作者 C. J. Abate(美国)
译者 君谦
机器学习(ML)作为人工智能的一个子类,在各个领域(包括大气科学和计算机视觉)都得到了广泛的应用。正如哈佛大学博士Matthew Stewart所说,tinyML 是一个新兴的发展学科,它能够在资源受限的微控制器上实现低资源消耗、低功耗的机器学习算法。
C.J.Abate:让我们从您的背景开始。您是什么时候对机器学习感兴趣的? 您是因为编程或硬件设计的背景而选择该领域的吗?
Matthew Stewart:我的本科专业是机械工程,这给了我一些编程和机电一体化的经验。但是,直到进入哈佛大学,我才开始学习机器学习。在博士学位研究的第一年,我参加了哈佛大学的数据科学入门课程,激起了我对机器学习的兴趣,那时我意识到了机器学习的巨大潜力,无论是一般性的应用,还是专门用于大气研究的。
Abate:是什么使您进入哈佛大学的?
Stewart:显然,哈佛大学是世界上顶尖的研究机构之一,在这里学习是许多富有热情而努力的学生的目标。我的老师的研究兴趣也吸引了我,他们使用无人机研究了热带亚马逊雨林。在获得机械工程学位的过程中,我对转向环境科学产生了兴趣,因为对我来说,越来越明显的是,现代时代定义的大多数工程问题将是环境问题,即气候变化、能源安全和可持续性。根据我的兴趣和工程背景,这项关于亚马逊雨林无人机的工作似乎是理想的,是来哈佛的主要刺激因素。
Abate:作为一名环境科学家,您如何使自己了解嵌入式系统和编程? 要紧紧掌握Al领域的所有新发展以及传感器技术,嵌入式系统等方面的创新一定很困难。您是如何了解这些不同学科的?
Stewart:这些领域不断地迅速发展,对许多研究生和学者来说,这是一个非常现实的问题。就个人而言,我使用了几种资源来保持学科信息的更新。首先,Twitter可以成为发现该领域其他学者发表的新研究的好平台。我也是一些Slack频道的粉丝,在该频道中,同事定期共享有关相关主题的新闻和研究文章。我还定期回顾发表在相关期刊上的新论文,以寻找任何特别引人注目和值得详细阅读的东西。幸运的是,大多数已发表的作品与我自己的研究没有什么关系,而更广泛的趋势往往是大学内各部门和兴趣小组进行的研讨会演讲的主题工作。
Abate:虽然几个月前我在一次DanielSitunayake的采访中提到了细节,但对Elektor全球社会的许多工程师来说,这仍然是一个新的主题。您如何定义tinyML? 它是否是在边缘微控制器上运行机器学习应用程序的一种最基本的方法?
Stewart:是的,这实际上就是我们的目标。tinyML不是一种特定的技术或一系列的原