AI/ML: calea către un IoT avansat și eficient din punct de vedere energetic
Inteligența artificială (AI) și internetul lucrurilor (IoT) sunt două dintre cele mai influente tendințe tehnologice ale momentului. Deși distincte, acestea converg tot mai mult la marginea rețelei, unde AI devine o componentă integrată în dispozitive IoT din ce în ce mai sofisticate.
AI sprijină produsele IoT moderne în două moduri principale: îmbunătățește performanța și adaugă noi capabilități, introducând mecanisme mai inteligente pentru gestionarea – și chiar reducerea – consumului de energie.
În trecut, inovația tehnologică avansa într-un ritm mult mai previzibil. Dacă inginerii aveau nevoie de o anumită putere de procesare la un anumit cost pentru un produs, puteau analiza curba definită de Legea lui Moore și determina, uneori chiar la nivel de trimestru, momentul când acea idee devenea fezabilă.
Astăzi, însă, ritmul accelerat al evoluției AI și al tehnologiilor IoT schimbă complet această dinamică. Dezvoltatorii de dispozitive IoT avansate pot integra deja capabilități AI și pot atinge performanțe care depășesc așteptările multora. Instrumentele și tehnicile necesare pentru proiectarea dispozitivelor IoT inteligente, bazate pe AI, sunt acum accesibile și reprezintă o oportunitate de piață semnificativă pentru dezvoltatorii de aplicații IoT.
Intersecția dintre Edge și IoT
Marginea rețelei este un concept fluid, iar poziționarea sa s-a schimbat semnificativ în ultimul deceniu. Cu doar câțiva ani în urmă, un centru de date deținut de o companie de telecomunicații era considerat parte a “marginii”, deoarece, tehnic vorbind, nu aparținea cloudului. Ulterior, rack-urile de servere locale și routerele instalate de întreprinderile mici și mijlocii (IMM-uri) au început, la rândul lor, să fie considerate elemente ale marginii.
Astăzi însă, marginea este definită de dispozitive conectate mult mai mici, care colectează și prelucrează date în locații cât mai îndepărtate fizic de marile centre de date. Aceste dispozitive pot fi camere de securitate, electrocasnice conectate, dispozitive purtabile sau senzori individuali – pe scurt, gama de dispozitive care definește IoT. Odată cu extinderea IoT și marginea s-a redefinit, fie că vorbim de orașe inteligente, locuințe inteligente, terenuri agricole sau platforme petroliere aflate în larg.
Majoritatea dispozitivelor din acest ecosistem electronic extins se confruntă cu două provocări comune. În primul rând, resursele extrem de limitate sunt esențiale în proiectare: greutatea, dimensiunea, costul și consumul de energie trebuie minimizate. În plus, marginea IoT acoperă segmente de piață extrem de competitive, unde aproape întotdeauna există alternative mai mici, mai ieftine și mai eficiente energetic.
Combinația dintre AI și Edge IoT
AI devine tot mai răspândită la marginea rețelei din mai multe motive. În primul rând, utilizarea AI este una dintre cele mai eficiente modalități de a obține dispozitive mai mici, mai accesibile și cu un consum redus de energie. În același timp, logica aplicațiilor migrează către sursa datelor – atât din considerente economice, cât și de securitate – iar integrarea AI contribuie la îndeplinirea ambelor obiective.
Un alt factor cheie este eficiența energetică. Majoritatea dispozitivelor IoT comunică prin rețele wireless, iar pentru un dispozitiv IoT, radio-ul este de obicei unul dintre cei mai mari consumatori de energie. Datorită progreselor recente în procesoarele cu consum ultra-redus și în tehnicile AI, devine adesea mai eficient ca un dispozitiv edge specializat (de exemplu, unul echipat cu acceleratoare hardware pentru învățarea automată – ML) să proceseze datele local, în loc să transmită fluxuri brute prin radio către un punct extern.
Această abordare are legătură directă și cu gestionarea energiei la nivel de dispozitiv. Multe dispozitive edge trebuie să funcționeze cu resurse energetice minime. Una dintre cele mai importante tehnici de economisire a energiei este modul sleep, în care dispozitivul intră într-o stare de repaus și consumă doar cantități infime de energie. Totuși, dispozitivele aflate în modul sleep trebuie să se poată activa rapid și, la fel de important, doar atunci când este cu adevărat necesar, evitând declanșările cauzate de factori falși.
Abilitatea de a determina dacă o intrare justifică trezirea întregului dispozitiv din modul de repaus este mult mai eficient gestionată prin utilizarea AI. În unele situații, AI poate chiar face posibilă implementarea unui mod de repaus cu adevărat eficient.
În astfel de scenarii, integrarea AI în dispozitivele IoT edge poate face diferența între utilizarea unei baterii mari – care ar transforma produsul într-unul prea voluminos pentru a fi purtat – și utilizarea unei baterii mici, discrete, care permite realizarea unui dispozitiv ușor de transportat. De asemenea, AI poate fi factorul care determină dacă o baterie rezistă doar câteva zile sau dacă aceeași baterie poate alimenta dispozitivul timp de săptămâni întregi sau chiar mai mult.
