Sztuczna inteligencja brzegowa: przetwarzanie danych w czasie rzeczywistym
DigiKeyRóżnego rodzaju urządzenia coraz bardziej zyskujące na popularności i znaczeniu, od asystentów domów inteligentnych (np. Alexa, Google i Siri), do zaawansowanych systemów wspomagania kierowcy (ADAS) powiadamiających kierowcę, gdy zjeżdża on ze swojego pasa ruchu, opierają się na sztucznej inteligencji brzegowej, która zapewnia im przetwarzanie w czasie rzeczywistym. Sztuczna inteligencja brzegowa wykorzystuje sztuczną inteligencję (AI) bezpośrednio w urządzeniu, przetwarzając dane w pobliżu źródła danych, a nie zewnętrzny ośrodek przetwarzania danych z przetwarzaniem w chmurze. Sztuczna inteligencja brzegowa oferuje mniejsze opóźnienia, szybsze przetwarzanie, mniejsze zapotrzebowanie na stałą łączność z Internetem i może zmniejszyć obawy dotyczące prywatności. Technologia ta oznacza znaczącą zmianę w sposobie przetwarzania danych, a wraz ze wzrostem zapotrzebowania na inteligencję w czasie rzeczywistym sztuczna inteligencja brzegowa jest dobrze przygotowana, aby nadal wywierać silny wpływ w wielu branżach.
Największą wartością sztucznej inteligencji brzegowej jest szybkość, jaką może ona zapewnić w zastosowaniach o znaczeniu krytycznym. W przeciwieństwie do sztucznej inteligencji w chmurze lub ośrodkach przetwarzania danych, sztuczna inteligencja brzegowa nie wysyła danych przez łącza sieciowe, licząc na rozsądny czas odpowiedzi. Sztuczna inteligencja brzegowa raczej wykonuje obliczenia lokalnie (często w systemie operacyjnym czasu rzeczywistego), co zapewnia szybkość odpowiedzi. Sztuczna inteligencja brzegowa potrafi na przykład przy wykorzystaniu widzenia maszynowego na linii produkcyjnej przekazać informacje o możliwości ewentualnego przekierowania produktu w ciągu sekundy. Podobnie jest jeśli chodzi o nasze samochody - nie chcemy, aby przesyłanie sygnałów z nich było zależne od czasów odpowiedzi sieci lub serwerów w chmurze.
Sztuczna inteligencja brzegowa do przetwarzania w czasie rzeczywistym
Zapotrzebowanie na sztuczną inteligencję brzegową widać w wielu działaniach wykonywanych w czasie rzeczywistym. Warto wspomnieć o takich zastosowaniach, jak asystenci domów inteligentnych, zaawansowane systemy wspomagania kierowcy (ADAS), monitorowanie stanu pacjenta i konserwacja predykcyjna. Sztuczna inteligencja brzegowa zapewnia szybką odpowiedź przy minimalizacji obaw związanych z prywatnością w różnorodnych zastosowaniach - od sprawnej asysty w codziennych czynnościach domowych, przez powiadomienia o przypadkowym zjechaniu z pasa ruchu, po odczyty glukozy przesyłane do smartfona.
Od dłuższego czasu widać, że sztuczna inteligencja brzegowa dobrze radzi sobie w łańcuchach dostaw, zwłaszcza w magazynach i fabrykach. W ciągu ostatniej dekady nastąpił również znaczny rozwój omawianej technologii w branży transportowej, widoczny na przykład w użyciu dronów dostawczych w warunkach zachmurzenia. Sztuczna inteligencja brzegowa robi również wspaniałe rzeczy dla inżynierów, zwłaszcza w sektorze technologii medycznych, który jest krytycznym obszarem postępu. Na przykład inżynierowie opracowujący rozruszniki serca i inne urządzenia kardiologiczne mogą dać lekarzom narzędzia do wykrywania nieprawidłowych rytmów serca, a także aktywnie programować urządzenia, aby oferować wskazówki co do tego, kiedy potrzebna jest dodatkowa interwencja lekarza. Sektor technologii medycznych będzie w coraz większym stopniu wykorzystywać sztuczną inteligencję brzegową i poszerzać możliwości.
