Nigel  Uys

Nigel Uys


ProjectsHut: Show Your Projects to The World

ProjectsHut - Show your projects to the world 🌎🌈

🤓 Why ProjectsHut ?

ProjectsHut is an innovative platform that allows users to publish their projects for free. It's designed to provide a space for individuals to showcase their work and connect with a global audience.

The website is open source, which means that its code is freely available to the public, allowing developers to contribute to its growth and improvement

ProjectsHut offers a user-friendly interface, making it easy to publish projects and share them with others.

Whether you're a seasoned professional or just starting out, It's a valuable resource for sharing your work and making connections in the tech community. With its Open Source design.


🤔 How to contribute ?

Contributing to open-source software (OSS) projects can be a rewarding and fulfilling experience. Not only can you learn new skills, but you can also help make a valuable contribution to a project that benefits the broader community.

Here are some steps you can take to contribute to this project:

🧰 Tech Stack Used

In this project, React is used for the frontend while Tailwind CSS is used for styling. The combination of the two technologies allowed for building a responsive and visually appealing user interface that is easy to use and navigate. The use of these technologies also allows for easy maintenance and scalability of the applicatio

ReactReact is a free and open-source front-end JavaScript library.
Tailwind CSSTailwind CSS is an open source CSS framework.

📙 Translation

As a user, you have the ability to translate the documentation of this project to new languages. This means that you can take the existing documentation, which may be in one language, and create new versions of it in other languages.

By doing so, you can help to make the project more accessible to people who speak different languages, and you can contribute to the project's overall success. To translate the documentation, you will need to have strong language skills in both the original language and the target language, as well as a good understanding of the content and context of the documentation. With these skills, you can ensure that the translated documentation is accurate, clear, and effective

If you want to translate docs remember to create an issue

See the translation guide to translate

Available languages

Download Details:

Author: Priyankarpal
Source Code: 
License: MIT license

#reactjs #opensource #beginner #project #tailwindcss 

ProjectsHut: Show Your Projects to The World
Hermann  Frami

Hermann Frami


Small Exercises to Get You Used To Reading & Writing Rust Code!

Rustlings 🦀❤️

Greetings and welcome to rustlings. This project contains small exercises to get you used to reading and writing Rust code. This includes reading and responding to compiler messages!

...looking for the old, web-based version of Rustlings? Try here

Alternatively, for a first-time Rust learner, there's several other resources:

  • The Book - The most comprehensive resource for learning Rust, but a bit theoretical sometimes. You will be using this along with Rustlings!
  • Rust By Example - Learn Rust by solving little exercises! It's almost like rustlings, but online
crab pet

Getting Started

Note: If you're on MacOS, make sure you've installed Xcode and its developer tools by typing xcode-select --install.

You will need to have Rust installed. You can get it by visiting This'll also install Cargo, Rust's package/project manager.


Just run:

curl -L | bash
# Or if you want it to be installed to a different path:
curl -L | bash -s mypath/

This will install Rustlings and give you access to the rustlings command. Run it to get started!


In PowerShell, set ExecutionPolicy to RemoteSigned:

Set-ExecutionPolicy RemoteSigned

Then, you can run:

Start-BitsTransfer -Source -Destination $env:TMP/install_rustlings.ps1; Unblock-File $env:TMP/install_rustlings.ps1; Invoke-Expression $env:TMP/install_rustlings.ps1

To install Rustlings. Same as on MacOS/Linux, you will have access to the rustlings command after it.


Basically: Clone the repository, checkout to the latest tag, run cargo install.

git clone
cd rustlings
git checkout tags/3.0.0 # or whatever the latest version is (find out at
cargo install --force --path .

If there are installation errors, ensure that your toolchain is up to date. For the latest, run:

rustup update

Then, same as above, run rustlings to get started.

Doing exercises

The exercises are sorted by topic and can be found in the subdirectory rustlings/exercises/<topic>. For every topic there is an additional README file with some resources to get you started on the topic. We really recommend that you have a look at them before you start.

The task is simple. Most exercises contain an error that keep it from compiling, and it's up to you to fix it! Some exercises are also run as tests, but rustlings handles them all the same. To run the exercises in the recommended order, execute:

rustlings watch

This will try to verify the completion of every exercise in a predetermined order (what we think is best for newcomers). It will also rerun automatically every time you change a file in the exercises/ directory. If you want to only run it once, you can use:

rustlings verify

This will do the same as watch, but it'll quit after running.

In case you want to go by your own order, or want to only verify a single exercise, you can run:

rustlings run myExercise1

In case you get stuck, you can run the following command to get a hint for your exercise:

rustlings hint myExercise1

Testing yourself

After every couple of sections, there will be a quiz that'll test your knowledge on a bunch of sections at once. These quizzes are found in exercises/


Rustlings isn't done; there are a couple of sections that are very experimental and don't have proper documentation. These include:

  • Errors (exercises/errors/)
  • Option (exercises/option/)
  • Result (exercises/result/)
  • Move Semantics (could still be improved, exercises/move_semantics/)

Additionally, we could use exercises on a couple of topics:

  • Structs
  • Better ownership stuff
  • impl
  • ??? probably more

If you are interested in improving or adding new ones, please feel free to contribute! Read on for more information :)



Download Details:

Author: Rust-lang
Source Code: 
License: MIT license

#rust #beginner 

Small Exercises to Get You Used To Reading & Writing Rust Code!
Web Monster

Web Monster


Building a Blog from Scratch with HTML, CSS, and JavaScript: A Step-by

In this tutorial, you'll learn how to create a blog from scratch using HTML, CSS, and JavaScript. 

We'll start by setting up the basic structure of the blog, then add styling with CSS, and finally, 

include some interactive features using JavaScript. 

By the end of this video, you'll have a fully functional blog that you can customize and use as a personal website, portfolio, 

or anything else you like. 

🔗 Essential links 


Source Code: 

📺 My Channel : 

🔔 Subscribe : 


🕐 New Videos Every Week 

🔗 Essential links


Image : 

Font :

 FontAwesome : 

📹 Others Videos 


Music Landing Page Website Design using Html CSS & Javascript: 

➤ Watch: 

Sidebar Menu in HTML CSS & JavaScript | Dark/Light Mode : 

➤ Watch:

Responsive Bloggar - News Magazine : 

➤ Watch:

 Responsive Minimal Portfolio Website : 

➤ Watch:

💜 Like - Follow & Subscribe Me 


Twitter : 

Instagram : 

Facebook : 

Linkedin : 


#HTML #CSS #JavaScript #webmonster #responsivewebsite #LandinPage #web_development #blogging #create a blog #how_to_build_a_blog #website_design #website_development #front-end_development #coding_tutorial #step-by-step_tutorial #beginner-friendly


Link The Video:

➤ Watch:


Building a Blog from Scratch with HTML, CSS, and JavaScript: A Step-by
Code  Geek

Code Geek


Git Tutorial for Absolute Beginners

This Git Tutorial for Absolute Beginners will take you from zero knowledge of git, version control, and GitHub to the most common workflows you will use as a beginner that is learning how to code.

Git is a DevOps tool used for source code management. It is a free and open-source version control system used to handle small to very large projects efficiently. Git is used to tracking changes in the source code, enabling multiple developers to work together on non-linear development. Linus Torvalds created Git in 2005 for the development of the Linux kernel.

(00:00) Intro
(00:17) Welcome
(00:40) What is Git?
(01:04) What is Version Control?
(01:38) What is GitHub?
(02:10) Git Cheatsheet Download
(02:57) Install Git
(03:17) Install VS Code
(03:44) Open a New Folder
(04:17) Make Git Bash your Default Terminal
(06:36) Check Git Version
(07:01) Configure Git
(09:20) Git Help
(09:54) VS Code File Exclude Setting
(11:19) Cloning a Tutorial Repository
(14:56) Removing Git from a Tutorial
(16:32) Creating Your Own Project Repository
(19:52) Tell Git to Ignore a File
(20:40) Adding All Files
(21:00) Modified File Status
(22:14) Discarding Changes
(22:56) Making Commits
(27:36) Sending Your Git Repository to GitHub
(32:54) Remembering Credentials 
(35:11) Future Git Tutorial Topics

👉 Git Cheatsheet for Beginners (free download): 

🔗 Clone this GitHub repository to practice: 

📚 Tutorial References:
🔗 Git Official Website: 
🔗 GitHub: 
🔗 MDN - Git & GitHub: 


#git  #tutorial  #beginner 

Git Tutorial for Absolute Beginners
Marins Borg

Marins Borg


Choose the best programming language to learn first and FREE resources

As a beginner in the world of programming, choosing the best programming language to learn first can be overwhelming. With so many options available, it’s difficult to know how to start.

We are reviewing popular languages and giving resources to learn them for FREE.


#learning #beginner #python #resources 

Choose the best programming language to learn first and FREE resources
Noah Saunders

Noah Saunders


Learn JavaScript Reduce Function in 18 Minutes

Learn JavaScript Reduce Function in 18 minutes (for beginners). JavaScript’s reduce method is one of the cornerstones of functional programming. Let’s explore how it works, when you should use it, and some of the cool things it can do.

00:00 Introduction
00:15 Skillshare Sponsorship
01:58 Reduce Function Lesson Intro
03:48 Reduce Function Example #1 
05:30 How to write a Reduce Function (2 Methods)
11:57 Reduce Function Example #2
16:20 Reduce Function Lesson Summary
17:42 Outro

A Guide To The Reduce Method In Javascript​

A Basic Reduction

Use it when: You have an array of amounts and you want to add them all up.

const euros = [29.76, 41.85, 46.5];

const sum = euros.reduce((total, amount) => total + amount); 

sum // 118.11

How to use it:

  • In this example, Reduce accepts two parameters, the total and the current amount.
  • The reduce method cycles through each number in the array much like it would in a for-loop.
  • When the loop starts the total value is the number on the far left (29.76) and the current amount is the one next to it (41.85).
  • In this particular example, we want to add the current amount to the total.
  • The calculation is repeated for each amount in the array, but each time the current value changes to the next number in the array, moving right.
  • When there are no more numbers left in the array the method returns the total value.

The ES5 version of the Reduce Method In JavaScript​

If you have never used ES6 syntax before, don’t let the example above intimidate you. It’s exactly the same as writing:

var euros = [29.76, 41.85, 46.5]; 

var sum = euros.reduce( function(total, amount){
  return total + amount

sum // 118.11

We use const instead of var and we replace the word function with a “fat arrow” (=>) after the parameters, and we omit the word ‘return’.

I’ll use ES6 syntax for the rest of the examples, since it’s more concise and leaves less room for errors.

Finding an Average with the Reduce Method In JavaScript​

Instead of logging the sum, you could divide the sum by the length of the array before you return a final value.

The way to do this is by taking advantage of the other arguments in the reduce method. The first of those arguments is the index. Much like a for-loop, the index refers to the number of times the reducer has looped over the array. The last argument is the array itself.

const euros = [29.76, 41.85, 46.5];

const average = euros.reduce((total, amount, index, array) => {
  total += amount;
  if( index === array.length-1) { 
    return total/array.length;
  }else { 
    return total;

average // 39.37

Map and Filter as Reductions

If you can use the reduce function to spit out an average then you can use it any way you want.

For example, you could double the total, or half each number before adding them together, or use an if statement inside the reducer to only add numbers that are greater than 10. My point is that the Reduce Method In JavaScript​ gives you a mini CodePen where you can write whatever logic you want. It will repeat the logic for each amount in the array and then return a single value.

The thing is, you don’t always have to return a single value. You can reduce an array into a new array.

For instance, lets reduce an array of amounts into another array where every amount is doubled. To do this we need to set the initial value for our accumulator to an empty array.

The initial value is the value of the total parameter when the reduction starts. You set the initial value by adding a comma followed by your initial value inside the parentheses but after the curly braces (bolded in the example below).

const average = euros.reduce((total, amount, index, array) => {
  total += amount
  return total/array.length
}, 0);

In previous examples, the initial value was zero so I omitted it. By omitting the initial value, the total will default to the first amount in the array.

By setting the initial value to an empty array we can then push each amount into the total. If we want to reduce an array of values into another array where every value is doubled, we need to push the amount * 2. Then we return the total when there are no more amounts to push.

const euros = [29.76, 41.85, 46.5];

const doubled = euros.reduce((total, amount) => {
  total.push(amount * 2);
  return total;
}, []);

doubled // [59.52, 83.7, 93]

We’ve created a new array where every amount is doubled. We could also filter out numbers we don’t want to double by adding an if statement inside our reducer.

const euro = [29.76, 41.85, 46.5];

const above30 = euro.reduce((total, amount) => {
  if (amount > 30) {
  return total;
}, []);

above30 // [ 41.85, 46.5 ]

These operations are the map and filter methods rewritten as a reduce method.

