機器學(xué)習(xí)(ML)算法已迅速成為我們?nèi)粘Ｉ畹囊徊糠帧C器學(xué)習(xí)是人工智能(AI)的一個分支，其用途可能超出您的想象。我們通常完全不知道這是一種算法，而且它們已經(jīng)變得無所不在，如我們的智能手機助手、交通路線規(guī)劃、網(wǎng)絡(luò)搜索結(jié)果等等，不勝枚舉。隨著復(fù)雜且多種相互關(guān)聯(lián)的算法被工業(yè)、汽車和醫(yī)療等應(yīng)用所采納，越來越需要了解 ML 算法為何能夠推斷出特定結(jié)果。術(shù)語“可解釋的 AI”(xAI)越來越多地用于描述一種算法結(jié)果和得到該結(jié)果所依據(jù)的背景因素。

本文將介紹xAI 并解釋為什么它是所有新機器學(xué)習(xí)應(yīng)用的基本考慮因素。

我們?nèi)粘Ｉ钪械娜斯ぶ悄芎蜋C器學(xué)習(xí)

很難確切地說明機器學(xué)習(xí) (ML) 何時成為我們?nèi)粘Ｉ畹囊徊糠郑驗闆]有重大發(fā)布，有時甚至沒有提及，但 ML 卻逐漸且肯定地成為我們?nèi)粘Ｅc技術(shù)進行互動的內(nèi)在組成部分。對于我們中的大多數(shù)人來說，第一次接觸ML是通過智能手機助手，比如谷歌的語音或蘋果的 Siri。ML 也迅速成為汽車高級駕駛員輔助系統(tǒng) (ADAS) 的主導(dǎo)功能，例如自適應(yīng)巡航控制 (ACC)、主動車道輔助 (ALA) 和道路標(biāo)志識別等。還有許多其他我們可能不知道的應(yīng)用都在使用 ML，例如金融和保險公司將 ML 用于各種文檔處理，醫(yī)療和保健診斷系統(tǒng)則利用 ML 檢測患者核磁共振成像(MRI) 掃描的形態(tài)以及測試結(jié)果。

ML 已迅速成為我們?nèi)粘Ｉ畹囊徊糠?，由于它能夠做出快速決策，我們很快就依賴它的這種能力。

了解算法的決策過程

我們傾向于信任和依賴基于機器學(xué)習(xí)應(yīng)用做出的決定，但最近也導(dǎo)致一些消費者和職業(yè)道德團體提出了他們的擔(dān)憂。

要了解 ML 系統(tǒng)如何確定結(jié)果概率，讓我們簡要回顧一下它的工作原理。

機器學(xué)習(xí)使用一種算法來模擬人腦的決策過程。我們大腦中的神經(jīng)元會以神經(jīng)網(wǎng)絡(luò)中基于數(shù)學(xué)的模型被復(fù)制并創(chuàng)建算法，人工神經(jīng)網(wǎng)絡(luò) (ANN) 算法與我們的大腦一樣，可以根據(jù)其獲得的知識以一定的概率推斷出結(jié)果。正如我們從出生那一刻起就所做的那樣，人工神經(jīng)網(wǎng)絡(luò)是通過不斷學(xué)習(xí)來發(fā)展理解，而訓(xùn)練 ANN 則是任何機器學(xué)習(xí)模型的基本內(nèi)容。此外，也有不同類型的神經(jīng)網(wǎng)絡(luò)模型以便適合特定任務(wù)的要求。例如，卷積神經(jīng)網(wǎng)絡(luò) (CNN) 最適合于圖像識別，而遞歸神經(jīng)網(wǎng)絡(luò) (RNN) 最適合語音處理，該模型通過處理大量訓(xùn)練數(shù)據(jù)來獲取知識。對于 CNN，您需要數(shù)以萬計不同類型動物的圖像及其名稱，才能用于動物識別應(yīng)用。您需要為每個物種和性別拍攝多張圖像，并需要在各個層面和角度以及不同環(huán)境光條件下拍攝照片。一旦模型完成訓(xùn)練后，測試階段將從模型尚未處理過的圖像數(shù)據(jù)開始。該模型可以根據(jù)每個測試數(shù)據(jù)圖像的概率推斷結(jié)果。推理概率隨著訓(xùn)練數(shù)據(jù)增多和神經(jīng)網(wǎng)絡(luò)的優(yōu)化而增大。