Generowanie modeli sztucznej inteligencji brzegowej
Ponieważ coraz więcej systemów w życiu codziennym ma obecnie pewien poziom interakcji z wykorzystaniem uczenia maszynowego (ML), zrozumienie tego świata staje się niezbędne dla inżynierów i deweloperów do planowania przyszłych interakcji z użytkownikiem.
Największą szansą w przypadku sztucznej inteligencji brzegowej jest uczenie maszynowe, które dopasowuje wzorce w oparciu o algorytm statystyczny. Przykładem może być nierównomierna praca silnika, wykrycie obecności człowieka lub wypowiedzenie „słowa wybudzającego” (np. „Alexa” lub „Hej, Siri”) w celu uzyskania dostępu do asystenta domu inteligentnego. Dla asystenta domu inteligentnego „słowa wybudzające” są modelami, które działają na urządzeniach brzegowych i nie muszą wysyłać głosu do chmury. Wybudzają one urządzenie i informują je, że zostanie wkrótce wydane polecenie właściwe.
Istnieje kilka ścieżek generowania modelu uczenia maszynowego: albo za pomocą zintegrowanego środowiska programistycznego (np. TensorFlow lub PyTorch), albo przy użyciu platformy SaaS (np. Edge Impulse). Większość „pracy” w budowaniu dobrego modelu uczenia maszynowego polega na stworzeniu reprezentatywnego zbioru danych i jego dobrym oznaczeniu.
Obecnie najpopularniejszym modelem uczenia maszynowego (ML) dla sztucznej inteligencji brzegowej jest model nadzorowany, który jest rodzajem trenowania opartym na oznaczonych i otagowanych przykładowych danych, przy czym wynikiem jest znana wartość, którą można sprawdzić pod kątem poprawności, na przykład zlecając sprawdzenie i skorygowanie przez osobę nadzorującą. Ten rodzaj trenowania jest zwykle używany w takich zastosowaniach jak klasyfikacja czy regresja danych. Trenowanie nadzorowane może być przydatne i bardzo dokładne, ale w dużej mierze zależy od otagowanego zbioru danych i może nie umożliwiać obsługi nowych danych wejściowych.
Sprzęt do uruchamiania procesów roboczych sztucznej inteligencji brzegowej
Firma DigiKey jest dobrze przygotowana do pomocy we wdrożeniach sztucznej inteligencji brzegowej, ponieważ są one zazwyczaj uruchamiane na mikrokontrolerach, bezpośrednio programowalnych macierzach bramek (FPGA) i komputerach jednopłytkowych (SBC). Firma DigiKey współpracuje z czołowymi dostawcami, oferując kilka generacji sprzętu obsługującego modele uczenia maszynowego (ML) na urządzeniach brzegowych. W tym roku pojawiło się kilka nowych świetnych urządzeń, w tym urządzenia z serii MCX-N firmy NXP, a wkrótce firma będzie wprowadzać do sprzedaży urządzenia z serii STM32MP25 firmy ST Microelectronics.
MOŻE ZAINTERESUJE CIĘ TAKŻE
W ostatnich latach popularne były płytki rozwojowe pochodzące od społeczności twórców i wykorzystujące sztuczną inteligencję brzegową, takie jak brzegowa płytka rozwojowa Apollo3 Blue firmy SparkFun, EdgeBadge firmy AdaFruit, Nano 33 BLE Sense wer. 2 firmy Arduino oraz komputery jednopłytkowe Raspberry Pi 4 lub 5.
Na popularności w sztucznej inteligencji (AI) brzegowej zyskują jednostki przetwarzania neuronowego (NPU). Jednostki przetwarzania neuronowego to wyspecjalizowane układy scalone zaprojektowane w celu przyspieszenia przetwarzania w zastosowaniach uczenia maszynowego i sztucznej inteligencji bazujących na sieciach neuronowych, czyli strukturach opartych na ludzkim mózgu z wieloma połączonymi ze sobą warstwami i węzłami zwanymi neuronami, które przetwarzają i przekazują informacje. Obecnie tworzona jest nowa generacja jednostek przetwarzania neuronowego z dedykowanym przetwarzaniem matematycznym, w tym urządzenia serii MCX N firmy NXP oraz urządzenie MAX78000 firmy ADI.