For these examples, it would make more sense to use map or filter because they are simpler to use. The benefit of using reduce comes into play when you want to map and filter together and you have a lot of data to go over.

If you chain map and filter together you are doing the work twice. You filter every single value and then you map the remaining values. With reduce you can filter and then map in a single pass.

Use map and filter but when you start chaining lots of methods together you now know that it is faster to reduce the data instead.

Creating a Tally with the Reduce Method In JavaScript​

Use it when: You have a collection of items and you want to know how many of each item are in the collection.

const fruitBasket = ['banana', 'cherry', 'orange', 'apple', 'cherry', 'orange', 'apple', 'banana', 'cherry', 'orange', 'fig' ];

const count = fruitBasket.reduce( (tally, fruit) => {
  tally[fruit] = (tally[fruit] || 0) + 1 ;
  return tally;
} , {})

count // { banana: 2, cherry: 3, orange: 3, apple: 2, fig: 1 }

To tally items in an array our initial value must be an empty object, not an empty array like it was in the last example.

Since we are going to be returning an object we can now store key-value pairs in the total.

fruitBasket.reduce( (tally, fruit) => {
  tally[fruit] = 1;
  return tally;
}, {})

On our first pass, we want the name of the first key to be our current value and we want to give it a value of 1.

This gives us an object with all the fruit as keys, each with a value of 1. We want the amount of each fruit to increase if they repeat.

To do this, on our second loop we check if our total contain a key with the current fruit of the reducer. If it doesn’t then we create it. If it does then we increment the amount by one.

fruitBasket.reduce((tally, fruit) => {
  if (!tally[fruit]) {
    tally[fruit] = 1;
  } else {
    tally[fruit] = tally[fruit] + 1;
  return tally;
}, {});

I rewrote the exact same logic in a more concise way up top.

Flattening an array of arrays with the Reduce Method In JavaScript​​

We can use reduce to flatten nested amounts into a single array.

We set the initial value to an empty array and then concatenate the current value to the total.

const data = [[1, 2, 3], [4, 5, 6], [7, 8, 9]];

const flat = data.reduce((total, amount) => {
  return total.concat(amount);
}, []);

flat // [ 1, 2, 3, 4, 5, 6, 7, 8, 9 ]

More often than not, information is nested in more complicated ways. For instance, lets say we just want all the colors in the data variable below.

const data = [
  {a: 'happy', b: 'robin', c: ['blue','green']}, 
  {a: 'tired', b: 'panther', c: ['green','black','orange','blue']}, 
  {a: 'sad', b: 'goldfish', c: ['green','red']}

We’re going to step through each object and pull out the colours. We do this by pointing amount.c for each object in the array. We then use a forEach loop to push every value in the nested array into out total.

const colors = data.reduce((total, amount) => {
  amount.c.forEach( color => {
  return total;
}, [])

colors //['blue','green','green','black','orange','blue','green','red']

If we only need unique number then we can check to see of the number already exists in total before we push it.

const uniqueColors = data.reduce((total, amount) => {
  amount.c.forEach( color => {
    if (total.indexOf(color) === -1){
  return total;
}, []);

uniqueColors // [ 'blue', 'red', 'green', 'black', 'orange']

Piping with Reduce

An interesting aspect of the reduce method in JavaScript is that you can reduce over functions as well as numbers and strings.

Let’s say we have a collection of simple mathematical functions. these functions allow us to increment, decrement, double and halve an amount.

function increment(input) { return input + 1;}

function decrement(input) { return input — 1; }

function double(input) { return input * 2; }

function halve(input) { return input / 2; }

For whatever reason, we need to increment, then double, then decrement an amount.

You could write a function that takes an input, and returns (input + 1) * 2 -1. The problem is that we know we are going to need to increment the amount three times, then double it, then decrement it, and then halve it at some point in the future. We don’t want to have to rewrite our function every time so we going to use reduce to create a pipeline.

A pipeline is a term used for a list of functions that transform some initial value into a final value. Our pipeline will consist of our three functions in the order that we want to use them.

let pipeline = [increment, double, decrement];

Instead of reducing an array of values we reduce over our pipeline of functions. This works because we set the initial value as the amount we want to transform.

const result = pipeline.reduce(function(total, func) {
  return func(total);
}, 1);

result // 3

Because the pipeline is an array, it can be easily modified. If we want to decrement something three times, then double it, decrement it , and halve it then we just alter the pipeline.

var pipeline = [


The reduce function stays exactly the same.

Silly Mistakes to avoid

If you don’t pass in an initial value, reduce will assume the first item in your array is your initial value. This worked fine in the first few examples because we were adding up a list of numbers.

If you’re trying to tally up fruit, and you leave out the initial value then things get weird. Not entering an initial value is an easy mistake to make and one of the first things you should check when debugging.

Another common mistake is to forget to return the total. You must return something for the reduce function to work. Always double check and make sure that you’re actually returning the value you want.

Tools, Tips & References

  • Everything in this post came from a fantastic video series on egghead called Introducing Reduce. I give Mykola Bilokonsky full credit and I am grateful to him for everything I now know about using the Reduce Method In JavaScript​. I have tried to rewrite much of what he explains in my own words as an exercise to better understand each concept. Also, it’s easier for me to reference an article, as opposed to a video, when I need to remember how to do something.
  • The MDN Reduce documentation labels what I called a total the accumulator. It is important to know this because most people will refer to it as an accumulator if you read about it online. Some people call it prev as in previous value. It all refers to the same thing. I found it easier to think of a total when I was learning reduce.
  • If you would like to practice using reduce I recommend signing up to freeCodeCamp and completing as many of the intermediate algorithms as you can using reduce.
  • If the ‘const’ variables in the example snippets are new to you I wrote another article about ES6 variables and why you might want to use them.
  • I also wrote an article called The Trouble With Loops that explain how to use map() and filter() if the are new to you.

Thanks for reading!

#javascript #tutorial #beginner #reduce

Learn JavaScript Reduce Function in 18 Minutes
Anne  de Morel

Anne de Morel


Applications d'EdgeML

EdgeML  est une technologie qui permet aux appareils intelligents de traiter les données localement (via des serveurs locaux ou au niveau de l'appareil), en tirant parti des algorithmes d'apprentissage automatique et en profondeur, réduisant ainsi la dépendance aux réseaux cloud. Le terme edge fait référence au traitement au niveau de l'appareil ou au niveau local (et au plus près des composants collectant les données) par des algorithmes d'apprentissage profond et automatique.

Edge ML est révolutionnaire. Il répond aux problèmes de sécurité liés au stockage des informations personnelles des utilisateurs dans le Cloud et réduit la charge sur les réseaux Cloud en traitant les données localement. Cela aide également au traitement des données en temps réel, ce qui est actuellement impossible avec les appareils intelligents typiques fonctionnant dans le cloud, mais qui est important pour les technologies telles que les véhicules sans conducteur et les équipements médicaux. Dans cet article, nous examinerons certaines applications d'apprentissage automatique à la périphérie, alors allons-y.

Applications d'EdgeML

1. Soins de santé :  les maladies chroniques peuvent être suivies avec des moniteurs de santé et d'autres appareils portables. En cas d'urgence médicale, il est impératif d'accéder rapidement aux antécédents médicaux. Les résultats pourraient être fatals si ces appareils s'appuient sur le transfert de données vers le cloud avant de prendre des décisions. Pour contourner cela, EdgeML aide à l'évaluation instantanée et en temps opportun de données complexes qui nécessitent une attention immédiate des médecins pour améliorer les soins aux patients et éliminer d'autres risques potentiels liés à la santé. De plus, les gardiens peuvent être avertis dans un tel scénario.

Une illustration de l'IA/ML à la pointe dans un environnement de soins de santé doté de l'IoT.

2. Assistant virtuel :  les gadgets à commande vocale ne capturent pas constamment l'audio et ne l'envoient pas dans le cloud pour vérifier s'ils reçoivent des instructions. Les interfaces vocales d'aujourd'hui utilisent souvent la détection de mot-clé ou de « mot de réveil ». EdgeML peut aider à traiter rapidement les signaux du microphone pendant que le reste du système reste inactif. Cette approche économe en énergie est particulièrement cruciale pour prolonger la durée d'utilisation des appareils portables alimentés par batterie tels que les smartphones et les appareils portables.

De plus, la technologie EdgeML peut aider à séparer la voix de l'utilisateur des autres sons de l'environnement. Par exemple, les techniques de formation de faisceaux traitent l'audio de plusieurs microphones dans l'appareil pour concentrer l'écoute dans la direction à partir de laquelle l'utilisateur parle - comme un microphone directionnel virtuel.

Un guide complet sur la façon de changer le mot de réveil Alexa pour les appareils Amazon Echo

3. Surveillance de la sécurité dans les installations pétrolières et gazières : la plupart des installations liées au pétrole et au gaz sont situées à distance avec une mauvaise connectivité. La localisation des capteurs et edgeML sur ou à proximité de ces systèmes permet une connectivité améliorée et une surveillance constante. EdgeML peut également analyser les problèmes d'équipement en temps réel, ce qui facilite la maintenance prédictive. Les capteurs peuvent surveiller l'humidité, la température et l'énergie générée par tous les équipements, y compris les véhicules électriques et les systèmes de parcs éoliens, et les données recueillies peuvent être analysées plus en détail à l'aide d'EdgeML. Le résultat résultant pourrait être de gérer le réseau énergétique pour aider à la réduction des coûts et à la création d'énergie efficace.

solutions vidéo basées sur le cloud pour la surveillance des puits de pétrole

4. Détection des intrusions sur le réseau : en raison de l'augmentation significative des vulnérabilités potentielles ou des canaux d'attaque au sein d'un réseau, la cybersécurité est une préoccupation majeure pour de nombreuses entreprises. Le déploiement de techniques ML à la périphérie du réseau suggère que les logiciels et dispositifs de sécurité réseau peuvent augmenter constamment. Les techniques de ML peuvent être utilisées pour identifier les menaces avec une amélioration continue en simulant différents types de cyberattaques. Dans des situations critiques, le temps gagné en éliminant les serveurs cloud pourrait être inestimable.

Intrusion réseau - Détection et prévention

5. Détection de l'activité des appareils IoT :  avec la croissance rapide de l'Internet des objets et des appareils connectés, l'intérêt pour les applications et les appareils portables de santé et de fitness a augmenté. Ces applications obtiennent généralement des informations à partir des gyroscopes et des accéléromètres présents dans de nombreux smartphones actuels. Cependant, à mesure que la quantité de données personnelles collectées et communiquées par ces applications augmente, les inquiétudes concernant la confidentialité personnelle et les transferts de données sécurisés augmentent également. L'apprentissage automatique sur les appareils périphériques, comme les smartphones, permet d'apprendre des modèles sécurisés directement sur les appareils, éliminant ainsi le besoin d'envoyer des données vers le cloud ou de les externaliser.

Vivre à la périphérie : qu'est-ce que l'informatique de périphérie et pourquoi en avons-nous besoin ?  - Blog WeAreBrain

6. Prédiction des évaluations des produits : les algorithmes ML sont largement utilisés dans des domaines tels que l'analyse des sentiments des consommateurs pour prédire les évaluations des produits en fonction des avis rédigés par les clients. Les données textuelles des avis sont examinées sous forme de séquence de mots avant que l'apprentissage automatique en périphérie n'identifie les séquences de mots pertinentes et ne fournisse des informations. Tout point de vente en ligne essayant de capitaliser sur une base de consommateurs pour prédire les évaluations des produits peut tirer parti des informations obtenues.

Écrit dans les étoiles : mise en œuvre d'un système de notation des produits

7. Véhicules autonomes :  Tout piéton qui traverse devant un véhicule autonome doit être arrêté à temps pour éviter tout incident malheureux. Prendre cette décision en fonction du serveur distant n'est pas fiable et injuste. De plus, les véhicules qui utilisent la technologie de pointe peuvent interagir plus efficacement puisqu'ils peuvent d'abord communiquer entre eux, plutôt que d'envoyer des données sur les accidents, la météo, le trafic ou les déviations vers un serveur distant.

8. Gestion de l'environnement et de la faune : EdgeML peut être utilisé pour prédire et optimiser la sélection d'espèces d'arbres à des fins de reboisement à l'aide de données cartographiques. La meilleure espèce est ensuite déduite en fonction de variables telles que l'altitude, l'exposition, le type de sol et l'humidité; des efforts de reboisement automatique pourraient donc être faits.

