Teraki:親愛的,我把「大數據」縮小了!

作者 : Junko Yoshida, EE Times首席國際特派員

德國新創公司Teraki開發出可過濾並縮小「大數據」(big data)的嵌入式軟體技術,不僅有助於提升資料處理效率,還可實現更準確的物件偵測與機器學習…

「大數據」(big data)是連網裝置中的基本要素。儘管如此,大多數供應商仍在竭力地因應正呈指數級成長的龐大資料量,尤其是還必須為系統提供功能強而有力的CPU,才足以處理資料,並將大數據發送到雲端進行人工智慧(AI)訓練。

德國柏林一家新創公司Teraki為此提供了一個解決之道——過濾並「縮小」大數據,以提升資料處理效率。該公司的使命在於克服邊緣資料處理時的挑戰。Teraki的方式是採用訊號處理技術,透過最小化延遲時間和最大化演算法的準確性,讓嵌入式系統得以更有效率地利用輸入的資料。

在上週的國際消費電子展(CES)期間,《EE Times》第一次接觸到Teraki,由於「大數據」、「人工智慧」和「量子運算」(quantum computing)這三者似乎都是Teraki的技術基礎,我們一開始有點不知要從哪裡談起。

值得慶幸的是Teraki並沒想要把這種令人困惑的組合作為其行銷手段。相反地,Teraki在其創辦人兼執行長Daniel Richart的帶領下,更關注於技術。Daniel Richart之前曾經在馬克斯·普朗克研究所(Max Planck Institute)擔任量子光學(Quantum Optics)研究員。


Daniel Richart,Teraki執行長

有鑑於此,Richart解釋說,事實上,量子資訊理論的概念與當今邊緣運算(edge computing)的要求相去不遠。

Richart說,就像量子運算需要從大量雜訊困擾的原子中找到質量穩定的「量子位態」(qubit state)一樣,物聯網(IoT)和電子產品製造商必須能夠「以他們所需要的品質,足夠快速地提取資訊」,才能最有效率地用於資料處理。

Richart和他的團隊從2014年開始琢磨Teraki的基本概念,並於2015年正式成立了這家公司。

Teraki當然不是第一家討論邊緣運算的公司。但是,Richart說,每個人都還在為大數據的問題而奮鬥。

20200114_Teraki_NT01P1

Teraki瞄準高效率的嵌入式處理(來源:Teraki)

想想看高度自動化的車輛。例如,如果在感測器級只能進行少量的預處理,那麼汽車製造商可能必須為車輛中的重磅感測器融合支付高昂的費用,因為它需要功能更強大、成本更高的CPU來執行。

而將大量資料傳送並儲存於雲端中以進行AI訓練,也可能會讓OEM花大錢。此外,再加上延遲的問題,可能會導致延誤以及物件檢測不準確。

以軟體縮小資料量

Teraki專注於嵌入式邊緣處理,並開發了一種新的軟體技術,可用於縮小來自三種不同類型感測器的訊號資料:車載資通訊(telematics)、攝影機以及光達(LiDAR)/雷達。

據Teraki介紹,其軟體可以在標準的車用晶片組上執行,例如恩智浦半導體(NXP Semiconductors)的Bluebox和英飛凌(Infineon Technologies)的Aurix微控制器。 Teraki透露,更棒的消息是,該公司「馬上就要拿下第一張OEM設計訂單了。」

該公司稱,Teraki的軟體有助於將來自車載資通訊系統的訊號大幅濃縮90-97%。一旦資料濃縮後可用於做什麼?Teraki表示,這將更有利於實現「預測性維護、監控駕駛人的行為或碰撞偵測」。

Teraki還開發了可對來自攝影機的2D影像訊號進行預處理的軟體。Teraki聲稱,透過「在現有編解碼器(例如H.264)之前」先行處理視訊畫面(video frames),可以讓資料濃縮高達75%,並進而增強基於視訊的感知。目前,該軟體已經開發完成了,現正交由OEM客戶進行測試中。

Teraki的軟體創新中最具前景的可能是其3D點雲資料解決方案,這些資料是由光達、飛行時間(ToF)感測器和雷達所產生的。Richart說:「我們現正與許多光達公司洽談合作。」據Teraki稱,這款軟體目前正進行展示中,將於今年第一季投入商用。

20200114_Teraki_NT01P2

Teraki在業界生態系統中的位置(來源:Teraki)

Teraki的資料減量技術有何秘訣?

該公司並不是盲目地透過壓縮方式來減少資料位元。預先處理感測資料並不會導致訓練和執行機器學習模型所需的資料品質和準確性降低。

Richart說:「關鍵在於這是一種能夠自適應地調整大小和過濾資料的技術,因而能夠實現更準確的物件檢測和機器學習。」他並補充說,「其目的在於知道以你所需要的品質來提取什麼資料。」

在嵌入式系統中處理感測資料時儘早縮減資料量,不僅可以加速推論的時間,還有助於減少對於RAM/ROM的需求。此外,它也大幅縮短了進行訓練的時間。

基於畫面vs.基於事件的攝影機

但是,如果低延遲對於高度自動化的車輛安全至關重要,為什麼要把時間花在預處理那些從傳統基於畫面(frame-based)的攝影所產生的資料呢?因此,我們問道:「如果使用像Prophesee設計的基於事件(event-based)之攝影機呢?」

深諳神經形態工程學進展的Richart說:「我們認為二者是相輔相成的。事件導向的影像感測器在延遲方面表現出色,因而可作為預警訊號。同時,我們的軟體則能夠更靈活地從任何感測器中提取資訊——延遲低於10毫秒。」

就在上個月,Teraki才完成了1,100萬美元的A輪融資。該輪融資是由Horizons Ventures領投,以及幾家策略投資方跟投,包括一家日本主要的技術公司,以及由Rev1 Ventures、Bright Success Capital和Castor Ventures組成的美國State Auto Labs Fund。加上之前的投資方Paladin Capital Group和innogy Ventures,使得Teraki的總融資金額達到1,630萬美元。

編譯:Susan Hong

(參考原文:Teraki Takes ‘Quantum’ Leap on Big Data,by Junko Yoshida)

發表評論