IoTを使ったエッジデバイスでの意思決定についてのメモを残していきます。
なお、私は機械学習に関しては経験が無いので自分の理解できた範囲でまとめています。

IoTの定義から

3つの要素からなるもの

• デバイス
• ゲートウェイ
  • (デバイスからクラウドに送信する)
• クラウド

IoTに関するデータ

2018年にインターネットに繋がっている『モノ』

• 100億以上

Cloud IoT Core

4つの重点分野

• あらゆる場所でのインテリジェンス
• サーバーレスのスケーラビリティ
• セキュリティ
• パートナーエコシステム

エッジコンピューティング

多くのユースケースで必要(エッジ(端末側)に有ったほうが自然だと考えられるもの)

• セキュリティ
• ロボティクス
• Warehousing
• スマートカー
• 生体認証

-> TensorFlowLiteをEdgeデバイスで出来たらいいな

Cloud IoT Edge

TensorFlowLiteのような機械学習をEdgeデバイス(端末側)で実現可能にしたい

Edge TPUとは

• エッジで高品質AI
• エンドツーエンドのAIインフラ構築
• 『ハードウェア・ソフトウェア・AI』のコデザイン(Co-Design)
• 新しい「テクノロジー」としてのAIアルゴリズム

これらを実現するためのチップ

エッジで高品質AIする

エッジが如何に機械学習するか？

• 現実
  • 数千の実行が必要
  • データベースでなければ出来ない

つまりそれは『ハードウェア・ソフトウェア・AI』のコデザイン(Co-Design)

• 機械学習の為に作る
  
• AIの事を考えて
  
• どういった方法で使われるか
  

よりコンパクトで無駄のない、Co-Designを行う
皆さんにお届けしやすいものになった

ムーアの法則は無理になってきている

CPUに頼るのではなく、Co-Designにより問題を解決していく
Co-Designしていくことで壁を乗り越える

Edge TPU

• 1セントよりも小さい
• フットプリント(この場合消費電力)が小さいかつ高パフォーマンス
• ワットあたりのパフォーマンス
• 広いAIに対応が可能

転移学習 - TransferLearning

データを別のところで用意して、実際にEdgeデバイスがするのは最後のトレーニングだけ

ロードマップ

予めコンパイルされたMLモデルも用意する
自分でできるMLキットも用意する

EdgeTPU開発キット