Perspectives de l'apprentissage automatique pour la conservation de la faune |  Communication Nature

9. Agriculture : Les données relatives à la température ambiante, au niveau d'humidité du sol et à d'autres variables peuvent être recueillies à l'aide de capteurs. De plus, ces données de capteur peuvent être analysées à l'aide de solutions EdgeML pour analyser la densité des nutriments et la consommation d'eau afin d'optimiser et d'augmenter la récolte.

Cas d'utilisation de l'agriculture et applications d'apprentissage automatique - Analyse de données

10. Construction : EdgeML peut être utilisé dans le secteur de la construction. Les données des équipements de sécurité, des caméras, des capteurs, etc. peuvent être collectées et analysées pour augmenter la sécurité du travailleur. De plus, il donne un aperçu des conditions de sécurité au travail et garantit que les travailleurs respectent les règles de sécurité.

6 applications étonnantes de l'intelligence artificielle dans la construction intelligente

11. Fabrication : Les capteurs environnementaux, l'apprentissage automatique et l'analyse en temps réel peuvent surveiller les processus industriels pour améliorer la qualité des produits et détecter les erreurs de production. Il fournit également des informations sur les composants disponibles et leur durée de vie, aidant le producteur à prendre des décisions opérationnelles et d'installation plus précises et plus rapides .

Avantages révolutionnaires de l'apprentissage automatique pour la fabrication

12. Surveillance de la santé des composants : dans divers secteurs tels que l'énergie, l'industrie, le résidentiel, la santé, etc. EdgeML, en conjonction avec d'autres capteurs, peut être utilisé pour surveiller la santé des composants et alerter les spécialistes lorsqu'une réparation est nécessaire. Par conséquent, cela peut aider à retarder ou à éviter les situations de panne/fusion de la machine et à augmenter la durée de vie de la machine.

3 raisons pour lesquelles la surveillance des machines est une priorité - IndMacDig |  Recueil de machines industrielles

13. Publicité :  le marketing et l'information ciblés pour les entreprises de vente au détail reposent sur des aspects critiques définis dans l'équipement sur le terrain, comme les données démographiques. Compte tenu de cela, EdgeML peut aider à protéger la confidentialité des utilisateurs. Plutôt que d'envoyer des données non protégées dans le cloud, il peut chiffrer les données et conserver la source.

La dynamique évolue-t-elle vers une interdiction de la publicité comportementale ?  – Le balisage

14. Développement de systèmes basés sur Edge ML dans les hôpitaux et les résidences-services : l'utilisation d'EdgeML conjointement avec les données recueillies à partir de capteurs portables et environnementaux peut aider à surveiller la fréquence cardiaque, la glycémie et d'autres paramètres vitaux d'un patient. Cela a le potentiel de sauver des vies car les données sont analysées localement à la périphérie et le personnel serait averti en temps réel lorsqu'une réponse rapide est nécessaire pour sauver des vies.


Dans cet article de blog, nous avons appris qu'EdgeML peut être utilisé aux fins suivantes :

1. EdgeML peut être utilisé dans le secteur de la santé pour fournir un accès rapide aux antécédents médicaux d'un patient et aider à l'évaluation instantanée et rapide de données complexes, contribuant ainsi à éviter toute perte. En outre, il peut aider à développer des systèmes basés sur Edge ML dans les hôpitaux et les résidences-services.

2. EdgeML peut être utilisé dans les assistants virtuels et les systèmes audio. Il peut spécifiquement aider à la détection et au traitement des mots de réveil et peut aider à séparer la voix de l'utilisateur des autres sons de l'environnement.

3. EdgeML peut également aider à surveiller la sécurité du sujet dans divers domaines tels que le pétrole et le gaz, les véhicules sans conducteur, les chantiers de construction, etc. En outre, il peut être utilisé pour assurer la sécurité de l'utilisateur contre les intrusions dans le cyber-réseau.

4. EdgeML peut être exploité par les points de vente en ligne qui tentent de capitaliser sur une base de consommateurs pour prédire les évaluations des produits. En outre, il peut être mis à profit pour un marketing ciblé.

5. EdgeML peut être utilisé dans les industries pour prendre des décisions opérationnelles et d'installation plus précises et plus rapides. De plus, il peut être utilisé pour surveiller la santé des composants.

6. EdgeML peut être utilisé pour la gestion de l'environnement, de l'agriculture et de la faune.

Source :

#applications #edgeml  #beginner #machinelearning 

Applications d'EdgeML
Thai  Son

Thai Son


Các Ứng Dụng Của EdgeML

EdgeML  là công nghệ cho phép Thiết bị thông minh xử lý dữ liệu cục bộ (thông qua máy chủ cục bộ hoặc ở cấp thiết bị), tận dụng các thuật toán máy học và học sâu, giảm sự phụ thuộc vào mạng Đám mây. Thuật ngữ cạnh đề cập đến việc xử lý ở cấp thiết bị hoặc cục bộ (và gần nhất với các thành phần thu thập dữ liệu) bằng các thuật toán học máy và sâu.

Edge ML là một bước đột phá. Nó giải quyết những lo ngại về bảo mật về việc lưu trữ thông tin người dùng cá nhân trong Đám mây và giảm gánh nặng cho mạng Đám mây bằng cách xử lý dữ liệu cục bộ. Nó cũng giúp xử lý dữ liệu thời gian thực, điều hiện không thể đạt được với các thiết bị thông minh vận hành trên nền tảng đám mây điển hình nhưng rất quan trọng đối với các công nghệ như phương tiện không người lái và thiết bị y tế. Trong bài viết này, chúng ta sẽ xem xét một số ứng dụng học máy ở phần rìa, vì vậy chúng ta hãy bắt đầu.

Các ứng dụng của EdgeML

1. Chăm sóc sức khỏe:  Các bệnh mãn tính có thể được theo dõi bằng máy theo dõi sức khỏe và các thiết bị đeo khác. Trong trường hợp cấp cứu y tế, cần phải truy cập nhanh vào bệnh sử. Kết quả có thể gây tử vong nếu các thiết bị này dựa vào việc truyền dữ liệu lên đám mây trước khi đưa ra quyết định. Để tránh điều này, EdgeML hỗ trợ đánh giá nhanh chóng và kịp thời các dữ liệu phức tạp cần bác sĩ chú ý ngay lập tức để cải thiện việc chăm sóc bệnh nhân và loại bỏ các nguy cơ tiềm ẩn khác liên quan đến sức khỏe. Ngoài ra, người chăm sóc có thể được thông báo trong một trường hợp như vậy.

Một minh họa về AI / ML tiên tiến trong môi trường chăm sóc sức khỏe được trao quyền bởi IoT.

2. Trợ lý ảo:  Các tiện ích hỗ trợ giọng nói không liên tục thu âm thanh và gửi nó lên đám mây để xác định xem chúng có đang được hướng dẫn hay không. Các giao diện giọng nói ngày nay thường sử dụng tính năng phát hiện từ khóa hoặc "đánh thức". EdgeML có thể giúp xử lý nhanh các tín hiệu micrô trong khi phần còn lại của hệ thống không hoạt động. Cách tiếp cận tiết kiệm năng lượng này đặc biệt quan trọng để kéo dài thời gian sử dụng trong các thiết bị chạy bằng pin di động như điện thoại thông minh và thiết bị đeo được.

Hơn nữa, công nghệ EdgeML có thể giúp tách giọng nói của người dùng khỏi các âm thanh khác trong môi trường. Ví dụ: kỹ thuật tạo chùm tia xử lý âm thanh từ nhiều micrô trong thiết bị để tập trung nghe theo hướng người dùng đang nói - giống như micrô định hướng ảo.

Hướng dẫn đầy đủ về cách thay đổi từ đánh thức Alexa cho các thiết bị Amazon Echo

3. Giám sát An toàn trong các cơ sở Dầu khí: Hầu hết các cơ sở liên quan đến dầu khí được đặt từ xa với kết nối kém. Định vị các cảm biến và edgeML tại hoặc gần các hệ thống như vậy cho phép cải thiện khả năng kết nối và giám sát liên tục. EdgeML cũng có thể phân tích các vấn đề với thiết bị trong thời gian thực, hỗ trợ bảo trì dự đoán. Các cảm biến có thể theo dõi độ ẩm, nhiệt độ và năng lượng được tạo ra bởi tất cả các thiết bị, bao gồm cả xe điện và hệ thống trang trại gió, và dữ liệu thu thập được có thể được phân tích thêm bằng EdgeML. Kết quả đầu ra có thể là quản lý lưới năng lượng để giúp giảm chi phí và tạo ra năng lượng hiệu quả.

giải pháp video dựa trên đám mây để giám sát giếng dầu

4. Phát hiện xâm nhập mạng: Do sự gia tăng đáng kể các lỗ hổng tiềm ẩn hoặc các kênh tấn công trong mạng, an ninh mạng là mối quan tâm lớn của nhiều doanh nghiệp. Việc triển khai các kỹ thuật ML ở biên mạng cho thấy rằng phần mềm và thiết bị an ninh mạng có thể không ngừng tăng lên. Kỹ thuật ML có thể được sử dụng để xác định các mối đe dọa với sự cải tiến liên tục bằng cách mô phỏng các loại tấn công mạng khác nhau. Trong những tình huống quan trọng, thời gian tiết kiệm được bằng cách loại bỏ các máy chủ đám mây có thể là vô giá.

Xâm nhập mạng - Phát hiện và ngăn chặn

5. Phát hiện hoạt động của thiết bị IoT:  Với tốc độ phát triển nhanh chóng của Internet vạn vật và các thiết bị được kết nối, đã làm gia tăng sự quan tâm đến các ứng dụng và thiết bị đeo được về sức khỏe và thể dục. Các ứng dụng này thường lấy thông tin từ con quay hồi chuyển và gia tốc kế được tìm thấy trong nhiều điện thoại thông minh hiện nay. Tuy nhiên, khi lượng dữ liệu cá nhân được thu thập và giao tiếp bởi các ứng dụng này ngày càng tăng, thì những lo lắng về quyền riêng tư cá nhân và truyền dữ liệu an toàn cũng tăng theo. Học máy trên các thiết bị tiên tiến, như điện thoại thông minh, cho phép học các mô hình bảo mật trực tiếp trên thiết bị, loại bỏ nhu cầu gửi dữ liệu lên đám mây hoặc mở rộng dữ liệu ra bên ngoài.

Sống trên Cạnh: Điện toán biên là gì và tại sao chúng ta cần nó?  - Blog WeAreBrain

6. Dự đoán Xếp hạng Sản phẩm: Các thuật toán ML được sử dụng nhiều trong các lĩnh vực như phân tích tâm lý người tiêu dùng để dự đoán xếp hạng sản phẩm dựa trên các đánh giá do khách hàng viết. Dữ liệu văn bản từ các bài đánh giá được kiểm tra dưới dạng chuỗi từ trước khi máy học biên xác định chuỗi từ có liên quan và cung cấp thông tin chi tiết. Bất kỳ cửa hàng thương mại điện tử nào cố gắng tận dụng cơ sở người tiêu dùng để dự đoán xếp hạng sản phẩm đều có thể tận dụng thông tin chi tiết thu được.

Viết trong các Ngôi sao: Triển khai Hệ thống Đánh giá Sản phẩm

7. Xe tự hành:  Bất kỳ người đi bộ nào băng qua phía trước xe tự hành đều phải dừng lại kịp thời để tránh trường hợp đáng tiếc xảy ra. Đưa ra quyết định này dựa trên máy chủ từ xa là không đáng tin cậy và không công bằng. Hơn nữa, các phương tiện sử dụng công nghệ tiên tiến có thể tương tác hiệu quả hơn vì chúng có thể giao tiếp với nhau trước, thay vì gửi dữ liệu về tai nạn, thời tiết, giao thông hoặc chuyển hướng đến một máy chủ từ xa.

8. Quản lý Môi trường và Động vật Hoang dã: EdgeML có thể được tận dụng để dự đoán và tối ưu hóa việc lựa chọn các loài cây cho mục đích tái trồng rừng bằng cách sử dụng dữ liệu bản đồ. Các loài tốt nhất sau đó được suy ra dựa trên các biến số như độ cao, độ phơi sáng, loại đất và độ ẩm; do đó các nỗ lực trồng rừng tự động có thể được thực hiện.

