Tekoälyn soveltaminen sulautetussa laiteympäristössä

Abstract

Tämä opinnäytetyö tehtiin Kajaanin ammattikorkeakoulun tilauksesta. Sen keskeisiä aihepiirejä ovat tekoäly, koneoppiminen, neuroverkot, sulautettu tekoäly, reunalaskenta ja sulautetut järjestelmät. Opinnäytetyön tavoitteena oli tutkia sulautetun tekoälyn teoreettista pohjaa sekä alan tutkimuksen, menetelmien, ja markkinoilla olevien tuotteiden tilaa. Teoreettisen taustan tuli tarkastella ongelmia, jotka liittyvät tekoälyn toteutukseen resursseiltaan rajoitetuissa sulautetuissa laiteympäristössä, ja etsiä niihin ratkaisuja. Tavoitteena oli, että taustatyö soveltuu käytettäväksi opetusmateriaalina, ja auttaa sulautetun koneoppimisprojektin toteutuksessa. Työn käytännön osuudessa tuli toteuttaa tekoälyyn perustuva varashälytin, joka soveltaa käsiteltyjä tekniikoita. Opinnäytetyöprosessissa tutkittiin tekoälyn ja koneoppimisen keskeisiä käsitteitä ja teoriaa. Työ tarkasteli aihetta sulautetun laiteympäristön kannalta ja keskittyi siinä toteutettavaksi soveltuviin teknologioihin. Siinä esiteltiin markkinoilla olevia kehitysalustoja ja ohjelmia, jotka tukevat sulautettua koneoppimista. Koneoppimisalgoritmien luokitteluperusteet määriteltiin, ja koneoppimisprojektin vaiheille esiteltiin kaksi mallia. Neuroverkoista käsiteltiin niiden rakenne ja sulautetun laiteympäristön kannalta oleellisimmat arkkitehtuurit. Työn käytännön osuudessa toteutettiin koneoppimisprojekti soveltaen erityisiä menetelmiä ja laitteistoa, jotka on kehitetty optimoimaan koneoppimista sulautetuilla laitteilla. Projektissa käytettiin Syntiant TinyML -kehitysalustaa. Projektiosuutta varten suunniteltiin ja toteutettiin tarvittavan näyteaineiston keräys ja käsittely. Kerättyä näyteaineistoa käytettiin luokittelumallin harjoittamiseen Edge Studio -ohjelmassa käyttäen ohjattua opettamista. Prosessin tuloksena syntyi kehitysalustalla ajettava laiteohjelmisto, sekä tilastotietoa kehityn mallin toiminnasta. Mallin suorituskyvystä saatiin lukuja, jotka olivat kriteeri projektin onnistumista arvioitaessa. Projektissa onnistuttiin osoittamaan käsiteltyjen tekniikoiden soveltuvuus koneoppimismallin toteutukseen käytännössä. Työn tavoitteena ollut varashälyttimen luokittelualgoritmi pystyttiin toteuttamaan ja ajamaan kohdealustalla. Sen suorituskyky arvioitiin luokittelun tilastotietojen perusteella täyttävän asetetut tavoitteet. Jatkokehitystä varten toteutettavaksi ominaisuudeksi työssä jäi signaaliketjun jatkaminen suunnitellulta laitteelta eteenpäin.