一旦所需任務(wù)的推理概率足夠高，應(yīng)用開發(fā)人員就可以部署機器學(xué)習(xí)模型。

機器學(xué)習(xí)的一個簡單基于工業(yè)網(wǎng)絡(luò)邊緣應(yīng)用是通過監(jiān)測電機的振動特征來判斷電機的狀態(tài)。您可以通過將振動傳感器(壓電、MEMS 或數(shù)字麥克風(fēng))添加到工業(yè)電機來記錄一組詳細的振動特征。將具有已知機械故障(軸承磨損、驅(qū)動器問題等)的電機帶出現(xiàn)場會增加訓(xùn)練數(shù)據(jù)的深度。生成的模型可以持續(xù)監(jiān)控電機并提供對電機健康狀況的持續(xù)監(jiān)測。這種在低功耗微控制器上運行的神經(jīng)網(wǎng)絡(luò)稱為 TinyML。

什么是可解釋的人工智能?

正如上一節(jié)所強調(diào)的，一些基于 ML 的應(yīng)用輸出結(jié)果引起了人們的擔(dān)憂，即在某種程度上存在偏差。ML 和 AI 算法存在偏見的爭論來自幾個方面，人們普遍認為所有 ML 結(jié)果都應(yīng)該更加透明、公平、合乎情理和道德。大多數(shù)神經(jīng)網(wǎng)絡(luò)都是以“黑盒”模式運行，數(shù)據(jù)輸入，結(jié)果輸出，這種模型無法深入了解結(jié)果如何確定?？傮w而言，越來越需要基于算法的決策來解釋其決策的依據(jù)，決策的結(jié)果應(yīng)該是合法和合乎道德，因此是可解釋的 AI (xAI)。

在這篇簡短的文章中，我們只能簡單討論 xAI 背后的概念，但讀者會發(fā)現(xiàn)半導(dǎo)體供應(yīng)商NXP 和管理咨詢公司PWC 的白皮書內(nèi)容非常豐富。

圖 1 突出顯示了 NXP 提出的用于開發(fā)符合道德且值得信賴的 AI 系統(tǒng)整體方法。

圖 1：NXP符合道德和值得信賴的 AI 整體方法。(來源：NXP)

為了說明 xAI 的需求，我們來看兩個可能的應(yīng)用場景。

汽車 - 自動車輛控制：想象一下，您是一名由傳統(tǒng)司機駕駛出租車上的乘客，如果司機開得很慢，您可以問：“你為什么開這么慢?”司機隨后可以解釋說，寒冷的天氣使道路結(jié)冰，必須非常小心，以免出租車滑出路面失控。但是，在自動駕駛出租車中，您不能要求司機解釋他們的決定。慢速決策可能來自幾個相互依賴的機器學(xué)習(xí)系統(tǒng)(如環(huán)境、牽引力等)，所有這些系統(tǒng)共同推斷慢速是安全謹(jǐn)慎的。自動駕駛車輛系統(tǒng)的另一部分應(yīng)以聽覺和視覺方式傳達決策背后的原因，以使乘客在旅途中保持知情和放心。

醫(yī)療保健 - 患者狀況診斷：考慮使用自動化系統(tǒng)來加速識別不同類型的皮膚狀況?；颊咂つw異常的照片被輸入到應(yīng)用，輸出被傳遞給皮膚科醫(yī)生以提出治療建議。有許多不同類型的人類皮膚病，其中一些是暫時的，一些是永久的，而有些則很痛苦，皮膚狀況的嚴(yán)重程度從相對輕微到危及生命。由于可能的疾病范圍很廣，皮膚科醫(yī)生可能會認為在推薦治療過程之前需要進一步分析。如果 AI 應(yīng)用可以顯示診斷的概率和推斷出的其他高級結(jié)果，那么專家可以做出更明智的決定。

上面概述的兩個簡單應(yīng)用場景說明了為什么需要認真考慮 xAI。對于在金融服務(wù)和治理等領(lǐng)域組織使用的 AI 和 ML，還需要考慮更多的道德和社會約束。

在設(shè)計機器學(xué)習(xí)系統(tǒng)時，嵌入式開發(fā)人員應(yīng)該考慮以下幾點。

? 訓(xùn)練數(shù)據(jù)是否代表了要推斷項目中足夠廣泛和多樣化的數(shù)據(jù)再現(xiàn)?