Các quan điểm trong học máy để bảo tồn động vật hoang dã |  Nature Communications

9. Nông nghiệp: Dữ liệu liên quan đến nhiệt độ môi trường xung quanh, độ ẩm của đất và các biến số khác có thể được thu thập với sự trợ giúp của các cảm biến. Hơn nữa, dữ liệu cảm biến này có thể được phân tích với sự trợ giúp của các giải pháp EdgeML để phân tích mật độ dinh dưỡng và lượng nước tiêu thụ nhằm tối ưu hóa và tăng thu hoạch.

Các trường hợp sử dụng nông nghiệp & ứng dụng học máy - Phân tích dữ liệu

10. Xây dựng: EdgeML có thể được sử dụng trong lĩnh vực xây dựng. Dữ liệu từ các thiết bị an toàn, máy ảnh, cảm biến, v.v. Nó có thể được thu thập và phân tích để tăng độ an toàn cho người lao động. Hơn nữa, nó cung cấp một cái nhìn tổng quan về các điều kiện an toàn tại nơi làm việc và đảm bảo rằng người lao động tuân theo các quy định về an toàn.

6 ứng dụng tuyệt vời của trí tuệ nhân tạo trong xây dựng thông minh

11. Sản xuất: Cảm biến môi trường, máy học và phân tích thời gian thực có thể giám sát các quy trình công nghiệp để cải thiện chất lượng sản phẩm và phát hiện các lỗi sản xuất. Nó cũng cung cấp thông tin về các thành phần có sẵn và chúng sẽ tồn tại trong bao lâu, giúp nhà sản xuất đưa ra các quyết định vận hành và cơ sở chính xác và nhanh chóng hơn .

Những lợi ích đột phá của Học máy đối với Sản xuất

12. Theo dõi tình trạng của các thành phần: Trong các lĩnh vực khác nhau như năng lượng, công nghiệp, dân cư, chăm sóc sức khỏe, v.v. EdgeML, kết hợp với các cảm biến khác, có thể được sử dụng để theo dõi tình trạng của các thành phần và cảnh báo cho các chuyên gia khi cần sửa chữa. Do đó, nó có thể giúp trì hoãn hoặc tránh các tình huống hỏng hóc / nóng máy và tăng tuổi thọ của máy.

3 lý do nên ưu tiên giám sát máy móc - IndMacDig |  Thông báo máy móc công nghiệp

13. Quảng cáo:  Tiếp thị mục tiêu và thông tin cho các doanh nghiệp bán lẻ dựa trên các khía cạnh quan trọng được xác định trong thiết bị tại hiện trường, như dữ liệu nhân khẩu học. Xem xét điều này, EdgeML có thể giúp bảo vệ quyền riêng tư của người dùng. Thay vì gửi dữ liệu không được bảo vệ lên đám mây, nó có thể mã hóa dữ liệu và giữ nguyên nguồn.

Có phải Momentum đang chuyển hướng tới lệnh cấm quảng cáo hành vi?  - Đánh dấu

14. Phát triển các hệ thống dựa trên Edge ML trong bệnh viện và các cơ sở hỗ trợ sinh hoạt: Tận dụng EdgeML kết hợp với dữ liệu thu thập từ các cảm biến môi trường và thiết bị đeo được có thể hỗ trợ theo dõi nhịp tim, mức đường huyết và các chỉ số quan trọng khác của bệnh nhân. Điều này có khả năng cứu sống vì dữ liệu được phân tích cục bộ ở rìa và nhân viên sẽ được thông báo trong thời gian thực khi cần phản hồi nhanh chóng để cứu sống.

Sự kết luận

Trong bài đăng trên blog này, chúng tôi đã biết rằng EdgeML có thể được sử dụng cho các mục đích sau:

1. EdgeML có thể được sử dụng trong lĩnh vực y tế để cung cấp khả năng truy cập nhanh vào lịch sử y tế của bệnh nhân và hỗ trợ đánh giá nhanh chóng và kịp thời các dữ liệu phức tạp, do đó giúp tránh mọi thương vong. Hơn nữa, nó có thể giúp phát triển các hệ thống dựa trên Edge ML trong các bệnh viện và các cơ sở hỗ trợ sinh hoạt.

2. EdgeML có thể được sử dụng trong trợ lý ảo và hệ thống âm thanh. Nó đặc biệt có thể giúp phát hiện và xử lý từ đánh thức và có thể hỗ trợ tách giọng nói của người dùng khỏi các âm thanh khác trong môi trường.

3. EdgeML cũng có thể giúp giám sát sự an toàn của đối tượng trong nhiều lĩnh vực khác nhau như dầu khí, phương tiện không người lái, công trường xây dựng, v.v. Ngoài ra, nó có thể được sử dụng để đảm bảo an toàn cho người dùng khỏi sự xâm nhập của mạng không gian mạng.

4. EdgeML có thể được tận dụng bởi các cửa hàng thương mại điện tử cố gắng tận dụng cơ sở người tiêu dùng để dự đoán xếp hạng sản phẩm. Ngoài ra, nó có thể được tận dụng để tiếp thị mục tiêu.

5. EdgeML có thể được sử dụng trong các ngành công nghiệp để đưa ra các quyết định về hoạt động và cơ sở chính xác và nhanh chóng hơn. Hơn nữa, nó có thể được tận dụng để theo dõi sức khỏe của các thành phần.

6. EdgeML có thể được sử dụng để quản lý môi trường, nông nghiệp và động vật hoang dã.


#applications #edgeml  #beginner #machinelearning 

Các Ứng Dụng Của EdgeML
顾 静

顾 静


EdgeML 的应用

EdgeML 是一种技术,它允许智能设备在本地(通过本地服务器或在设备级别)处理数据,利用机器和深度学习算法,减少对云网络的依赖。术语边缘是指通过深度和机器学习算法在设备或本地级别(最接近收集数据的组件)进行的处理。

Edge ML 是开创性的。它解决了在云中存储个人用户信息的安全问题,并通过在本地处理数据来减轻云网络的负担。它还有助于实时数据处理,这是目前典型的云操作智能设备无法实现的,但对无人驾驶车辆和医疗设备等技术很重要。在本文中,我们将介绍一些边缘的机器学习应用程序,让我们开始吧。

EdgeML 的应用

1. 医疗保健: 可以通过健康监测器和其他可穿戴设备跟踪慢性病。在医疗紧急情况下,迫切需要快速访问病史。如果这些设备在做出决策之前依赖于将数据传输到云端,结果可能是致命的。为了避免这种情况,EdgeML 协助对需要医生立即关注的复杂数据进行即时和及时的评估,以改善患者护理并消除其他潜在的健康相关风险。此外,可以在这种情况下通知看护人。

物联网赋能医疗环境中边缘 AI/ML 的图示。

2. 虚拟助手: 支持语音的小工具不会不断捕获音频并将其发送到云端以确定它们是否被指示。今天的语音界面经常使用关键字或“唤醒词”检测。EdgeML 可以帮助在系统其余部分保持空闲时快速处理麦克风信号。这种节能方法对于延长便携式电池供电设备(如智能手机和可穿戴设备)的使用时间尤其重要。

此外,EdgeML 技术可以帮助将用户的声音与环境中的其他声音区分开来。例如,波束成形技术处理来自设备中多个麦克风的音频,以集中聆听用户说话的方向——就像虚拟定向麦克风一样。

有关如何更改 Amazon Echo 设备的 Alexa 唤醒词的完整指南

3. 监控油气设施的安全性:大多数油气相关设施位于偏远地区,连通性较差。在此类系统处或附近定位传感器和 edgeML 可以改善连接性和持续监控。EdgeML 还可以实时分析设备问题,帮助进行预测性维护。这些传感器可以监测所有设备(包括电动汽车和风电场系统)产生的湿度、温度和能量,并且可以使用 EdgeML 进一步分析收集到的数据。由此产生的输出可能是管理能源网,以帮助降低成本和高效地创造能源。


4. 检测网络入侵:由于网络内潜在漏洞或攻击渠道的显着增加,网络安全是许多企业关注的主要问题。在网络边缘部署 ML 技术表明网络安全软件和设备可以不断增加。ML 技术可用于通过模拟不同类型的网络攻击来识别威胁并不断改进。在危急情况下,消除云服务器所节省的时间可能是无价的。

网络入侵 - 检测和预防

5.物联网设备活动检测: 随着物联网和连接设备的快速增长,人们对健康和健身应用程序和可穿戴设备的兴趣增加。这些应用程序通常从当前许多智能手机中的陀螺仪和加速度计获取信息。然而,随着这些应用程序收集和传递的个人数据量的增加,人们对个人隐私和安全数据传输的担忧也随之增加。智能手机等边缘设备上的机器学习可以直接在设备上学习安全模型,无需将数据发送到云端或将其外部化。

生活在边缘:什么是边缘计算,我们为什么需要它? - WeAreBrain 博客

6. 产品评级预测:机器学习算法大量用于消费者情绪分析等领域,根据客户撰写的评论预测产品评级。在边缘机器学习识别相关单词序列并提供见解之前,将评论中的文本数据作为单词序列进行检查。任何试图利用消费者基础来预测产品评级的电子商务渠道都可以利用获得的洞察力。


7. 自动驾驶汽车: 任何在自动驾驶汽车前面横穿的行人都必须及时制止,以免发生任何不幸事件。基于远程服务器做出这个决定是不可靠和不公平的。此外,使用边缘技术的车辆可以更有效地进行交互,因为它们可以首先相互通信,而不是将有关事故、天气、交通或转移的数据发送到远程服务器。

8. 环境和野生动物管理: EdgeML 可用于预测和优化树种的选择,以使用制图数据进行再造林。然后根据海拔、暴露、土壤类型和湿度等变量推断最佳物种;因此可以进行自动重新造林工作。

机器学习对野生动物保护的看法|  自然通讯

9. 农业:可以借助传感器收集与环境温度、土壤水分含量和其他变量相关的数据。此外,这些传感器数据可以在 EdgeML 解决方案的帮助下进行分析,以分析养分密度和耗水量,从而优化和增加收获。

农业用例和机器学习应用 - 数据分析

10. 建筑: EdgeML 可用于建筑领域。来自安全设备、摄像头、传感器等的数据。可以收集和分析以提高工人的安全性。此外,它还概述了工作场所的安全条件,并确保工人遵守安全法规。

人工智能在智能建筑中的 6 大惊人应用

11. 制造:环境传感器、机器学习和实时分析可以监控工业过程,以提高产品质量并检测生产错误。它还提供有关可用组件及其使用时间的信息,帮助生产商做出更准确、更快速的 运营和设施决策。


12. 监控组件的健康状况:在能源、工业、住宅、医疗保健等各个领域。EdgeML 与其他传感器结合使用,可用于监控组件的健康状况并在需要维修时提醒专家。因此,它可以帮助延迟或避免机器故障/熔毁情况并延长机器的使用寿命。

优先考虑机器监控的 3 个原因 - IndMacDig |  工业机械文摘

13. 广告: 零售企业的定向营销和信息依赖于现场设备中定义的关键方面,例如人口数据。考虑到这一点,EdgeML 可以帮助保护用户隐私。它不会将未受保护的数据发送到云端,而是可以加密数据并保留来源。

势头正在转向禁止行为广告吗? – 标记

14. 在医院和辅助生活设施中开发基于 Edge ML 的系统:利用 EdgeML 以及从可穿戴和环境传感器收集的数据可以帮助监测患者的心率、血糖水平和其他生命体征。这有可能挽救生命,因为数据是在边缘本地分析的,当需要快速响应以挽救生命时,工作人员将得到实时通知。


在这篇博文中,我们了解到 EdgeML 可用于以下目的:

1. EdgeML 可用于卫生部门,以提供对患者病史的快速访问,并协助对复杂数据进行即时和及时的评估,从而有助于避免任何人员伤亡。此外,它可以帮助在医院和辅助生活设施中开发基于 Edge ML 的系统。

2. EdgeML 可用于虚拟助手和声音系统。它可以特别有助于唤醒词的检测和处理,并且可以帮助将用户的声音与环境中的其他声音区分开来。

3. EdgeML 还可以帮助监控对象在石油和天然气、无人驾驶车辆、建筑工地等各个领域的安全。此外,它还可以用于确保用户的安全免受网络网络入侵。

4. 电子商务机构可以利用 EdgeML 来利用消费者基础来预测产品评级。此外,它可以用于有针对性的营销。

5. EdgeML 可用于行业,以做出更准确、更快速的运营和设施决策。此外,它可以用来监控组件的健康状况。

6. EdgeML 可用于环境、农业和野生动物管理。

来源:https ://

#applications #edgeml  #beginner #machinelearning 

EdgeML 的应用

Aplicaciones de EdgeML

EdgeML  es una tecnología que permite que los dispositivos inteligentes procesen datos localmente (a través de servidores locales o a nivel de dispositivo), aprovechando los algoritmos de aprendizaje automático y profundo, lo que reduce la dependencia de las redes en la nube. El término borde se refiere al procesamiento a nivel de dispositivo o local (y más cercano a los componentes que recopilan los datos) mediante algoritmos de aprendizaje automático y profundo.

