AI工具做為智慧型雜訊消除的用途，以強化資料收集的品質與可用性，成為醫療照護團隊一個有效的參考資料，並啟動未來智慧醫療應用的商機。

第三個範例是智慧視覺，可以用做非接觸式的監控，或是生理訊號量測之用，涵蓋諸如人臉偵測與辨識的使用範例，逐漸成為一個快速發展的應用領域，做為智慧型的門禁，甚至整合到未來的智慧醫療領域，舉凡遠距心率偵測等用途，皆具備非常廣泛的商用化潛能，台灣甚至有銀行利用臉部辨識幫客戶做身分認證，做為防止洗錢的查證。

一般來說，以ARM Cortex-M系列MCU為主的裝置，用在智慧感測器的應用，諸如感測聲音、振動、溫濕度的範例都已經有實際成果，使用ARM Cortex-M0或Cortex-M3的MCU就能有令人滿意的效果；而智慧影像感測器等應用，考慮到影像資料大小與記憶體需求，要完成影像分類及物件偵測工作，則需要用到Cortex-M4與Cortex-M7等級的晶片；若是規格更高的應用，則Cortex-A、Cortex-R或甚至FPGA的硬體組合，都不在話下。

TinyML訓練需要考慮有效的資料蒐集，以做為模型訓練之用，當然新的模型也會不斷需要持續優化，都會牽涉到最後實際應用的效果。目前研究單位與學術機構正在與零售業等產業尋求合作的契機，因為還是需要同步做商業應用的驗證，才能找到獲得實際場域認可的優化演算法，達到可以商品化的可能。AIoT所處環境與場景非常多元，未來仍需要啟動一個可以持續學習，或使用少量資料即可快速學習的能力，才有全面普及化的機會。