¿Qué es mejor aprender si uno quiere trabajar en IoT o aprendizaje automático en el futuro con una base electrónica: placas de sistema integradas, Raspberry Pi o FPGA?

Si está hablando del aprendizaje automático para IoT. Puede haber dos tipos de procesamiento.

1. Los datos generados en el nodo pueden transferirse a la nube donde hay hardware dedicado para ejecutar el algoritmo ML (actualmente popular)
2. Los datos se generan y procesan en el nodo mismo. Procesar significa ejecutar el algoritmo ML en el nodo en lugar de enviarlo a la nube y finalmente los datos procesados ​​(tamaño casi insignificante en comparación con los datos sin procesar) se envían a través del canal de comunicación. Esto ahorra energía consumida en la comunicación en el nodo de energía limitada.

El segundo tipo de procesamiento necesita un procesador ML dedicado en el nodo, que puede funcionar a baja potencia. Las soluciones de última generación utilizan procesadores ASIC, ya que consumen una potencia extremadamente baja. Sin embargo, el consumo de energía de FPGA se reduce drásticamente con el paso de los años y muchos grupos de investigación están activos en la explotación del potencial de fpga para el aprendizaje automático. En un futuro cercano, es posible usar FPGA en los nodos debido a sus otras ventajas sobre ASIC.

Descargo de responsabilidad: mi respuesta no se centra en el aspecto general de IoT. Es específico para el procesamiento de ML en IoT. ResPi tiene sus propias ventajas en diferentes escenarios.

EDITAR: en la nube también se utilizan soluciones FPGA para ejecutar algoritmos ML a baja potencia y alta velocidad.

Entonces, sí, hay un alcance para dispositivos FPGA en ML

ML e IoT son muy, muy diferentes.

Lo único que tienen en común es que son noticia.

• IoT

Rasbperry Pi es el camino a seguir.

Desea simple, ampliable, programado en Python, conectividad, énfasis en la aplicación y el modelo de negocio no en la tecnología.

• ML

Necesita mucha potencia de procesamiento. FPGA es ciertamente posible, pero es difícil.

Comience con una PC y uno de los paquetes SW, trabajando con Python & R, luego actualice a GPU y herramientas SW más sofisticadas. Es posible que se esté ejecutando en hardware especializado en la nube.

Para el aprendizaje automático, deberá seguir la ruta FPGA.

Para IoT, le recomiendo que estudie toda la arquitectura ARM, no solo Raspberry pi. IoT depende de múltiples sistemas integrados. Necesita varios sistemas a pequeña escala y varios sistemas a gran escala que se comuniquen entre sí. Al aprender a usar los controladores ARM, tendrá una base sólida desde el principio. Rpi y otras placas similares son simplemente implementaciones diferentes de controladores ARM.

ML no tiene nada directamente relacionado con la electrónica aparte de la actuación / control final. Para IoT, una sola placa / plataforma tampoco tiene sentido. Debe ser capaz de adaptarse a los requisitos del proyecto con el mejor ajuste. La construcción de sistemas escalables debe ser una prioridad y mantener los costos bajo control.

Todos ellos. Nunca se sabe cuándo va a surgir algo. Yo no uso Raspberry Pi, pero he trabajado con él solo para saber lo que es y puedo acelerar rápidamente si me veo obligado a hacerlo. De la manera que está yendo, estaría mirando los protocolos de tipo Zigbee (IEEE 802.15.4) también si fuera usted.