În același timp, îmbunătățirile de performanță și noile capabilități oferite de AI pot transforma un produs util doar ocazional într-unul cu adevărat esențial. De exemplu, combinarea AI cu progresele în tehnologia senzorilor permite producătorilor să evolueze de la dispozitive de monitorizare a activității fizice care măsoară câteva semne vitale generale, la dispozitive purtabile capabile să furnizeze date precise și fiabile, pe care profesioniștii din domeniul medical le pot utiliza pentru diagnosticare și tratamente.
Evoluția învățării automate în IoT-ul de ultimă generație bazat pe AI
Modelele Edge AI pot fi relativ simple, mai ales în comparație cu modelele lingvistice complexe (LLM) utilizate de instrumentele de chat. Aceasta este una dintre modalitățile prin care se reduce sarcina de procesare a AI în aplicațiile Edge IoT. Există și alte abordări care presupun algoritmi mai inteligenți, însă ideea centrală este aceeași: modelele AI pot fi adaptate cu ușurință pentru a rula pe procesoare cu putere limitată, dar suficient de compacte și accesibile pentru Edge Computing. Aceste procesoare sunt, în general, microcontrolere care funcționează la frecvențe reduse și dispun de doar câțiva megaocteți – uneori chiar kiloocteți – de memorie.
În același fel în care modelele de inferență pot fi dimensionate pentru Edge AI, și învățarea automată (ML) poate fi ajustată corespunzător. Există un efort la nivelul industriei de a face ML să ruleze pe aceste procesoare mici. Inițial denumită TinyML, această abordare este cunoscută astăzi sub numele de EdgeAI – încă o dovadă că AI și IoT la marginea rețelei nu doar se intersectează, ci chiar se contopesc.
AI/ML este deosebit de utilă la marginea rețelei, deoarece majoritatea datelor colectate local nu sunt relevante în altă parte. Prin urmare, nu există motive să fie transmise, iar în multe cazuri există chiar motive întemeiate pentru a evita trimiterea lor:
- Transmiterea datelor brute presupune consum de energie
- Utilizarea oricărei rețele implică, de obicei, un cost financiar
- Lățimea de bandă este întotdeauna limitată, iar transmiterea datelor brute ocupă lățime de bandă care ar putea fi alocată traficului mai important
- Prelucrarea datelor în centrele de date este realizată de sisteme de procesare care consumă mult mai multă energie decât procesoarele Edge IoT
- Transmiterea înapoi a rezultatelor procesate consumă suplimentar energie și lățime de bandă
- Procesul de transmitere dus-întors introduce latență de rețea și generează un decalaj între intrare și rezultat
Acest lucru înseamnă că procesarea datelor colectate la marginea rețelei devine o decizie logică firească, iar această logică se mută spre periferia sistemului. AI/ML la margine oferă rezultatele necesare folosind cele mai puține resurse – lățime de bandă, energie, costuri și timp – fiind, totodată, semnificativ mai eficientă decât procesarea la distanță.
Dacă un utilizator îi cere lui Siri să aprindă luminile, răspunsul trebuie să fie instantaneu; latența rețelei este pur și simplu inacceptabilă.
Timpul de răspuns poate fi îmbunătățit prin eliminarea latenței de rețea, însă întreruperile acesteia pot apărea oricând. Procesarea locală asigură că răspunsul rămâne disponibil chiar și în astfel de situații.
O altă considerație importantă este securitatea. Procesarea locală reduce riscul ca datele să fie interceptate, mai ales în comparație cu transmiterea lor prin mai multe rute către și dinspre un centru de date. De asemenea, legislația privind protecția datelor cu caracter personal, aplicată în numeroase piețe importante, impune obligativitatea ca datele sensibile să fie gestionate în condiții stricte. În aceste condiții, principiul conform căruia datele locale trebuie să rămână locale a devenit fundamental în domeniul confidențialității și protecției datelor.
AI în dispozitivele Edge IoT: activ (On), inactiv (Off) și în așteptare (Waiting)
Revenind la eficiența energetică, reducerea consumului de energie are implicații importante asupra bateriilor și duratei de viață a acestora, iar AI/ML joacă un rol esențial în acest proces.
Există numeroase modalități de a minimiza consumul energetic. Dispozitivele Edge IoT sunt, în general, conectate prin rețele wireless care utilizează o varietate de protocoale, precum Wi-Fi și Bluetooth, dar mai frecvent soluții concepute special pentru consum redus, cum ar fi Bluetooth Low Energy (BLE), Zigbee și Thread. Totuși, chiar și atunci când sunt folosite aceste opțiuni eficiente, fiecare transmisie consumă energie – adesea o cantitate semnificativă pentru standardele unui dispozitiv alimentat de la baterie.