Edge ML es innovador. Aborda las preocupaciones de seguridad sobre el almacenamiento de información personal del usuario en la nube y disminuye la carga en las redes de la nube mediante el procesamiento de datos localmente. También ayuda en el procesamiento de datos en tiempo real, que actualmente no se puede lograr con los dispositivos inteligentes típicos que funcionan en la nube, pero es importante para tecnologías como vehículos sin conductor y equipos médicos. En este artículo, veremos algunas aplicaciones de aprendizaje automático en el perímetro, así que comencemos.

Aplicaciones de EdgeML

1. Atención médica:  las enfermedades crónicas se pueden rastrear con monitores de salud y otros dispositivos portátiles. En el caso de una emergencia médica, existe una gran necesidad de obtener acceso rápido al historial médico. Los resultados podrían ser fatales si estos dispositivos se basan en transferir datos a la nube antes de tomar decisiones. Para eludir esto, EdgeML ayuda en la evaluación instantánea y oportuna de datos complejos que requieren la atención inmediata de los médicos para mejorar la atención al paciente y eliminar otros riesgos potenciales relacionados con la salud. Además, los cuidadores pueden ser notificados en tal escenario.

Una ilustración de AI/ML en el borde en un entorno de atención médica potenciado por IoT.

2. Asistente virtual:  los dispositivos habilitados para voz no capturan audio constantemente y lo envían a la nube para determinar si están recibiendo instrucciones. Las interfaces de voz de hoy en día a menudo emplean la detección de palabras clave o "palabras de activación". EdgeML puede ayudar a procesar rápidamente las señales del micrófono mientras el resto del sistema permanece inactivo. Este enfoque de eficiencia energética es especialmente crucial para extender el tiempo de uso en dispositivos portátiles que funcionan con baterías, como teléfonos inteligentes y dispositivos portátiles.

Además, la tecnología EdgeML puede ayudar a separar la voz del usuario de otros sonidos del entorno. Por ejemplo, las técnicas de formación de haces procesan el audio de múltiples micrófonos en el dispositivo para enfocar la escucha en la dirección desde la que habla el usuario, como un micrófono direccional virtual.

Una guía completa sobre cómo cambiar la palabra de activación de Alexa para dispositivos Amazon Echo

3. Supervisión de la seguridad en las instalaciones de petróleo y gas: la mayoría de las instalaciones relacionadas con el petróleo y el gas están ubicadas en lugares remotos con mala conectividad. La ubicación de sensores y edgeML en o cerca de dichos sistemas permite una mejor conectividad y un monitoreo constante. EdgeML también puede analizar problemas con el equipo en tiempo real, lo que ayuda en el mantenimiento predictivo. Los sensores pueden monitorear la humedad, la temperatura y la energía generada por todos los equipos, incluidos los vehículos eléctricos y los sistemas de parques eólicos, y los datos recopilados se pueden analizar más a fondo utilizando EdgeML. El resultado resultante podría ser administrar la red de energía para ayudar con la reducción de costos y la creación de energía eficiente.

soluciones de video basadas en la nube para el monitoreo de pozos petroleros

4. Detección de intrusiones en la red: debido al aumento significativo de posibles vulnerabilidades o canales de ataque dentro de una red, la seguridad cibernética es una preocupación importante para muchas empresas. La implementación de técnicas de ML en el borde de la red sugiere que el software y los dispositivos de seguridad de la red pueden aumentar constantemente. Las técnicas de ML se pueden utilizar para identificar amenazas con una mejora continua mediante la simulación de diferentes tipos de ataques cibernéticos. En situaciones críticas, el tiempo que se ahorra al eliminar los servidores en la nube no tiene precio.

Intrusión en la red: detección y prevención

5. Detección de actividad de dispositivos IoT:  con el rápido crecimiento del Internet de las cosas y los dispositivos conectados, ha habido un aumento en el interés por las aplicaciones y los dispositivos portátiles para la salud y el estado físico. Estas aplicaciones suelen obtener información de los giroscopios y acelerómetros que se encuentran en muchos teléfonos inteligentes actuales. Sin embargo, a medida que crece la cantidad de datos personales recopilados y comunicados por estas aplicaciones, también aumentan las preocupaciones sobre la privacidad personal y las transferencias seguras de datos. El aprendizaje automático en dispositivos perimetrales, como los teléfonos inteligentes, permite aprender modelos seguros directamente en los dispositivos, lo que elimina la necesidad de enviar datos a la nube o externalizarlos.

Living on the Edge: ¿Qué es la computación perimetral y por qué la necesitamos?  - Blog WeAreBrain

6. Predicción de calificaciones de productos: los algoritmos de ML se usan mucho en áreas como el análisis de la opinión del consumidor para predecir las calificaciones de los productos en función de las reseñas escritas por los clientes. Los datos de texto de las revisiones se examinan como una secuencia de palabras antes de que el aprendizaje automático de borde identifique las secuencias de palabras relevantes y proporcione información. Cualquier punto de venta de comercio electrónico que intente capitalizar una base de consumidores para predecir las calificaciones de los productos puede aprovechar los conocimientos obtenidos.

Escrito en las estrellas: implementación de un sistema de clasificación de productos

7. Vehículos Autónomos:  Todo peatón que cruce frente a un vehículo autónomo deberá ser detenido oportunamente para evitar cualquier incidente desafortunado. Tomar esta decisión basándose en el servidor remoto es poco fiable e injusto. Además, los vehículos que usan tecnología de punta pueden interactuar de manera más eficiente, ya que primero pueden comunicarse entre sí, en lugar de enviar datos sobre accidentes, clima, tráfico o desvíos a un servidor remoto.

8. Gestión ambiental y de la vida silvestre: se puede aprovechar EdgeML para predecir y optimizar la selección de especies de árboles con fines de reforestación utilizando datos cartográficos. Luego, se infiere la mejor especie en función de variables como la altitud, la exposición, el tipo de suelo y la humedad; por lo tanto, se podrían realizar esfuerzos automáticos de reforestación.

Perspectivas en el aprendizaje automático para la conservación de la vida silvestre |  Comunicaciones de la naturaleza

9. Agricultura: los datos relacionados con la temperatura ambiente, el nivel de humedad del suelo y otras variables se pueden recopilar con la ayuda de sensores. Además, los datos de este sensor se pueden analizar con la ayuda de las soluciones EdgeML para analizar la densidad de nutrientes y el consumo de agua para optimizar y aumentar la cosecha.

Casos de uso de agricultura y aplicaciones de aprendizaje automático: análisis de datos

10. Construcción: EdgeML se puede utilizar en el sector de la construcción. Los datos de los equipos de seguridad, cámaras, sensores, etc. se pueden recopilar y analizar para aumentar la seguridad del trabajador. Además, proporciona una descripción general de las condiciones de seguridad en el lugar de trabajo y garantiza que los trabajadores sigan las normas de seguridad.

6 asombrosas aplicaciones de la inteligencia artificial en la construcción inteligente

11. Fabricación: los sensores ambientales, el aprendizaje automático y el análisis en tiempo real pueden monitorear los procesos industriales para mejorar la calidad del producto y detectar errores de producción. También proporciona información sobre los componentes disponibles y cuánto durarán, lo que ayuda al productor a tomar decisiones operativas y de instalaciones más precisas y rápidas .

Beneficios innovadores del aprendizaje automático para la fabricación

12. Monitoreo de la salud de los componentes: en varios sectores como el energético, industrial, residencial, de salud, etc. EdgeML, junto con otros sensores, se puede usar para monitorear la salud de los componentes y alertar a los especialistas cuando se requiere una reparación. Por lo tanto, puede ayudar a retrasar o evitar situaciones de avería o fusión de la máquina y aumentar la vida útil de la máquina.

3 razones por las que el monitoreo de máquinas es una prioridad - IndMacDig |  Compendio de maquinaria industrial

13. Publicidad:  el marketing y la información dirigidos a las empresas minoristas se basan en aspectos críticos definidos en el equipo de campo, como los datos demográficos. Teniendo esto en cuenta, EdgeML puede ayudar a proteger la privacidad del usuario. En lugar de enviar datos desprotegidos a la nube, puede cifrar los datos y conservar la fuente.

¿Está cambiando el impulso hacia la prohibición de la publicidad conductual?  – El marcado

14. Desarrollar sistemas basados ​​en Edge ML en hospitales e instalaciones de vivienda asistida: Aprovechar EdgeML junto con los datos recopilados de sensores portátiles y ambientales puede ayudar a monitorear la frecuencia cardíaca, los niveles de glucosa y otros signos vitales de un paciente. Esto tiene el potencial de salvar vidas porque los datos se analizan localmente en el perímetro y el personal sería notificado en tiempo real cuando se requiera una respuesta rápida para salvar vidas.


En esta publicación de blog, aprendimos que EdgeML se puede usar para los siguientes propósitos:

1. EdgeML se puede utilizar en el sector de la salud para proporcionar un acceso rápido al historial médico de un paciente y ayudar en la evaluación instantánea y oportuna de datos complejos, lo que ayuda a evitar accidentes. Además, puede ayudar a desarrollar sistemas basados ​​en Edge ML en hospitales e instalaciones de vida asistida.

2. EdgeML se puede utilizar en asistentes virtuales y sistemas de sonido. Puede ayudar específicamente en la detección y el procesamiento de palabras de activación y puede ayudar a separar la voz del usuario de otros sonidos en el entorno.

3. EdgeML también puede ayudar a monitorear la seguridad del sujeto en varios dominios como petróleo y gas, vehículos sin conductor, sitios de construcción, etc. Además, puede emplearse para garantizar la seguridad del usuario contra las intrusiones en la red cibernética.

4. EdgeML puede ser aprovechado por los puntos de venta de comercio electrónico que intentan capitalizar una base de consumidores para predecir las calificaciones de los productos. Además, se puede aprovechar para marketing dirigido.

5. EdgeML se puede utilizar en industrias para tomar decisiones operativas y de instalaciones más precisas y rápidas. Además, se puede aprovechar para monitorear la salud de los componentes.

6. EdgeML se puede aprovechar para la gestión ambiental, agrícola y de vida silvestre.


#applications #edgeml  #beginner #machinelearning 

Aplicaciones de EdgeML
Rui  Silva

Rui Silva


Aplicações do EdgeML

EdgeML  é uma tecnologia que permite que Smart Devices processem dados localmente (através de servidores locais ou no nível do dispositivo), aproveitando algoritmos de machine e deep learning, diminuindo a dependência das redes Cloud. O termo borda refere-se ao processamento no nível do dispositivo ou local (e mais próximo dos componentes que coletam os dados) por algoritmos de aprendizado profundo e de máquina.

O Edge ML é inovador. Ele aborda as preocupações de segurança sobre o armazenamento de informações pessoais do usuário na nuvem e diminui a carga nas redes de nuvem processando dados localmente. Também ajuda no processamento de dados em tempo real, que atualmente é inatingível com dispositivos inteligentes típicos operados em nuvem, mas é importante para tecnologias como veículos autônomos e equipamentos médicos. Neste artigo, veremos alguns aplicativos de aprendizado de máquina na borda, então vamos começar.

Aplicações do EdgeML

1. Saúde:  Doenças crônicas podem ser rastreadas com monitores de saúde e outros dispositivos portáteis. No caso de uma emergência médica, há uma necessidade urgente de obter acesso rápido ao histórico médico. Os resultados podem ser fatais se esses dispositivos dependerem da transferência de dados para a nuvem antes de tomar decisões. Para contornar isso, o EdgeML auxilia na avaliação instantânea e oportuna de dados complexos que exigem atenção imediata dos médicos para melhorar o atendimento ao paciente e eliminar outros riscos potenciais relacionados à saúde. Além disso, os cuidadores podem ser notificados em tal cenário.

Uma ilustração de IA/ML na borda em um ambiente de saúde habilitado para IoT.

2. Assistente virtual:  os gadgets habilitados para voz não capturam áudio constantemente e o enviam para a nuvem para verificar se estão sendo instruídos. As interfaces de voz atuais geralmente empregam detecção de palavra-chave ou “palavra de ativação”. O EdgeML pode ajudar a processar rapidamente os sinais do microfone enquanto o restante do sistema permanece ocioso. Essa abordagem de economia de energia é especialmente crucial para estender o tempo de uso em dispositivos portáteis alimentados por bateria, como smartphones e wearables.

