機器學習 (ML) 是一項革命性的技術,它促進了前所未有的應用。盡管如此,該技術在許多方面仍然受到限制,因為它通常僅限于數據中心和高性能計算機。人工智能 (AI) 是 ML 的固有部分,將其帶到邊緣正在挑戰這一概念,并解鎖迄今為止無法實現的新用例。
一個這樣的用例是野生動物保護。在野生動物保護領域工作的組織正在邊緣執行 ML 推理,以研究、跟蹤和保護瀕危物種。跟蹤攝像頭和環境傳感器等工具正在生成可與 ML 相結合的數據,以更好地為保護工作提供信息。
在這篇文章中,我們研究了Conservation X Labs如何與領先的邊緣設備 ML 開發平臺 Edge Impulse 密切合作,共同開發將邊緣 AI 引入野生動物保護領域的解決方案。
Conservation X Labs:野生動物保護的機器學習
Conservation X Labs 旨在開發以創新和技術為動力的解決方案,以防止第六次生物大滅絕。他們關注危機的驅動因素,而不是癥狀,從源頭上解決問題。
為了支持這些努力,Conservation X Labs 設計了創新的監測和跟蹤技術,例如Sentinel,以幫助防止野生動物走私,阻止入侵物種的傳播,并為健康的生態系統做出貢獻。Sentinel 是一種基于 Google Coral 的人工智能工具包,可連接到跟蹤攝像頭等設備,為它們提供邊緣人工智能功能。例如,借助 Sentinel,Conservation X Labs 可以將標準跟蹤相機升級為運動跟蹤相機,能夠利用 ML 執行自動野生動物檢測和分類以進行保護研究。
在這類系統的設計中,最重要的功能之一就是實時監控。通過實時監控,跟蹤攝像機可以觀察、檢測和捕獲動物的實時圖像或視頻。成功實時監控的關鍵是低延遲計算。
通常,ML 應用程序依賴基于云的數據中心來執行計算密集型 ML 算法。然而,對于像 Conservation X Labs 這樣的應用程序,云計算并不是一個可行的解決方案。
利用邊緣計算保護野生動物
云計算不適合 Conservation X Labs 應用的一個主要原因是野生動物檢測和跟蹤設備通常部署在孤立和偏遠的位置。這樣的位置會使監控設備很難找到滿足云計算要求所需的高帶寬無線連接。在野外,在叢林之類的地方,幾乎不存在蜂窩連接。
此外,無線通信可能需要更高的能量和安全成本。為了使野生動物保護設備最有效地完成工作,它們需要盡可能長的電池壽命,因為遠程部署的攝像機更換電池是不現實的選擇。因此,目標通常是限制在系統上來回發送的數據量。
所有這些因素導致 Conservation X Labs 得出一個結論:部署的工具需要利用邊緣計算。通過在邊緣運行算法,Conservation X Labs 設計了野生動物監測工具,這些工具可提供實時性能,而無需云計算帶來的成本和時間開銷。
邊緣計算挑戰
Conservation X Labs 在設計用于野生動物保護的邊緣 AI 設備方面很快遇到了重大挑戰。
一個挑戰是追蹤不同種類動物所需的模型多樣性,因為每只動物都需要自己獨特的數據集和模型訓練。持續訓練新模型所需的云資源數量巨大,相關的財務成本同樣過高,數以千計——從業務角度來看,這是一個不可持續的數額。
另一個主要挑戰是跟上動態和快節奏的 ML 領域,特別是其當前最先進的技術,包括高級算法、新庫和不斷發展的依賴項。為了最有效地執行保護工作,Conservation X Labs 盡可能應用了最先進的工具——當最先進的技術經常變化時,這不是一件容易的事。跟上該領域的步伐不僅困難,而且也是不可取的,因為它使開發人員無法專注于可能更重要的問題,例如解決方案的有效性。
邊緣脈沖的作用
在嘗試了許多其他工具后,Conservation X Labs 發現 Edge Impulse 是應對這些挑戰的絕佳解決方案。
Edge Impulse 的平臺使邊緣 ML 模型的開發、優化和部署變得極其容易和可訪問。該平臺使開發人員能夠在高級別管理工作負載,涵蓋從數據準備和數據選擇到模型選擇、模型訓練和模型部署的所有內容,包括特定于設備的二進制文件。
Edge Impulse 使這些過程完全自動化,并使用最新的庫和依賴項來確保 ML 解決方案基于最前沿。反過來,開發人員可以降低這些更細致的后端任務的優先級。
解決滅絕危機
為了保護對這個星球上的生命至關重要的生物多樣性和自然,Conservation X Labs 需要先進的技術來提高保護工作的速度和規模。如今,邊緣機器學習已經實現了前所未有的用例,為解決迫在眉睫的滅絕危機開辟了一條清晰的前進道路。
得益于 Edge Impulse,Conservation X Labs 開發了邊緣設備來監控、檢測并最終保護瀕危野生動物。Conservation X Labs 相信這些先進技術可以幫助恢復自然世界的平衡并防止未來危機的發生。
審核編輯黃昊宇
-
人工智能
+關注
關注
1796文章
47666瀏覽量
240272 -
機器學習
+關注
關注
66文章
8438瀏覽量
133080
發布評論請先 登錄
相關推薦
評論