加速邊緣 AI 創新
隨著對智慧邊緣裝置的需求爆炸式增長，AI 正迅速向邊緣遷移，但許多開發者仍面臨難以將強大模型嵌入微型微控制器的困境。開發者面臨著陡峭的學習曲線，必須同時處理數據預處理、模型選擇、超參數調校以及硬體特定的優化。現在，想像一下在微控制器等受限平台上建構並部署強大且資源密集型的機器學習模型，而無需與複雜的程式碼或硬體限制搏鬥。
今天，我們非常高興地介紹 AutoML for Embedded。這款由 Analog Devices, Inc. (ADI) 與 Antmicro 共同開發的工具，現已作為 Kenning 框架的一部分正式上市。Kenning 是一個硬體無關的開源平台，用於優化、基準測試及在邊緣裝置上部署 AI 模型。AutoML for Embedded 旨在讓從嵌入式工程師到數據科學家的每個人，都能更輕鬆地實現高效且具擴展性的邊緣 AI。
AutoML for Embedded 改變了遊戲規則。透過自動化端到端的機器學習流水線（Pipeline），它賦予經驗較少的開發者建構高品質模型的能力，並幫助專家加速實驗過程。結果如何？產出輕量且高效的模型，在不超過裝置限制的情況下提供強大的性能。
與 CodeFusion Studio™ 及 ADI 硬體無縫整合
AutoML for Embedded 是一款基於 Kenning 函式庫開發的 Visual Studio Code 外掛程式，旨在自然地融入您現有的工作流程。它與 CodeFusion Studio™ 整合並支援：
-
ADI MAX78002 AI 加速微控制器（MCU）與 MAX32690： 將模型直接部署到業界領先的邊緣 AI 硬體。
-
模擬與 RTOS 工作流程： 利用基於 Renode 的模擬與 Zephyr RTOS 進行快速原型設計與測試。
-
通用開源工具： 實現靈活的模型優化，無平台鎖定風險。
透過逐步教學、可重複開發的流水線以及範例數據集，您可以在極短時間內從原始數據完成邊緣 AI 部署——無需具備數據科學專業知識。
由開發者建構，業界領導者支持
AutoML for Embedded 是 ADI 與 Antmicro 緊密合作的成果，結合了深厚的硬體專業知識與開源創新。我們的使命是提供開放、以用戶為中心且具擴展性的工具，加速各行各業對邊緣 AI 的採用。
Antmicro 業務開發副總裁 Michael Gielda 表示：「基於我們開源 AI 基準測試與部署框架 Kenning 的靈活性，我們開發出一套自動化流程與 VS Code 外掛程式，大幅降低了建構優化邊緣 AI 模型的複雜性。啟用基於成熟開源解決方案的工作流程，是我們端到端開發服務的核心，能協助客戶全面掌控其產品。透過 Renode 的靈活模擬以及與高度可配置、標準化的 Zephyr RTOS 無縫整合，通往透明且高效的邊緣 AI 開發之路現已開啟。」
運作原理：技術核心
AutoML for Embedded 使用尖端演算法自動執行模型搜索與優化。它利用 SMAC（順序模型演算法配置） 有效探索模型架構與訓練參數，並應用具有逐次減半法（Successive Halving）的 Hyperband，將資源集中在最具潛力的模型上。此外，它還會根據裝置的 RAM 驗證模型大小，以確保成功部署。
候選模型隨後可以使用 Kenning 的標準流程進行優化、評估與基準測試，並提供關於尺寸、速度與準確度的詳細報告，以指導部署決策。
現實影響：應用案例
AutoML for Embedded 已經在改變開發者處理邊緣 AI 的方式。例如，在最近的一次展示中，該工具被用於在 ADI MAX32690 MCU 上為感測器時間序列數據建立異常檢測模型。該模型同時部署在實體硬體及其於 Renode 模擬中的數位分身（Digital Twin）上，展示了無縫整合與即時性能監控。
其他潛在應用包括：
-
低功耗相機上的影像分類與物件偵測
-
工業 IoT 感測器中的預測性維護與異常檢測
-
裝置端文本分析的自然語言處理
-
運動與機器人技術中的即時動作識別
立即開始
AutoML for Embedded 現已在 Visual Studio Code Marketplace 與 GitHub 上架：
我們邀請您探索此工具、分享反饋，並協助塑造邊緣 AI 的未來。
有興趣將 AutoML for Embedded 導入您的應用嗎？ 我們正積極尋找希望探索邊緣無限可能的客戶。如果您正在建構 AI 應用，並希望在優化或部署嵌入式裝置模型方面獲得支援，我們誠摯歡迎您與我們聯繫。
請訪問開發者門戶網站，詳細了解我們如何支援您的專案。