Além disso, a tecnologia EdgeML pode ajudar a separar a voz do usuário de outros sons do ambiente. Por exemplo, as técnicas de formação de feixe processam o áudio de vários microfones no dispositivo para focar a audição na direção de onde o usuário está falando – como um microfone direcional virtual.

Um guia completo sobre como alterar a palavra de ativação do Alexa para dispositivos Amazon Echo

3. Monitoramento da segurança em instalações de petróleo e gás: A maioria das instalações relacionadas a petróleo e gás estão localizadas remotamente com pouca conectividade. A localização de sensores e edgeML em ou próximo a esses sistemas permite conectividade aprimorada e monitoramento constante. O EdgeML também pode analisar problemas com equipamentos em tempo real, auxiliando na manutenção preditiva. Os sensores podem monitorar umidade, temperatura e energia gerada por todos os equipamentos, incluindo veículos elétricos e sistemas de parques eólicos, e os dados coletados podem ser analisados ​​com o EdgeML. A saída resultante pode ser o gerenciamento da rede de energia para ajudar na redução de custos e na geração eficiente de energia.

soluções de vídeo baseadas em nuvem para monitoramento de poços de petróleo

4. Detecção de intrusões na rede: Devido ao aumento significativo de potenciais vulnerabilidades ou canais de ataque em uma rede, a segurança cibernética é uma grande preocupação para muitas empresas. A implantação de técnicas de ML na borda da rede sugere que o software e os dispositivos de segurança de rede podem aumentar constantemente. As técnicas de ML podem ser usadas para identificar ameaças com melhoria contínua, simulando diferentes tipos de ataques cibernéticos. Em situações críticas, o tempo economizado com a eliminação de servidores em nuvem pode ser inestimável.

Intrusão de Rede - Detecção e Prevenção

5. Detecção de atividade do dispositivo IoT:  Com o rápido crescimento da Internet das Coisas e dispositivos conectados, houve um aumento no interesse em aplicativos e wearables de saúde e fitness. Esses aplicativos normalmente obtêm informações dos giroscópios e acelerômetros encontrados em muitos smartphones atuais. No entanto, à medida que a quantidade de dados pessoais coletados e comunicados por esses aplicativos aumenta, também aumentam as preocupações com a privacidade pessoal e as transferências seguras de dados. O aprendizado de máquina em dispositivos de ponta, como smartphones, permite que modelos seguros sejam aprendidos diretamente nos dispositivos, eliminando a necessidade de enviar dados para a nuvem ou externalizá-los.

Vivendo na Borda: O que é computação de borda e por que precisamos dela?  - Blog WeAreBrain

6. Previsão de classificações de produtos: os algoritmos de ML são muito usados ​​em áreas como análise de opinião do consumidor para prever classificações de produtos com base em avaliações escritas por clientes. Os dados de texto das revisões são examinados como uma sequência de palavras antes que o aprendizado de máquina de borda identifique sequências de palavras relevantes e forneça informações. Qualquer estabelecimento de comércio eletrônico que tente capitalizar uma base de consumidores para prever classificações de produtos pode alavancar os insights obtidos.

Escrito nas estrelas: implementando um sistema de classificação de produtos

7. Veículos autônomos:  Qualquer pedestre que cruze na frente de um veículo autônomo deve ser parado em tempo hábil para evitar qualquer ocorrência infeliz. Tomar essa decisão com base no servidor remoto não é confiável e injusto. Além disso, os veículos que usam tecnologia de ponta podem interagir com mais eficiência, pois podem se comunicar uns com os outros primeiro, em vez de enviar dados sobre acidentes, clima, tráfego ou desvios para um servidor remoto.

8. Gestão Ambiental e da Vida Selvagem: O EdgeML pode ser aproveitado para prever e otimizar a seleção de espécies de árvores para fins de reflorestamento usando dados cartográficos. A melhor espécie é então inferida com base em variáveis ​​como altitude, exposição, tipo de solo e umidade; portanto, esforços automáticos de reflorestamento poderiam ser feitos.

Perspectivas em aprendizado de máquina para conservação da vida selvagem |  Comunicações da Natureza

9. Agricultura: Os dados relacionados à temperatura ambiente, nível de umidade do solo e outras variáveis ​​podem ser coletados com a ajuda de sensores. Além disso, esses dados do sensor podem ser analisados ​​com a ajuda das soluções EdgeML para analisar a densidade de nutrientes e o consumo de água para otimizar e aumentar a colheita.

Casos de uso agrícolas e aplicativos de aprendizado de máquina - Análise de dados

10. Construção: EdgeML pode ser usado no setor de construção. Os dados dos equipamentos de segurança, câmeras, sensores, etc. Podem ser coletados e analisados ​​para aumentar a segurança do trabalhador. Além disso, fornece uma visão geral das condições de segurança no local de trabalho e garante que os trabalhadores sigam as normas de segurança.

6 aplicações surpreendentes da inteligência artificial na construção inteligente

11. Fabricação: Sensores ambientais, aprendizado de máquina e análises em tempo real podem monitorar processos industriais para melhorar a qualidade do produto e detectar erros de produção. Ele também fornece informações sobre os componentes disponíveis e quanto tempo eles durarão, ajudando o produtor a tomar decisões operacionais e de instalação mais precisas e rápidas .

Benefícios inovadores do aprendizado de máquina para manufatura

12. Monitoramento da saúde dos componentes: Em diversos setores como energia, industrial, residencial, saúde, etc. EdgeML, em conjunto com outros sensores, pode ser usado para monitorar a saúde dos componentes e alertar especialistas quando um reparo é necessário. Portanto, pode ajudar a atrasar ou evitar situações de quebra/fusão da máquina e aumentar a vida útil da máquina.

3 razões pelas quais o monitoramento de máquinas é uma prioridade - IndMacDig |  Resumo de Máquinas Industriais

13. Publicidade: O  marketing e as informações direcionadas para empresas de varejo contam com aspectos críticos definidos em equipamentos em campo, como dados demográficos. Considerando isso, o EdgeML pode ajudar a proteger a privacidade do usuário. Em vez de enviar dados desprotegidos para a nuvem, ele pode criptografar os dados e manter a fonte.

O impulso está mudando para a proibição da publicidade comportamental?  – A marcação

14. Desenvolvimento de sistemas baseados em Edge ML em hospitais e instalações de vida assistida: Aproveitar o EdgeML em conjunto com os dados coletados de sensores vestíveis e ambientais pode ajudar no monitoramento da frequência cardíaca, níveis de glicose e outros sinais vitais do paciente. Isso tem o potencial de salvar vidas porque os dados são analisados ​​localmente na borda, e a equipe seria notificada em tempo real quando uma resposta rápida for necessária para salvar vidas.


Nesta postagem do blog, aprendemos que o EdgeML pode ser usado para os seguintes propósitos:

1. O EdgeML pode ser usado no setor de saúde para fornecer acesso rápido ao histórico médico de um paciente e auxiliar na avaliação instantânea e oportuna de dados complexos, evitando acidentes. Além disso, pode ajudar a desenvolver sistemas baseados em Edge ML em hospitais e instalações de vida assistida.

2. EdgeML pode ser usado em assistentes virtuais e sistemas de som. Ele pode ajudar especificamente na detecção e processamento de palavras de ativação e pode ajudar a separar a voz do usuário de outros sons no ambiente.

3. O EdgeML também pode ajudar a monitorar a segurança do sujeito em vários domínios, como petróleo e gás, veículos autônomos, canteiro de obras, etc. Além disso, pode ser empregado para garantir a segurança do usuário contra invasões de rede cibernética.

4. O EdgeML pode ser aproveitado por lojas de comércio eletrônico que tentam capitalizar uma base de consumidores para prever classificações de produtos. Além disso, pode ser aproveitado para marketing direcionado.

5. O EdgeML pode ser usado em indústrias para tomar decisões operacionais e de instalações mais precisas e rápidas. Além disso, ele pode ser aproveitado para monitorar a integridade dos componentes.

6. O EdgeML pode ser aproveitado para gerenciamento ambiental, agrícola e de vida selvagem.


#applications #edgeml  #beginner #machinelearning 

Aplicações do EdgeML

EdgeML のアプリケーション

EdgeML は、スマート デバイスがローカルで (ローカル サーバーまたはデバイス レベルで) データを処理できるようにするテクノロジであり、機械学習アルゴリズムとディープ ラーニング アルゴリズムを活用して、クラウド ネットワークへの依存を減らします。エッジという用語は、ディープ ラーニング アルゴリズムと機械学習アルゴリズムによる、デバイス レベルまたはローカル レベル (およびデータを収集するコンポーネントに最も近いレベル) での処理を指します。

Edge ML は画期的です。ユーザーの個人情報をクラウドに保存する際のセキュリティ上の懸念に対処し、データをローカルで処理することでクラウド ネットワークの負担を軽減します。また、リアルタイムのデータ処理にも役立ちます。これは、現在、一般的なクラウド運用のスマート デバイスでは実現できませんが、自動運転車や医療機器などのテクノロジにとって重要です。この記事では、エッジでの機械学習アプリケーションをいくつか見ていきます。

EdgeML のアプリケーション

1. ヘルスケア: 慢性疾患は、ヘルス モニターやその他のウェアラブル デバイスで追跡できます。医療上の緊急事態が発生した場合、病歴にすばやくアクセスする必要があります。これらのデバイスが決定を下す前にクラウドへのデータ転送に依存している場合、結果は致命的となる可能性があります。これを回避するために、EdgeML は、患者のケアを改善し、他の潜在的な健康関連のリスクを排除するために、医師による即時の対応を必要とする複雑なデータの即時かつタイムリーな評価を支援します。さらに、そのようなシナリオでは、世話人に通知することができます。

IoT を活用した医療環境におけるエッジでの AI/ML の図。

2. 仮想アシスタント: 音声対応のガジェットは、常に音声をキャプチャしてクラウドに送信し、指示されているかどうかを確認するわけではありません。今日の音声インターフェイスは、多くの場合、キーワードまたは「ウェイクワード」検出を採用しています。EdgeML は、システムの残りの部分がアイドル状態のままである間に、マイク信号を迅速に処理するのに役立ちます。この電力効率の高いアプローチは、スマートフォンやウェアラブルなどのポータブル バッテリー駆動デバイスの使用時間を延ばすために特に重要です。

さらに、EdgeML テクノロジは、ユーザーの声を環境内の他の音から分離するのに役立ちます。たとえば、ビームフォーミング技術は、仮想指向性マイクのように、デバイス内の複数のマイクからの音声を処理して、ユーザーが話している方向にリスニングを集中させます。

Amazon EchoデバイスのAlexaウェイクワードを変更する方法に関する完全なガイド

3. 石油およびガス施設の安全性の監視:ほとんどの石油およびガス関連施設は、遠隔地にあり、接続が不十分です。このようなシステムまたはその近くにセンサーと edgeML を配置すると、接続性が向上し、常時監視が可能になります。EdgeML は、機器の問題をリアルタイムで分析することもでき、予知保全に役立ちます。センサーは、電気自動車や風力発電システムを含むすべての機器によって生成された湿度、温度、エネルギーを監視でき、収集されたデータは EdgeML を使用してさらに分析できます。結果として得られるアウトプットは、エネルギー グリッドを管理して、コスト削減と効率的なエネルギー生成を支援することです。

油井監視用のクラウドベースのビデオ ソリューション

4. ネットワーク侵入の検出: ネットワーク内の潜在的な脆弱性または攻撃チャネルが大幅に増加しているため、サイバー セキュリティは多くの企業にとって大きな懸念事項です。ネットワーク エッジに ML 手法を導入することは、ネットワーク セキュリティ ソフトウェアとデバイスが絶えず増加する可能性があることを示唆しています。ML 手法を使用して、さまざまな種類のサイバー攻撃をシミュレートすることで継続的に改善しながら脅威を特定できます。危機的な状況では、クラウド サーバーを排除することで節約できる時間は計り知れません。

ネットワーク侵入 - 検出と防止

5. IoT デバイスのアクティビティ検出: モノ のインターネットと接続されたデバイスの急速な成長に伴い、健康とフィットネスのアプリとウェアラブルへの関心が高まっています。これらのアプリは通常、現在の多くのスマートフォンに搭載されているジャイロスコープと加速度計から情報を取得します。ただし、これらのアプリによって収集および通信される個人データの量が増えるにつれて、個人のプライバシーと安全なデータ転送に関する懸念も高まります。スマートフォンなどのエッジ デバイスでの機械学習により、安全なモデルをデバイス上で直接学習できるようになり、データをクラウドに送信したり外部化したりする必要がなくなります。

