2021年物聯網嵌入式機器學習的主要趨勢

物聯網（IOT）正迅速改變人類的方式生活和連接設備的數量呈指數級增長。但是，兩個重大挑戰是離網IoT應用程序的電池壽命以及邊緣設備進行遠程連接的能力。原始數據傳輸對任何設備來說都是非常耗電的活動。另一方面，傳統的蜂窩廣域網非常耗電，並且與電池供電的物聯網設備不兼容。

需要低功耗邊緣計算設備，這些設備可最大程度地減少傳輸負載並集成LPWAN（低功耗廣域網）技術，該技術可提供廣泛的連接能力，同時仍具有較長的電池壽命。如今，最有前途的LPWAN技術之一就是LoRa（長距離的簡稱）。通過使用IoT應用程序或LoRa實施嵌入式機器學習，傳輸的數據可以壓縮512倍，將電池壽命延長三倍。

但是，COVID-19對全球供應鏈的影響可能會阻礙嵌入式機器學習的創新和增長。儘管存在矽短缺，但正如行業觀察家所預測的那樣，物聯網設備上的嵌入式機器學習的各種新功能將在2021年出現。讓我們探索2021年用於IoT預測的頂級嵌入式ML。

強制價格成熟

在設備級別採用更多智能解決了與帶寬和延遲相關的問題。預計今年將生產更多依靠企業清理現有系統的自主芯片。

企業IT高管對已經嵌入的技術內容完全不知所措。但是，問題在於連接並吸收了它。在內存有限的小型設備上運行經常具有數十億數學運算能力的全面深度學習模型可能是不可行的。

ML和AI的加速

儘管人工智能（AI）芯片市場由於COVID-19大流行而受到影響，但預計在2020年至2024年之間的複合年增長率將超過42％。數據中心越來越多地採用AI芯片將加速其增長。

聊天機器人正在幫助汽車保險業在冠狀病毒大流行中生存。由ML注入的數字保險平台研究申請人可以在不進行面對面交流的情況下記錄，審查數據，將風險指標應用於承保範圍和定價以及與發行相關的政策。

毫無疑問，COVID-19大流行加速了ML應用程序的開發，從而解決了研究，數字化勞動力等領域的當今問題。

復興製造業中的嵌入式ML

隨著公司希望利用深度學習和神經網絡來預測時間序列數據，包括製造業在內的多個行業在2020年都進行瞭如此多的AI / ML對話。製造商以各種方式面臨著機械故障的挑戰。從外部看，產品看起來可能很完美，但是一旦使用，它可能會損壞，從而給製造商造成巨大損失。在這種情況下，利用有關如何檢查機器的大量時間序列數據，嵌入式ML和機器可以確定需要有效測試的某些區域。

此外，雲和物聯網傳感器在製造業現代化中也起著至關重要的作用。通過將它們嵌入機械中，製造商可以更好地預測維護並克服將來可能發生的設備問題。嵌入式ML解決方案使整個製造過程自動化，從而增加了智能製造操作。