机器学习的前沿

2016年10月，我写了FogHorn Systems的Lightning软件平台用于实时分析，并得到通用电气(GE)、博世(Bosch)和横河(Yokogawa)等工业企业的支持。据报道，最新版本将扩展Lightning的分析功能，增加集成的机器学习功能，并在所有主要的工业物联网(IIoT)边缘系统中实现普遍兼容性雾角系统．

边缘计算似乎是制造商为工业物联网计划连接设备和系统的最有可能的技术。这主要是因为边缘计算允许对制造数据进行内部分析，从而减轻了与基于云的分析相关的带宽速度和成本问题。如果正确安装和使用网络安全技术和实践，它还会缩小对数据的访问。

根据FogHorn Systems的说法，Lightning ML以三种方式将机器学习带到边缘:

1.它利用现有的模型和算法。用户可以在其物理资产和工业控制系统产生的实时数据流上插入并执行专有算法和机器学习模型。

2.使机器学习易于访问。非技术人员可以使用FogHorn的工具来生成机器学习的见解，而不需要依赖内部或第三方数据科学家。

3.运行在一个很小的软件足迹上。有了Lightning ML，复杂的机器学习模型可以在高度受限的计算设备上运行，如plc、树莓派系统和小型坚固的IIoT网关，以及更强大的工业pc和服务器。这是可能的，因为Lightning ML平台只需要不到256MB的内存占用。

这一点——256mb的内存——吸引了我的注意。我想知道，这个平台怎么可能用这么小的内存占用来实现它所宣称的功能。

FogHorn首席执行官David C. King表示:“FogHorn独特的边缘处理架构的关键组件之一是我们自主研发的、正在申请专利的CEP(复杂事件处理)引擎。“这个CEP引擎在几MB的内存中就完成了在云或数据中心环境中运行之前需要数十或数百gb的内存足迹。”

King补充说，FogHorn的CEP引擎的商标是VEL(速度的缩写)，它只需要256 MB的内存就能做到这一点，因为“整个Lightning软件平台是用高效-低内存消耗的编程语言编写的，核心VEL CEP引擎有许多本地功能，包括异步流和跨流语义，窗口和模式匹配操作，以及数百个内置的数学、统计和物理函数。VEL还可以清理、过滤、规范化和对齐流数据，以允许任何机器学习或人工智能模型在实时处理的元数据上执行。所有这些都可以实现巨大的运行时性能和超低延迟，使客户能够在非常小的内存占用中获得高级分析和强大的机器学习功能的好处。”

根据FogHorn CTO Sastry Malladi的说法，Lightning ML的可访问性是另一个关键特性，该软件的拖放创作工具允许运营商专注于将他们的领域专业知识转化为有意义的分析和机器学习见解。

“OT(运营技术)员工在各自的行业环境中是领域专家，但不一定是边缘计算和先进IT的专家，”Malladi说。“通过为他们提供直观的工具，实时自动化、监控和对工业数据采取行动，运营商可以增强态势感知，防止流程故障，并确定新的效率，从而带来巨大的商业利益。这是一种非常不同于其他以it为中心的解决方案的方法，这些解决方案未能利用关键OT专家的部落知识。”

Lightning ML对ARM32的支持是其能够在典型的工厂地面系统上运行的关键。虽然第一个Lightning版本支持所有基于x86的IIoT网关和OT系统，但Lightning ML支持ARM32，这是OT控制系统中使用更广泛的处理器之一，使其可用于plc和dcs以及树莓派IIoT网关。

流程和工业自动化系统供应商横河电机公司(Yokogawa Electric Corporation)总经理兼业务发展中心负责人Casey Taniguchi表示，Lightning ML“对ARM32处理器的支持，先进的数据预处理功能和在很小的空间内完成的流分析，代表着在加速FogHorn技术在各种工业物联网市场和工业用例中的采用方面向前迈出了一大步。我们期待着与FogHorn紧密合作，将所有这些突破性技术纳入横河先进的工业自动化解决方案家族。”

根据FogHorn Systems的说法，Lightning ML软件平台可以完全在内部运行，也可以连接到任何私有云或公共云环境，让用户在IT基础设施、安全策略和成本方面灵活地选择最佳部署模式。