Widać również akceleratory sztucznej inteligencji (AI) dla urządzeń brzegowych, które stanowią przestrzeń jeszcze niezdefiniowaną, na przykład Google Coral i Hailo.
Znaczenie czujników wykorzystujących uczenie maszynowe
Szybkie kamery z modelami uczenia maszynowego (ML) funkcjonują w łańcuchach dostaw od dłuższego czasu. Są one używane na przykład przy podejmowaniu decyzji, gdzie skierować produkty w obrębie magazynu lub przy wykrywaniu wadliwych produktów na linii produkcyjnej. Widać, że dostawcy tworzą tanie moduły wizyjne sztucznej inteligencji, które mogą uruchamiać moduły uczenia maszynowego w celu rozpoznawania przedmiotów lub osób.
Chociaż uruchomienie modelu uczenia maszynowego będzie wymagało systemu wbudowanego, będzie więcej produktów, które nadal będą wprowadzane na rynek jako komponenty elektroniczne współpracujące ze sztuczną inteligencją. Mowa tutaj m.in. o czujnikach współpracujących ze sztuczną inteligencją, znanych również jako czujniki z funkcją uczenia maszynowego. Chociaż dodanie modelu uczenia maszynowego do większości czujników nie zwiększy ich wydajności w danym zastosowaniu, istnieje kilka rodzajów czujników, w przypadku których wykorzystanie uczenia maszynowego może znacznie usprawnić ich działanie:
- Czujniki kamer, w których modele uczenia maszynowego (ML) mogą posłużyć do śledzenia obiektów i osób w kadrze
- Inercyjne jednostki pomiarowe (IMU), przyspieszeniomierze i czujniki ruchu do wykrywania profili aktywności
Niektóre czujniki wykorzystujące sztuczną inteligencję (AI) mają fabrycznie wczytany model uczenia maszynowego (ML), który jest gotowy do działania. Na przykład płytka ewaluacyjna SparkFun do wykrywania ludzi jest wstępnie zaprogramowana do wykrywania twarzy i przekazywania informacji przez interfejs QWiiC I2C. Niektóre czujniki sztucznej inteligencji (AI), takie jak Nicla Vision firmy Arduino lub OpenMV Cam H7 firmy Seeed Technology, są bardziej otwarte i do wykrywania (np. wad, obiektów itp.) potrzebują wytrenowanego modelu uczenia maszynowego.
Wykorzystując sieci neuronowe do stworzenia algorytmów obliczeniowych, możliwe jest wykrywanie i śledzenie obiektów oraz osób, które poruszają się w polu widzenia czujnika kamery.
Przyszłość sztucznej inteligencji brzegowej
Ponieważ wiele branż ewoluuje i staje się coraz bardziej uzależnione od technologii przetwarzania danych, sztuczna inteligencja brzegowa będzie coraz powszechniej stosowana. Dzięki umożliwieniu szybszego i bezpieczniejszego przetwarzania danych na poziomie urządzenia, innowacje w sztucznej inteligencji brzegowej będą olbrzymie. Oto kilka dziedzin, które według nas rozwiną się w niedalekiej przyszłości:
- Specjalna logika procesorowa do obliczeń arytmetycznych w sieciach neuronowych.
- Postęp w dziedzinie rozwiązań zastępczych niższej mocy w odpowiedzi na znaczne zużycie energii przez obliczenia chmurowe.
- Więcej zintegrowanych i modułowych opcji, takich jak części z opcjami wizyjnymi z obsługą sztucznej inteligencji, które będą zawierać wbudowane czujniki wraz z wbudowanym sprzętem.
W miarę ewolucji metod trenowania aparatów uczenia maszynowego, sprzętu i oprogramowania, sztuczna inteligencja brzegowa będzie lepiej przygotowana do gwałtownego rozwoju i obsługi wielu branż. W firmie DigiKey starają się wyprzedzać trendy w dziedzinie sztucznej inteligencji i mają nadzieję wspierać innowacyjnych inżynierów, projektantów, konstruktorów i specjalistów ds. zaopatrzenia na całym świecie poprzez bogactwo rozwiązań, bezproblemowe interakcje, narzędzia i zasoby edukacyjne czyniące ich pracę bardziej wydajną.
Źródło: DigiKey
