人工智能应用的市场份额稳步增长。为此，意法半导体提供广泛的产品组合，轻松实现多级别的人工智能应用。在本文中，我们主要关注新型传感器中内嵌的人工智能（也称为MLC），还将阐明用户如何利用这个AI核心来开发极低功耗的“边缘到边缘”AI应用。

让我们先从以下问题开始：什么是边缘人工智能？

在过去，人工智能应用程序需要许多计算资源，因此，来自传感器的数据必须传输到云端进行处理，然后再将结果发送回本地。整个过程既耗时又耗电，并且不适用于缺乏互联网连接的情况。因此，边缘人工智能应运而生。有了MCU上的专用硬件，AI处理能力越来越强，将“人工智能”核心从云端移到了本地MCU，使延迟和功耗方面的表现更加出色。

意法半导体最近推出的一个全新传感器系列（通过名称末尾的字母X加以识别）使传感器能够完全在传感器核心中运行人工智能算法（基于决策树分类器），无需本地MCU承担任何计算负载。进一步推动了“边缘人工智能”技术的发展。为此，我们称之为“边缘到边缘”人工智能。

假设您有兴趣开发一款应用，该应用使用传感器数据（来自加速度计、陀螺仪等）并利用人工智能技术检测人类活动（如步行、跑步、静止等）或进行手势识别。在基于云的AI解决方案中，需要将数据发送到云端进行推理，等待一段时间后获得响应。这意味着不得不在数据传输方面耗费大量能量（如果互联网连接可用，最高50mA），而且在接收输出结果时会经历相当长的时延。一种创新型解决方案可以利用MCU的能力处理数据（“边缘人工智能”），但传感器数据传输是必须的。如果您的目标是最低功耗型解决方案，在传感器内部嵌入MLC是最佳选择。从传感器到MCU的数据传输没有功率消耗，优化后的ASIC使MLC核心的电流消耗限制在~10uA左右，而延迟可以被忽略。

回到应用本身，这意味着传感器可以自己运行人类活动或手势识别应用：您只需对MLC传感器进行编程，打开传感元件，将基于人工智能的场景分类结果作为简单的寄存器值输出，以供应用MCU进行决策（例如，改变应用的行为，启用或禁用低功耗模式，等等）。

如前所述，传感器的人工智能基于“决策树”分类器，这在之前的文章中已经介绍过。不同的设备具有类似的机器学**可用资源，每个传感器都能并行运行最多8个不同的决策树（共256或512个节点）。

决策树基于训练过的人工智能模型（监督学习），需要一个数据集来训练模型。一旦数据可用，就可以构建决策树，最后将决策树编程到传感器MLC中。针对这5个关键步骤，意法半导体提供UNICO-GUI工具，帮助开发人员进行数据收集和代码生成，并在传感器中上传代码，从而实现所需的MLC。

第一步：捕获数据

您可以为数据采集活动选择意法半导体的板件（市场上有意法半导体提供的许多板件），意法半导体建议使用FP-SNS-DATALOG1固件获取数据，确保所采集数据的一致性和格式化。一旦数据可以进行处理，就可以启动UNICO-GUI。

▲数据标注

第二步：数据标记和特征配置

这意味着为在数据采集活动中获取的每个数据集分配一个名称/标签。基于您的数据集和选择进行决策树模型训练，以区分所选的类。UNICO-GUI工具可以导入许多类型的数据集。

此外，用户在采集阶段定义传感器的工作模式，最重要的是选择将被决策树用于区分类的特征。特征基本上是对传感器数据进行的一种“分析”，决策树将使用特征来选择一个类或另一个类。这方面的一个例子是，使用XL信号的“标准偏差”或“峰-峰”特征来了解用户是静止状态还是运动状态。显然，有许多可选择的特征可以组合在一起，以实现应用的最佳决策树。如需更多关于特征选择和理解决策树创建过程的详细信息，请参见意法半导体设计技巧0139。

▲构建决策树

第三步：构建决策树

该步骤生成设置并在数据集训练过程中识别限制，以构建一个能够识别要检测的运动数据类型的决策树。

▲模型部署

第四步：传感器代码生成

一旦创建了决策树，需要用传感器MLC语言“翻译”决策树。用户将得到一个文件，其中包含让其应用在配备MLC的ST MEMS传感器上运行所必需的全部内容！

第五步

当器件被编程后，可以在应用中使用定义的已训练决策树处理机器学**结果。