? 是否已經(jīng)證明測試數(shù)據(jù)在所有識別分類組中都具有足夠數(shù)量的體現(xiàn)?

? 算法推斷的結(jié)果是否需要解釋?

? 神經(jīng)網(wǎng)絡(luò)能否根據(jù)排除的結(jié)果概率提供答案?

? 機器學(xué)習(xí)應(yīng)用處理數(shù)據(jù)過程中是否涉及法律或法規(guī)限制?

? 機器學(xué)習(xí)應(yīng)用是否安全，不會受到對手攻擊?

? 機器學(xué)習(xí)應(yīng)用是否可信?

機器學(xué)習(xí)應(yīng)用開發(fā)

許多嵌入式開發(fā)人員現(xiàn)在從事涉及機器學(xué)習(xí)功能的項目，例如介紹部分中強調(diào)的 TinyML 示例。然而，機器學(xué)習(xí)并不局限于基于邊緣的平臺，這些概念可高度擴展到大型工業(yè)部署。 ML 的示例工業(yè)部署包括機器視覺、狀態(tài)監(jiān)控、安全和安保等。

領(lǐng)先的半導(dǎo)體供應(yīng)商現(xiàn)在可提供針對機器學(xué)習(xí)應(yīng)用優(yōu)化的微控制器和微處理器。這其中一個例子是 NXP iMX-8M Nano-Ultralite 應(yīng)用處理器。作為 NXP iMX-8M Plus系列的一部分，Nano-Ultralite (NanoUL) 主要配備有四核 Arm® Cortex®-A53 內(nèi)核，運行速度高達 1.5GHz，還配備通用 Cortex-M7 內(nèi)核處理器，運行速度高達 750MHz，用于實時和低功耗任務(wù)。

圖 2 突出顯示了 iMX-8M NanoUL 的主要功能模塊，其中包括一整套連接、外圍接口、安全功能、時鐘、定時器、看門狗和 PWM 模塊。緊湊型 NanoUL 應(yīng)用處理器的尺寸為 11 mm x 11 mm。

圖 2：NXP iMX-8 Plus NanoUL 的功能框圖。(來源：NXP)

為了幫助開發(fā)人員設(shè)計 iMX-8 Plus NanoUL 應(yīng)用，NXP 可提供i.MX 8M Nano UltraLite 評估套件 ，參見圖 3，該套件包含一個基板和一個 NanoUL 處理器板，能夠為開發(fā)機器學(xué)習(xí)應(yīng)用提供一個全面而完整的平臺。

圖 3：顯示主要組件的 NXP i.MX 8M NanoUL 評估套件。(來源：NXP)

業(yè)內(nèi)已經(jīng)建立了一個由機器學(xué)習(xí)資源、框架和開發(fā)平臺組成的生態(tài)系統(tǒng)，無論是基于低功耗邊緣 MCU 還是功能強大的 MPU，都可用于對 ML應(yīng)用進行原型設(shè)計。

TensorFlow Lite 是 Google 的 TensorFlow 企業(yè)級開源 ML 框架的變體，專為低功耗、資源不足的微控制器而設(shè)計。它可以在 Arm Cortex-M 系列內(nèi)核上運行，僅占用 18 kB 內(nèi)存。TensorFlow Lite 可提供用于在嵌入式設(shè)備上部署模型的所有資源。

Edge Impulse 則采用更具包容性的方式，可提供端到端解決方案，包括攝取訓(xùn)練數(shù)據(jù)，為應(yīng)用選擇最佳神經(jīng)網(wǎng)絡(luò)模型，進行測試以及最終部署到邊緣設(shè)備。 Edge Impulse 能夠與開源 ML 框架 TensorFlow 和 Keras 配合使用。

可解釋人工智能進展

嵌入式 ML 應(yīng)用的設(shè)計和開發(fā)為嵌入式系統(tǒng)工程師提升自己的技能提供了重要機會。在考慮最終應(yīng)用的規(guī)范和操作時，也是考慮如何將可解釋 AI 原則應(yīng)用于設(shè)計的最佳時機?？山忉尩腁I 正在改變我們對機器學(xué)習(xí)的看法，通過把更多的特定環(huán)境、信心和信任引入到具體應(yīng)用，嵌入式開發(fā)人員在此方面大有可為。