論文の概要: EdgeMark: An Automation and Benchmarking System for Embedded Artificial Intelligence Tools
- arxiv url: http://arxiv.org/abs/2502.01700v1
- Date: Mon, 03 Feb 2025 08:28:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:57:47.910392
- Title: EdgeMark: An Automation and Benchmarking System for Embedded Artificial Intelligence Tools
- Title（参考訳）: EdgeMark: 組み込み人工知能ツールの自動化とベンチマークシステム
- Authors: Mohammad Amin Hasanpour, Mikkel Kirkegaard, Xenofon Fafoutis,
- Abstract要約: 組み込みデバイスへの人工知能(AI)の統合は、エッジでインテリジェントなデータ処理を可能にすることで産業を変革している。
本稿では、既存のeAIツールのレビューを行い、それらの機能、トレードオフ、制限を強調します。
EdgeMarkは、組み込みプラットフォームに機械学習(ML)モデルをデプロイし、ベンチマークするためのベンチマークワークフローを合理化するように設計されたオープンソースの自動化システムです。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: The integration of artificial intelligence (AI) into embedded devices, a paradigm known as embedded artificial intelligence (eAI) or tiny machine learning (TinyML), is transforming industries by enabling intelligent data processing at the edge. However, the many tools available in this domain leave researchers and developers wondering which one is best suited to their needs. This paper provides a review of existing eAI tools, highlighting their features, trade-offs, and limitations. Additionally, we introduce EdgeMark, an open-source automation system designed to streamline the workflow for deploying and benchmarking machine learning (ML) models on embedded platforms. EdgeMark simplifies model generation, optimization, conversion, and deployment while promoting modularity, reproducibility, and scalability. Experimental benchmarking results showcase the performance of widely used eAI tools, including TensorFlow Lite Micro (TFLM), Edge Impulse, Ekkono, and Renesas eAI Translator, across a wide range of models, revealing insights into their relative strengths and weaknesses. The findings provide guidance for researchers and developers in selecting the most suitable tools for specific application requirements, while EdgeMark lowers the barriers to adoption of eAI technologies.
- Abstract（参考訳）: 組み込みデバイスへの人工知能(AI)の統合は、組み込み人工知能(eAI)または小さな機械学習(TinyML)として知られるパラダイムであり、エッジでインテリジェントなデータ処理を可能にすることで産業を変革している。
しかし、この領域で利用可能な多くのツールによって、研究者や開発者は、どれが彼らのニーズに最も適しているか疑問に思う。
本稿では、既存のeAIツールのレビューを行い、それらの機能、トレードオフ、制限を強調します。
さらに、組み込みプラットフォームに機械学習モデル(ML)をデプロイし、ベンチマークするためのワークフローを合理化する、オープンソースの自動化システムであるEdgeMarkを紹介します。
EdgeMarkは、モジュール化、再現性、スケーラビリティを促進しながら、モデル生成、最適化、変換、デプロイを簡単にする。
実験的なベンチマークの結果は、TensorFlow Lite Micro(TFLM)、Edge Impulse、Ekkono、Renesas eAI Translatorなど、広く使用されているeAIツールのパフォーマンスを示し、その相対的な強度と弱点に関する洞察を明らかにしている。
この調査結果は、研究者や開発者にとって、特定のアプリケーション要件に対して最も適したツールを選択するためのガイダンスを提供する一方で、EdgeMarkは、eAIテクノロジの採用障壁を低くする。
関連論文リスト
- Using the Abstract Computer Architecture Description Language to Model
AI Hardware Accelerators [77.89070422157178]
AI統合製品の製造者は、製品のパフォーマンス要件に適合するアクセラレータを選択するという、重大な課題に直面します。
抽象コンピュータアーキテクチャ記述言語(ACADL)は、コンピュータアーキテクチャブロック図の簡潔な形式化である。
本稿では,AIハードウェアアクセラレーションのモデル化にACADLを用いること,DNNのマッピングにACADL記述を使用し,タイミングシミュレーションのセマンティクスを解説し,性能評価結果の収集を行う。
論文 参考訳（メタデータ） (2024-01-30T19:27:16Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Evaluating Emerging AI/ML Accelerators: IPU, RDU, and NVIDIA/AMD GPUs [14.397623940689487]
Graphcore Intelligence Processing Unit (IPU)、Sambanova Reconfigurable Dataflow Unit (RDU)、拡張GPUプラットフォームについてレビューする。
この研究は、これらの商用AI/MLアクセラレータの予備評価と比較を提供する。
論文 参考訳（メタデータ） (2023-11-08T01:06:25Z) - OpenAGI: When LLM Meets Domain Experts [51.86179657467822]
ヒューマン・インテリジェンス(HI)は、複雑なタスクを解くための基本的なスキルの組み合わせに長けている。
この機能は人工知能(AI)にとって不可欠であり、包括的なAIエージェントに組み込まれるべきである。
マルチステップで現実的なタスクを解決するために設計されたオープンソースのプラットフォームであるOpenAGIを紹介します。
論文 参考訳（メタデータ） (2023-04-10T03:55:35Z) - A Comprehensive Review and a Taxonomy of Edge Machine Learning:
Requirements, Paradigms, and Techniques [5.964672966134971]
エッジコンピューティング(EC)と人工知能(AI)の連合は、エッジAIの概念を推進し、エンドユーザ環境に近いインテリジェントなソリューションを提供した。
機械学習(ML)は、ここ数年でAIの最も先進的な分野であり、エッジ環境における奨励的な結果と応用を示している。
本稿では,Edge ML技術に関する包括的分類と体系的レビューを提供することを目的とする。
論文 参考訳（メタデータ） (2023-02-16T20:33:33Z) - MONAI Label: A framework for AI-assisted Interactive Labeling of 3D
Medical Images [49.664220687980006]
注釈付きデータセットの欠如は、タスク固有の教師付き機械学習モデルをトレーニングする上で、大きなボトルネックとなる。
本稿では,人工知能(AI)モデルに基づくアプリケーション開発を支援する,フリーかつオープンソースなフレームワークであるmonAI Labelを紹介する。
論文 参考訳（メタデータ） (2022-03-23T12:33:11Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - Data Analytics and Machine Learning Methods, Techniques and Tool for
Model-Driven Engineering of Smart IoT Services [0.0]
この論文は、IoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のためのスマートサービス開発を促進する新しいアプローチを提案する。
提案されたアプローチは、ソフトウェアエンジニアリングプロセスの抽象化と自動化、データ分析(DA)と機械学習(ML)のプラクティスを提供する。
我々はThingMLと呼ばれるオープンソースモデリングツールを拡張して提案手法の実装と検証を行う。
論文 参考訳（メタデータ） (2021-02-12T11:09:54Z) - Reliable Fleet Analytics for Edge IoT Solutions [0.0]
AIoTアプリケーションのエッジで機械学習を容易にするためのフレームワークを提案する。
コントリビューションは、大規模にフリート分析を提供するためのサービス、ツール、メソッドを含むアーキテクチャである。
本稿では,大学キャンパスの部屋でiotデバイスを用いた実験を行うことで,フレームワークの予備検証を行う。
論文 参考訳（メタデータ） (2021-01-12T11:28:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。