エッジでの生活: エッジ コンピューティングとは何か、なぜ必要なのか?  - WeAreBrain ブログ

6. 製品評価の予測: ML アルゴリズムは、消費者の感情分析などの分野で頻繁に使用され、顧客が書いたレビューに基づいて製品評価を予測します。レビューからのテキスト データは、エッジ機械学習が関連する単語シーケンスを識別して洞察を提供する前に、単語シーケンスとして調べられます。消費者ベースを利用して製品評価を予測しようとする e コマース アウトレットは、得られた洞察を活用できます。

Written in the Stars: 製品評価システムの実装

7. 自動運転車: 自動運転車の前を横切る歩行者は、不運な事態を避けるためにタイムリーに停止する必要があります。リモートサーバーに基づいてこの決定を下すことは、信頼性が低く、公平ではありません。さらに、エッジ テクノロジーを使用する車両は、事故、天候、交通、迂回に関するデータをリモート サーバーに送信するのではなく、最初に相互に通信できるため、より効率的に対話できます。

8. 環境と野生生物の管理: EdgeML を活用して、地図データを使用して、再植林目的の樹種の選択を予測および最適化できます。次に、高度、露出、土壌の種類、水分などの変数に基づいて、最適な種が推測されます。したがって、自動的な再植林の取り組みを行うことができます。

野生生物保護のための機械学習の展望 |  ネイチャー・コミュニケーションズ

9. 農業:周囲温度、土壌水分レベル、およびその他の変数に関連するデータは、センサーを使用して収集できます。さらに、このセンサー データを EdgeML ソリューションを使用して分析し、養分密度と水の消費量を分析して、収穫を最適化および増加させることができます。

農業のユースケースと機械学習アプリケーション - データ分析

10. 建設: EdgeML は建設部門で使用できます。安全装置、カメラ、センサーなどからのデータ。収集および分析して、作業員の安全性を高めることができます。さらに、職場の安全条件の概要を提供し、労働者が安全規則に従うことを保証します。

スマート コンストラクションにおける人工知能の 6 つの驚くべきアプリケーション

11. 製造:環境センサー、機械学習、およびリアルタイム分析により、産業プロセスを監視して、製品の品質を向上させ、生産ミスを検出できます。また、利用可能なコンポーネントとその寿命に関する情報も提供するため、生産者はより正確かつ迅速に 運用および施設の決定を下すことができます。


12. コンポーネントの健全性の監視:エネルギー、産業、住宅、ヘルスケアなどのさまざまな分野で、EdgeML を他のセンサーと組み合わせて使用​​して、コンポーネントの健全性を監視し、修理が必要な場合に専門家に警告することができます。したがって、機械の故障やメルトダウンの状況を遅らせたり回避したりして、機械の寿命を延ばすことができます。

マシンの監視が優先される 3 つの理由 - IndMacDig |  産業機械ダイジェスト

13. 広告: 小売企業向けのターゲットを絞ったマーケティングと情報は、人口統計データなど、現場の機器で定義された重要な側面に依存しています。これを考慮すると、EdgeML はユーザーのプライバシーを保護するのに役立ちます。保護されていないデータをクラウドに送信するのではなく、データを暗号化してソースを保持する場合があります。

行動ターゲティング広告の禁止に向けて勢いがシフトしていますか?  – マークアップ

14. 病院や介護施設で Edge ML ベースのシステムを開発する: EdgeML をウェアラブル センサーや環境センサーから収集したデータと組み合わせて活用することで、患者の心拍数、血糖値、その他のバイタルの監視に役立てることができます。データはエッジでローカルに分析され、人命を救うために迅速な対応が必要な場合はスタッフにリアルタイムで通知されるため、これには人命を救う可能性があります。


このブログ投稿では、EdgeML を次の目的で使用できることを学びました。

1. EdgeML を医療分野で使用して、患者の病歴にすばやくアクセスし、複雑なデータを即座にタイムリーに評価できるようにすることで、死傷者の回避に役立てることができます。さらに、病院や介護施設で Edge ML ベースのシステムを開発するのにも役立ちます。

2. EdgeML は、仮想アシスタントとサウンド システムで使用できます。特にウェイク ワードの検出と処理に役立ち、環境内の他の音からユーザーの声を分離するのに役立ちます。

3. EdgeML は、石油やガス、無人車両、建設現場など、さまざまな分野で対象者の安全を監視するのにも役立ちます。また、サイバー ネットワークの侵入からユーザーの安全を確保するためにも使用できます。

4. EdgeML は、消費者ベースを利用して製品評価を予測しようとする e コマース アウトレットで活用できます。また、ターゲットを絞ったマーケティングにも活用できます。

5. EdgeML を業界で使用して、より正確かつ迅速な運用および施設の決定を下すことができます。さらに、コンポーネントの状態を監視するために活用できます。

6. EdgeML は、環境、農業、および野生生物の管理に活用できます。


#applications #edgeml  #beginner #machinelearning 

EdgeML のアプリケーション

Applications of EdgeML

EdgeML is a technology that allows Smart Devices to process data locally (through local servers or at the device level), leveraging machine and deep learning algorithms, decreasing reliance on Cloud networks. The term edge refers to the processing at the device- or local-level (and closest to the components collecting the data) by deep- and machine-learning algorithms.

Edge ML is groundbreaking. It addresses security concerns about storing personal user information in the Cloud and decreases the burden on Cloud networks by processing data locally. It also helps in real-time data processing, which is currently unachievable with typical cloud-operated smart devices but is important for technologies like driverless vehicles and medical equipment. In this article, we’ll look at some machine learning applications at the edge, so let’s jump in.

See more at:

#applications #EdgeML #beginner #machinelearning 

Applications of EdgeML

Unity Web3 - Guía Para Principiantes De La Programación De Unity Web3

¿Eres un desarrollador de Unity? Si es así, el auge de los juegos Web3 presenta una gran oportunidad para usted. Muchos jugadores importantes ya están invirtiendo mucho en la creación de su metaverso centralizado, con Meta a la cabeza. Sin embargo, la humanidad tiene hambre de alternativas descentralizadas. Por lo tanto, saber cómo crear aplicaciones Unity Web3 es imprescindible. Por supuesto, esto implica saber qué herramientas de desarrollo de Unity Web3 usar. Si desea un proceso de desarrollo fluido y crear dApps exitosas, es imperativo elegir las herramientas adecuadas. Ahora, es posible que haya explorado las alternativas de API de Alchemy al buscar su pila de tecnología Web3 preferida . Sin embargo, mientras que los nodos y los proveedores de API de Web3 son excelentes herramientas, el verdadero poder reside en las plataformas de back-end de Web3.. Como tal, Moralis es la principal plataforma que no puede perderse. Deje que esta última plataforma de desarrollo de Web3 (" Firebase for crypto ") se ocupe de sus necesidades de back-end. Crea tu cuenta gratis ahora!

La transición de la programación de Unity a “Unity Web3” generalmente no es sencilla. De hecho, muchos codificadores todavía caen en la trampa de construir directamente sobre los nodos RPC de Ethereum . Por lo tanto, terminan enfrentando todas las limitaciones de los nodos RPC . Pero, cuando usa el atajo mencionado anteriormente, no necesita preocuparse por ningún gasto adicional para su backend Web3. Simplemente conecte Unity con Moralis Metaverse SDK completando una configuración inicial rápida. Luego, puede dedicar toda su energía a crear una interfaz de usuario Web3 atractiva y la mejor experiencia de usuario posible. Como tal, las posibilidades de que su juego Unity Web3 sea un éxito aumentan automáticamente. En el futuro, le proporcionaremos más detalles sobreSDK de Moralis . Con suerte, eso lo ayudará a decidir cuáles deberían ser sus próximos pasos. No obstante, también tenemos una guía de configuración inicial paso a paso de Unity Web3 esperándote aquí.      

¿Por qué Unidad Web3?

Con solo mirar algunos de los juegos más populares, como Call of Duty, League of Legends y FIFA de EA Sports, todos te limitan a sus comunidades. ¿Por qué? Porque están construidos de manera centralizada y todos son propiedad de empresas centralizadas. Eso significa que son dueños de sus datos y sus activos en el juego. Además, en algunos casos, puede tener la oportunidad de interactuar con otras comunidades de juegos si el juego pertenece a la misma marca. Sin embargo, no hay forma de unir, digamos, la comunidad de EA y la comunidad de Blizzard Entertainment. Pero, cuando se usa Unity Web3, se puede crear un metaverso verdaderamente descentralizado. 

Ahora, es posible que se pregunte por qué alguien querría compartir información entre diferentes mundos de juego en primer lugar. Bueno, porque trae algunas opciones increíblemente geniales a la mesa. Por ejemplo, imagina eventos cruzados. Como resultado, pudimos juntar personajes, características y otros activos de diferentes juegos. ¿No sería increíble?  

Creemos que estamos más allá del "si" cuando se trata de unir universos de juegos. El futuro de los juegos está claramente relacionado con la interoperabilidad y la descentralización, donde los usuarios realmente son dueños de sus activos en el juego. Como tal, las únicas preguntas restantes giran en torno a "cómo" hacer esto y qué reglas implementar. Por lo tanto, todos los que dicen "no" y "nunca funcionará" se quedarán en el espejo retrovisor. 

Dicho esto, todos podemos estar de acuerdo en que los juegos centralizados no pueden ofrecer este tipo de colaboraciones cruzadas. Sin embargo, la tecnología que ofrecen las cadenas de bloques programables, como Ethereum , nos brinda un océano de nuevas posibilidades. Como tal, los metaversos descentralizados o incluso un metaverso gigante de repente se convierten en una posibilidad. Aunque, estos conceptos pueden ser demasiado grandes para la discusión de hoy. Por lo tanto, centrémonos en un ejemplo de juego de Unity Web3.

Creación de juegos Unity Web3

En este caso, un juego que podemos crear es uno de los mundos dentro del reino Web3. Además, dado que Ethereum sigue siendo la cadena más popular, potenciémosla con EVM . Como tal, todos los jugadores podrán conectarse con sus billeteras Web3 compatibles con Ethereum . Además, su información se replicará automáticamente a través de toda la red descentralizada (ver la imagen de arriba). De esa manera, los jugadores pueden realizar transacciones entre ellos e incluso comprar y vender varios activos. A su vez, el valor de los activos del juego se puede transferir fácilmente al mundo real. 

No obstante, un juego Unity Web3 de este tipo, o deberíamos decir un mundo digital, sería un gran lugar para eventos de misiones masivas y trabajos dentro del juego. Antes de que comience a dudar de tales posibilidades, permítanos recordarle que la tecnología nueva e increíble siempre altera el estado actual de su industria. Además, obtener una reacción exagerada negativa inicial suele ser una buena señal. Como tal, la revolución ya ha comenzado.  

De hecho, el concepto anterior puede llevarse aún más lejos. Con Moralis, puede conectar fácilmente su juego Unity Web3 con otras cadenas acreditadas, como se ve en la imagen a continuación.

Es la interoperabilidad entre cadenas de Moralis lo que agrega valor adicional. Profundicemos en ese concepto. Entonces, cuando usa Moralis para sus necesidades de back-end, puede implementar su juego en todas las cadenas de bloques compatibles con Moralis. De esa forma, sus juegos Web3 están disponibles para los usuarios de diferentes cadenas, lo que también significa que puede llegar a un público más amplio. Además, su trabajo está "preparado para el futuro", ya que no está atado a ninguna cadena en particular. Además, esto significa que si una nueva cadena de bloques programable toma el control en el futuro, puede realizar la transición sin problemas.

Cómo crear un juego Unity Web3 

Suponiendo que tenga al menos algo de experiencia con Unity, probablemente sepa cómo crear mundos 3D y sus escenas. Aquí es donde también comienzas cuando creas juegos Web3. Sin embargo, la verdadera magia de Web3 comienza una vez que tienes tus escenas listas. En ese momento, es hora de concentrarse en conectar un juego de Unity con el inicio de sesión de Web3 y acceder a todas las demás funcionalidades de Web3. 

