Cunoașterea inteligenței artificiale prin intermediul SBC-urilor

by donpedro

Inteligența artificială (AI) și învățarea automată (ML) sunt tehnologii care oferă avantaje enorme unei game largi de sisteme embedded. Pentru multe companii, investiția necesară în vederea consolidării expertizei în aceste domenii în plină dezvoltare poate fi o provocare. Totuși, unii dintre cei mai importanți producători din lume creează soluții care permit proiectanților de aplicații embedded să adopte aceste tehnologii inovatoare cu o simplitate și o rapiditate mai mari ca niciodată.

Beneficii importante pentru producție

Inteligența artificială are potențialul de a adăuga valoare în multe industrii, dar unul dintre domeniile majore care se așteaptă să beneficieze de aceasta este managementul lanțului de aprovizionare și producția avansată. Un raport realizat de McKinsey[1] a estimat că AI ar putea genera sume cuprinse între 1,2 și 2 trilioane USD pentru companiile utilizatoare și clienții acestora.

În domeniul producției, cel mai mare potențial oferit de inteligența artificială se află în întreținerea predictivă, prin utilizarea datelor provenite de la senzori pentru a identifica anomalii și a prezice momentul în care un motor sau o instalație de procesare va necesita atenție pentru a preveni o defecțiune.

Cercetările efectuate de alți analiști evidențiază veștile bune. Un raport elaborat de Accenture[2] a arătat că industria producătoare va deveni unul dintre marii câștigători ai revoluției AI. Cu sisteme activate de AI, care învață în mod constant despre procese, inginerii de întreținere pot uita de mașinile defecte și de echipamentele inactive, în timp ce prototiparea rapidă și alocarea eficientă a resurselor vor reduce timpul de lansare pe piață și costurile. Toate aceste îmbunătățiri vor produce o creștere prognozată a profitabilității de 39%.

Un alt raport Accenture[3][4] a constatat că 71% dintre directorii din sectorul echipamentelor industriale consideră că AI va avea un impact semnificativ asupra organizației lor, iar 78% dintre aceștia afirmă că va avea un impact semnificativ asupra sectorului în ansamblu. Totuși, același raport arată că sectorul echipamentelor industriale a rămas în urmă în ceea ce privește maturitatea AI.

Un bun exemplu cu privire la ceea ce poate însemna acest lucru în practică este industria semiconductorilor. Cu investiții mari de capital, companiile producătoare de semiconductori au încercat să scurteze ciclurile de viață ale produselor și să se concentreze mai mult pe inovare pentru a rămâne competitive. Pe măsură ce fiecare nouă generație de cipuri reduce dimensiunea structurilor pe care este construită, costurile de dezvoltare și fabricare au crescut vertiginos. Pentru aceste companii, AI și ML au potențialul de a transforma costul de bază din industrie prin creșterea productivității în toate etapele, de la cercetare la proiectarea și fabricarea cipurilor. Sistemele bazate pe ML pot fi, de asemenea, antrenate pentru a detecta și clasifica automat defectele de pe plachetele de siliciu, îmbunătățind și mai mult randamentul.

Utilizare scăzută a inteligenței artificiale

În prezent, aplicațiile industriale și IoT (Internet of Things) se bazează adesea pe computere pe o singură placă (SBC), aproximativ 50% dintre inginerii chestionați de Farnell[5] utilizând aceste plăci de dezvoltare în proiectele lor. În ciuda faptului că inteligența artificială de înaltă performanță se numără printre cele mai frecvente solicitări pentru îmbunătățirea SBC-urilor, doar 20 la sută dintre inginerii din întreaga lume profită de inteligența artificială și de ML în aplicațiile lor SBC.

Motivele acestei utilizări reduse rămân neclare, dar studiul Farnell a relevat faptul că inginerii consideră că reducerea timpului de lansare pe piață a proiectelor lor reprezintă o preocupare cheie. În ciuda ușurinței de utilizare asociată cu modulele SBC, este posibil ca dezvoltatorii să perceapă AI și ML ca pe o barieră și să considere că implementarea tehnicilor de utilizare a acestor tehnologii ar afecta în mod nejustificat bugetele și termenele proiectelor.

Inteligența artificială în acțiune

Când vine vorba de AI în practică, mentenanța predictivă este unul dintre cazurile majore de utilizare în industrie. Distribuitorul de produse electronice Avnet ajută producătorii și dezvoltatorii să creeze soluții IoT pentru diverse industrii. De exemplu, Avnet a colaborat cu un producător important de vehicule electrice pentru a identifica anomalii în funcționarea roboților săi din producție. Tehnicile ML și analiza statistică a defecțiunilor au permis clientului să detecteze anomaliile în timp real și să ia măsuri pentru a le preveni.

