AI 走入微型裝置　掌握機器學習

2022-02-19

不少學校開始投入教授 AI 方案，而獻主會聖母書院早於兩年前已投入於此，這次於暑假期間向筆者分享最新方案，利用 Arduino 將 AI 方案收納其中，務求讓學生於學習時感覺新穎，而設備也有毋需連線及粍電量低的好處，務求可以較低的門檻讓學生接觸機器學習 (Machine Learning) 。

早於 2019 年，獻主會聖母書院已有發展 AI 教學方案，起初是運用 Raspberry Pi 4 加 Pi Zero Camera ，配合 TensorFlow Lite 製作手語方案，令學生具備基本 AI 認知。次年因應疫情，製作社交距離檢測儀，運用雲端的 Google Colab ，學習物件辨識的運用和盲點。該校過往的教學設計，大多採用 Raspberry Pi ，優點是價錢合理，每件約 400 多港元，但往往要配合特定的作業系統，對新手而言，學習門檻較高。

機器學習降落手中

至於該校新發展，彭嘉煒老師講解，這次會讓學生理解傳統程式與機器學習的分別，傳統程式如要辨識貓，就要命令電腦按規則分析，如顏色、形狀等。機器學習 (Machine Learning) 角色不一樣，把答案和樣本給電腦

「學習」，電腦自行找出規則，如貓有甚麼特徵？顏色是怎樣？形狀是怎樣？經過機器學習後，由電腦決定甚麼規則才有效。至於這次的學習課程及計劃籌備，由黃梓駿老師負責，他運用 TinyML （微型機器學習技術）作全新教學方案。黃老師表示，隨著人工智能成熟，人工智能在雲端以外，逐漸走入至微型設備中，如此一來不用經由雲端資料傳送，加上在電量方面著重低功耗發展，有望在更多設備上應用。此外， TinyML 能儲存於 Arduino ，成本更低之餘，操作難度亦降低。

黃老師選用 Arduino Nano 33 BLE SENSE 作示範及講解 TinyML。

低成本離線硬件

於 TinyML 教學方案，黃老師選用 Arduino Nano 33 BLE SENSE 作硬件，售價約 200 至 300 港元，低電量支援九軸探測，即計算方位、移動速度和磁力計，還有麥克風、濕度和溫度傳感器等。還有，此硬件最大特色是能簡易匯入 TensorFlow Lite ，如此就可體驗機器學習模型而毋需連接雲端，學生有望能運用此簡單學習經歷掌握更多概念。他表示目前已設計了一個 TinyML 的 10 節課堂教學方案，以下他教授了兩位學生作簡單示範。

用微控制器學機器學習

示範當日，黃老師將預先載入程式兼完成機器學習的 Arduino Nano 33 連接到 Google Creative Lab 就可有兩項示範，包括 Air Snare 和 Finger User Interface（FUI），兩項程式均適合初學者理解硬件、軟件和人工智能的關連。楊桐同學將 Arduino Nano 33 BLE SENSE 固定於手指上，連接 FUI 程式後，只要進行指定手部動作就可顯示對應圖案，同學可直接體驗硬件和 TinyML 的特定用途。

另一示範是黃老師修改了程式碼，讓吳凱文同學揮鼓棍，就可經由 AI 程式判斷揮棍擊下是擊一次或兩次。最後一個示範是結合了日常應用，黃老師講解會將 Arduino Nano 33 BLE SENSE 固定於遙控車尾，接著進行多次安全行車和翻車記錄。如此機器學習有了兩組截然不同的數據，就可用作機械辨識使用。