Para empezar, debe acceder al Metaverse SDK de Moralis. Puede usar el enlace correspondiente en la introducción o usar Google y buscar "Moralis Metaverse SDK". Después de aterrizar en la página SDK de Moralis Metaverse, debe desplazarse un poco hacia abajo. Allí verá el botón "Comenzar ahora":

Cuando haga clic en el botón, lo llevará al modelo estándar de Ethereum Unity . Este poderoso atajo te espera en GitHub. Allí, puede encontrar todos los detalles sobre este modelo. Sin embargo, para crear un juego de Unity Web3, haga clic en la sección "Lanzamientos" en el lado derecho. De esa forma, accederás a la última versión:

A continuación, debe guardar el archivo " .unitypackage " en su computadora:

Poner en uso el SDK de Metaverse de Moralis

Después de guardar el archivo ".unitypackage" con éxito, regrese a Unity. Luego, desea arrastrar y soltar la carpeta descargada anteriormente en la interfaz de Unity. No olvides confirmar la importación. Al hacerlo, importará con éxito el paquete Unity de Moralis. Por lo tanto, la carpeta “MoralisWeb3ApiSdk” estará a su disposición a partir de ese momento:

En el futuro, la selección de qué prefabricados de Moralis usar depende del tipo de proyecto o juego en el que esté trabajando. Sin embargo, en todos los casos, querrá comenzar con el prefabricado "MoralisSetup". Tenga en cuenta que siempre puede acelerar las cosas utilizando la opción de búsqueda para encontrar este componente. El siguiente ejemplo le muestra cómo hacerlo para el prefabricado "WalletConnect". Pero los mismos principios se aplican al agregar "MoralisSetup". Simplemente arrastre y suelte el prefabricado en cuestión en la pestaña "Jerarquía":

Con el componente "MoralisSetup" agregado, debe completar la configuración inicial ingresando los detalles de su servidor Moralis:

En caso de que te estés preguntando cuáles son estos detalles, significa que no has trabajado antes con Moralis. Como tal, permítanos guiarlo a través de la configuración inicial de Moralis.

Acceda a su área de administración de Moralis y cree un nuevo servidor

Ya sea que su objetivo sea crear un metaverso, un simple juego Web3 o dApps ( aplicaciones descentralizadas ) utilizando el último modelo de dApp de Ethereum , necesita crear un servidor Moralis. Siga estos pasos para hacer exactamente eso: 

  1. Inicie sesión en su cuenta Moralis : si usó el enlace en la introducción, lo más probable es que ya haya creado su cuenta Moralis gratuita. Si ese es el caso, simplemente inicie sesión con sus credenciales. Por otro lado, en caso de que aún no tengas una cuenta de Moralis activa, regístrate ahora. Deberá ingresar su dirección de correo electrónico, crear su contraseña y hacer clic en el enlace de confirmación que se enviará a su bandeja de entrada. 
  2. Cree un servidor Moralis : ahora que ha iniciado sesión, asegúrese de estar en la pestaña "Servidores". Allí, haga clic en el botón "+ Crear un nuevo servidor" (esquina superior derecha dentro de la pestaña "Servidores"). Si es la primera vez que usa Moralis, la guía en la página lo ayudará:

Una vez que haga clic en "+ Crear un nuevo servidor", verá un menú desplegable que ofrece tres opciones de tipo de red (vea la captura de pantalla a continuación). Elige el que mejor se adapte a las necesidades de tu proyecto. 

Nota: Si está tratando con proyectos de ejemplo o probando dApps, le recomendamos que se concentre en las opciones "Testnet Server" o "Local Devchain Server". Sin embargo, cuando desee lanzar sus juegos Unity Web3, deberá seleccionar "Servidor Mainnet". 

Continuando, verá una ventana emergente que le solicitará los detalles del servidor. Como tal, ingrese el nombre de su servidor (puede ser cualquier cosa que desee), luego seleccione su región, el tipo de red y la(s) cadena(s). Finalmente, es hora de poner en marcha su servidor. Por lo tanto, haga clic en el botón "Agregar instancia":

Acceda a los detalles de su servidor Moralis y complete Unity 

  1. Acceda a los detalles de su servidor: ahora que su servidor está en funcionamiento, es hora de acceder a sus detalles. Este último está disponible a través del botón "Ver detalles" junto al nombre de su servidor:

Al hacer clic en "Ver detalles", la información que necesita aparecerá en una nueva ventana. Como tal, ahora puede copiar la URL de su servidor y la identificación de la aplicación haciendo clic en los íconos de copia en el lado derecho:

  1. Rellenar Unity : todo lo que queda para conectar finalmente Unity con el SDK de Moralis es pegar los detalles del servidor copiados anteriormente en Unity:

Uso de Moralis Speedy Nodes para el desarrollo de Unity Web3

Nota: Si bien la configuración del servidor Moralis mencionada anteriormente es esencial, el uso de Moralis Speedy Nodes no lo es. Sin embargo, en muchos casos, también deberá completar esta configuración para obtener una funcionalidad aún más avanzada. 

Puede usar Moralis Speedy Nodes copiando y pegando la URL correspondiente desde su área de administración de Moralis. Por lo tanto, debe volver a su área de administración de Moralis. Esta vez seleccione la pestaña "Nodos rápidos". Una vez allí, haga clic en el botón "Puntos finales" debajo de la red que eligió para su servidor durante la configuración cubierta anteriormente:

Por el bien de esta guía, asumiremos que su servidor está en la red principal de Ethereum. En ese caso, deberá hacer clic en "Puntos finales" en "Red ETH". Luego, deberá copiar la dirección URL de la red principal desde la ventana emergente. Por supuesto, los mismos principios se aplican a otras redes principales y redes de prueba :

Con la dirección URL copiada, debe ir a Unity y pegar esa URL en el campo de entrada junto a " Web 3 Rpc Node Url " como se muestra aquí:


En este punto, ahora sabe por qué este es probablemente el mejor momento para concentrarse en el desarrollo de Unity Web3. Además, también aprendió por qué el enfoque descentralizado tiene mucho sentido. Afortunadamente, Moralis y su Metaverse SDK te ofrecen exactamente eso. Todo lo que necesita hacer es descargar la última versión de "Unity3D Asset Package" y completar algunos pasos simples de configuración inicial. Además, ahora que sabe cómo crear juegos con Unity Web3, es hora de poner su creatividad sobre la mesa. Sin embargo, en caso de que le falte confianza o conocimiento, le recomendamos comenzar con algunos proyectos de ejemplo. Por ejemplo, puede seguir nuestro ejemplo y crear un juego de metaverso medieval o crear un MMORPG Web3 con Unity . Además, puede echar un vistazo más de cerca a los ejemplos  de contratos inteligentes del metaverso .

   Esta historia se publicó originalmente en 

#web3 #unity #beginner 

Unity Web3 - Guía Para Principiantes De La Programación De Unity Web3
坂本  篤司

坂本 篤司



あなたはUnity開発者ですか?もしそうなら、 Web3ゲームの台頭はあなたに大きなチャンスをもたらします。多くの大手企業はすでに一元化されたメタバースの作成に多額の投資を行っており、Metaが先頭に立っています。しかし、人類は分散型の代替案に飢えています。したがって、UnityWeb3アプリの作成方法を知ることは必須です。もちろん、これには、使用するUnityWeb3開発ツールを知る必要があります。スムーズな開発プロセスと成功するdAppの作成が必要な場合は、適切なツールを選択することが不可欠です。 これで、好みのWeb3技術スタックを検索するときにAlchemyAPIの代替案を検討したかもしれません。ただし、ノードとWeb3 APIプロバイダーは優れたツールですが、真の力はWeb3バックエンドプラットフォームにあります。 。そのため、 Moralisは見逃せない最高のプラットフォームです。この究極のWeb3開発プラットフォーム(「暗号化のためのFirebase」)がバックエンドのニーズに対応します。今すぐ無料アカウントを作成してください

Unityから「UnityWeb3」プログラミングへの移行は、一般的に簡単ではありません。実際、多くのコーダーは依然としてイーサリアムRPCノードの上に直接構築するという罠に陥っています。したがって、 RPCノードのすべての制限に直面することになります。ただし、上記のショートカットを使用する場合は、Web3バックエンドの余分なオーバーヘッドについて心配する必要はありません。クイック初期セットアップを完了することで、UnityをMoralisMetaverseSDKに接続するだけです。次に、魅力的なWeb3UIと可能な限り最高のユーザーエクスペリエンスの作成に全力を注ぐことができます。そのため、UnityWeb3ゲームが成功する可能性は自動的に高まります。今後、詳細をお知らせしますMoralisのSDK。うまくいけば、それはあなたがあなたの次のステップがどうあるべきかを決めるのを助けるでしょう。それでも、ここでは、ステップバイステップの初期UnityWeb3セットアップガイドを用意しています。      


Call of Duty、League of Legends、EA SportsのFIFAなど、最も人気のあるゲームのいくつかを見るだけで、それらはすべてコミュニティに制限されます。なんで?それらは一元化された方法で構築され、すべて一元化された企業によって所有されているためです。つまり、彼らはあなたのデータとゲーム内のアセットを所有しているということです。さらに、ゲームが同じブランドに属している場合、他のゲームコミュニティとやり取りする機会がある場合があります。ただし、たとえばEAコミュニティとブリザードエンターテインメントコミュニティを統合する方法はありません。ただし、Unity Web3を使用すると、真に分散化されたメタバースを作成できます。 






それでも、このようなUnity Web3ゲーム、またはデジタルワールドと言えば、大規模なクエストイベントやゲーム内の仕事に最適な場所です。そのような可能性を疑う前に、新しい信じられないほどのテクノロジーが常に現在の業界のステータスを混乱させることを思い出させてください。さらに、最初の負の過剰反応を取得することは、通常、良い兆候です。このように、革命はすでに始まっています。  





手始めに、MoralisのMetaverseSDKにアクセスする必要があります。イントロダクションの対応するリンクを使用するか、Googleを使用して「MoralisMetaverseSDK」を検索できます。Moralis Metaverse SDKページにアクセスしたら、少し下にスクロールする必要があります。「今すぐ開始」ボタンが表示されます。

ボタンをクリックすると、EthereumUnityボイラープレートに移動します。この強力なショートカットがGitHubであなたを待っています。そこには、この定型文に関するすべての詳細があります。ただし、Unity Web3ゲームを作成するには、右側の「リリース」セクションをクリックします。そうすれば、最新バージョンにアクセスできます。

次に、「。 unitypackage」ファイルをコンピューターに保存する必要があります。








  1. Moralisアカウントにログインする–概要のリンクを使用した場合は、無料のMoralisアカウントをすでに作成している可能性があります。その場合は、資格情報を使用してログインするだけです。一方、アクティブなMoralisアカウントをまだお持ちでない場合は、今すぐサインアップしてください。メールアドレスを入力し、パスワードを作成して、受信トレイに送信される確認リンクをクリックする必要があります。 
  2. Moralisサーバーの作成–ログインしたので、[サーバー]タブが表示されていることを確認します。そこで、「+新しいサーバーの作成」ボタン(「サーバー」タブ内の右上隅)をクリックします。Moralisを初めて使用する場合は、ページ上のガイドが役立ちます。


注:サンプルプロジェクトを扱っている場合やdAppをテストしている場合は、「TestnetServer」または「LocalDevchainServer」オプションに焦点を当てることをお勧めします。ただし、Unity Web3ゲームをライブで使用する場合は、「メインネットサーバー」を選択する必要があります。 



  1. サーバーの詳細にアクセスする–サーバーが稼働しているので、次はサーバーの詳細にアクセスします。後者は、サーバー名の横にある[詳細の表示]ボタンから利用できます。


  1. Unityにデータを入力する UnityをMoralisのSDKに最終的に接続するために残されているのは、上記でコピーしたサーバーの詳細をUnityに貼り付けることだけです。





URLアドレスをコピーしたら、Unityに移動して、次のように「Web 3RpcNodeUrl 」の横の入力フィールドにそのURLを貼り付ける必要があります。


この時点で、UnityWeb3開発に集中するのにおそらくこれが最適な時期である理由がわかりました。さらに、分散型アプローチが非常に理にかなっている理由も学びました。幸い、MoralisとそのMetaverse SDKは、まさにそれを提供します。「Unity3DAssetPackage」の最新バージョンをダウンロードして、簡単な初期設定手順を完了するだけです。さらに、Unity Web3ゲームの作成方法がわかったので、次はあなたの創造性を表に出します。ただし、自信や知識が不足している場合は、いくつかのサンプルプロジェクトから始めることをお勧めします。たとえば、私たちの先導に従って中世のメタバースゲームを構築したり、Unityを使用してWeb3MMORPGを作成したりできます。また、メタバースのスマートコントラクトの例 を詳しく見ることができます。


#web3 #unity #beginner