Să luăm ca exemplu dispozitivele de securitate care detectează spargerea geamurilor. Inițial – inclusiv cu doar câțiva ani în urmă – aceste dispozitive trebuiau să fie permanent active, gata să analizeze fiecare sunet pentru a determina dacă era vorba de spargerea unui geam sau doar de un zgomot obișnuit. Alertele false includeau de obicei sunete puternice precum aplauzele. Această abordare consuma cantități mari de energie și genera notificări inutile pentru utilizatori.
TinyML (EdgeAI)
AI/ML elimină această problemă. Cu TinyML (EdgeAI), dispozitivul procesează datele local și învață să distingă nu doar între spargerea sticlei și alte sunete, ci și între zgomote care împărtășesc unele caracteristici acustice ale spargerii sticlei, dar care sunt irelevante. Numai atunci când determină că un sunet reprezintă într-adevăr spargerea unui geam, dispozitivul activează restul sistemului, inclusiv modulul radio wireless – componentă relativ energofagă – pentru a declanșa o alarmă. În restul timpului, dispozitivul rămâne într-o stare de repaus pentru economisirea energiei, iar procesarea locală bazată pe AI/ML decide cu precizie dacă trebuie să fie trezit sau să revină în starea de repaus. Rezultatul: dispar alertele false și transmisiile inutile de date care consumă energie.
Această funcționalitate este posibilă chiar și fără AI/ML – dacă dispozitivul ar integra un procesor suficient de puternic. Totuși, o astfel de putere de procesare ar fi, în general, prea costisitoare pentru un dispozitiv IoT de ultimă generație. Cu AI/ML, aceste capabilități devin accesibile și pot rula pe un procesor cu dimensiuni și consum adecvate pentru un produs Edge IoT.
Având în vedere că aceste dispozitive sunt proiectate să funcționeze între trei și cinci ani cu o singură baterie, aceste tehnici de economisire a energiei sunt cu adevărat transformatoare.
Este doar începutul
AI/ML face posibilă realizarea unor capabilități remarcabile pe dispozitivele Edge IoT actuale, într-un mod foarte eficient și cu instrumente care simplifică mult procesul de proiectare – mai mult decât s-ar putea crede.
În același timp, AI/ML în zona Edge IoT se află încă într-un proces accelerat de evoluție. Integrarea tot mai strânsă a componentelor hardware presupune că până și procesoarele modeste utilizate la acest nivel vor deveni treptat mai puternice.
Algoritmii optimizați și puterea de calcul tot mai mare din zona Edge vor genera cu siguranță progrese semnificative în experiența utilizatorului pe dispozitivele locale. TinyML (EdgeAI) este pe cale să aducă funcționalități AI conversaționale direct pe dispozitivele Edge.
Glosar de termeni
Edge Computing (Edge): Model de procesare în care datele sunt analizate local, la marginea rețelei, aproape de sursa lor, pentru a reduce latența și consumul de resurse.
IoT (Internet of Things): Rețea de dispozitive conectate, care colectează, transmit și procesează date, integrând senzori, actuatori și conectivitate wireless.
Edge IoT: Dispozitive IoT capabile să proceseze date local, fără dependență continuă de cloud.
AI (Artificial Intelligence – Inteligență Artificială): Set de tehnici și algoritmi care permit dispozitivelor să ia decizii, să clasifice, să prezică sau să recunoască tipare.
ML (Machine Learning – Învățare Automată): Subdomeniu al AI care permite modelelor software să învețe din date, fără a fi programate explicit.
Edge AI: Implementarea algoritmilor AI direct pe dispozitive Edge IoT, pentru procesare locală, latență redusă și eficiență energetică.
TinyML: Ramură a ML orientată către rularea modelelor pe microcontrolere și procesoare cu resurse extrem de limitate (kB–MB memorie).
LLM (Large Language Model): Model AI de mari dimensiuni antrenat pe cantități vaste de date lingvistice (ex.: ChatGPT, Gemini).
Mod Sleep: Mod de repaus profund în care dispozitivul consumă o energie minimă, dar poate fi trezit prin evenimente precise.
False Positive (Alerte false): Evenimente declanșate eronat de senzori sau algoritmi, de obicei din cauza zgomotului sau a semnalelor nerelevante.
Wireless Radio / RF Module: Modul radio al unui dispozitiv IoT, responsabil pentru transmisia wireless — unul dintre cei mai mari consumatori de energie.
BLE (Bluetooth Low Energy): Standard wireless optimizat pentru consum redus, utilizat în dispozitive IoT și purtabile.
Zigbee / Thread: Protocoale wireless eficiente energetic, utilizate în automatizări, senzori și aplicații smart home / smart city.
Caracteristici acustice: Proprietăți ale undelor sonore (frecvență, amplitudine, spectru), utilizate în detecția spargerii geamurilor și alte aplicații audio.