Monitorizarea activelor reprezintă, de asemenea, o oportunitate majoră. Un producător de echipamente de construcții pentru lucrări de terasamente cu sediul în Statele Unite, care închiria utilaje și echipamente pentru o perioadă de câteva zile sau luni, a recurs la monitorizarea inteligentă a activelor pentru a trece la un model de ‘produs-ca-serviciu’. Acest lucru a permis companiei să închirieze echipamente pe baza gradului de utilizare, astfel încât clienții să nu mai plătească pentru întreaga zi sau lună.

Tehnologii precum procesarea imaginilor și recunoașterea facială sunt cazuri clasice de utilizare AI și ML și în industria prelucrătoare, deoarece pot fi utilizate pentru a asigura intrarea angajaților, pentru a urmări prezența și pentru a preveni frauda și furtul. Ca un alt exemplu, centrul tehnologic Sony din Marea Britanie a adoptat procesarea imaginilor ca parte a unui proiect care utilizează tehnologia AI pentru a monitoriza variația și calitatea produselor în interiorul fabricii. Peste 150 de dispozitive SBC Raspberry Pi și camere de înaltă calitate Raspberry Pi au fost implementate pentru a examina procese precum montarea pieselor pe plăci individuale, pentru a asigura coerența.

Nu este chiar așa de greu

Deși AI și ML pot părea descurajatoare, marii producători de platforme se implică și facilitează inginerilor și dezvoltatorilor de aplicații embedded să profite de această tehnologie. SBC-urile devin din ce în ce mai puternice, permițând rularea pe placă a algoritmilor de inteligență artificială, cum ar fi clasificarea imaginilor, detectarea obiectelor și recunoașterea gesturilor, cu ajutorul unor instrumente precum TensorFlow Lite[6].

TensorFlow Lite este optimizat pentru învățarea automată pe dispozitiv, ajutând dezvoltatorii să ruleze modele pe dispozitive mobile, încorporate și IoT. Instrumentul abordează unele dintre principalele constrângeri ale SBC-urilor: elimină latența prin faptul că nu trimite datele către un server; asigură confidențialitatea, deoarece niciun fel de date personale nu părăsesc dispozitivul; nu necesită o conexiune la internet; oferă o dimensiune redusă a modelului și minimizează consumul de putere.

TensorFlow Lite oferă o serie de modele preinstruite care ar putea fi potrivite pentru cazuri de utilizare industrială sau de producție. Aceste “rețete” simplifică foarte mult implementarea soluțiilor de inteligență artificială pentru a îndeplini funcții precum modelele de clasificare a imaginilor care pot identifica sute de obiecte, inclusiv persoane și activități, precum și răspunsurile la întrebări în limbaj natural și recunoașterea gesturilor. Există multe alte biblioteci care permit dezvoltarea de soluții de procesare AI integrate, dar, deși acest lucru reduce expertiza, există în continuare o nevoie de specialiști experimentați în AI.

Accesul la serviciile bazate pe cloud prin intermediul dispozitivelor conectate asigură că datele pot fi analizate fără a fi nevoie de o cantitate uriașă de putere de calcul pe placa în sine. Serviciile bazate pe cloud pot permite o implementare mai simplă a inteligenței artificiale și există un grup mult mai mare de dezvoltatori care sunt utilizatori experimentați ai acestor platforme.

Microsoft este lider în acest domeniu și a lansat platforma Azure Sphere IoT, care oferă, de asemenea, un sistem de operare cu nucleu Linux pentru microcontrolerele embedded (MCU) utilizate în punctele terminale IoT. Printre cazurile tipice de utilizare se numără un proiect pilot realizat de Starbucks, care a încorporat MCU Azure Sphere pentru a colecta date de telemetrie de la automatele de cafea din magazinele sale. Compania se așteaptă ca datele capturate să ajute la prezicerea unor potențiale probleme înainte ca aparatele de preparat cafea și alte mașini din magazin să necesite o reparație. Microcontrolerele Azure sunt ieftine, oferă o gamă largă de opțiuni de conectivitate, inclusiv celulară și Ethernet și pot fi susținute de o serie de plăci de dezvoltare și kituri de start.

Alte platforme cloud importante includ Amazon Web Services (AWS). Platforma utilizează instrumente de calcul periferic (edge computing) și de analiză avansată pentru a ajuta fabrica inteligentă să îmbunătățească productivitatea prin captarea și analizarea datelor de la nivelul secției de producție. Aceasta include accesul la AI și ML bazate pe cloud pentru a oferi analize predictive în timp real.

O altă abordare constă în utilizarea serviciilor bazate pe cloud alături de framework-uri open-source, cum ar fi Caffe și TensorFlow. Caffe este un framework bine-cunoscut dezvoltat de un doctorand de la Berkley pe nume Yangqing Jia, în timp ce platforma TensorFlow a fost dezvoltată de echipa Brain Team de la Google și oferă o spațiu extins de instrumente, biblioteci și resurse comunitare.

Soluțiile private oferă, de asemenea, o alternativă ușor de utilizat. ARM oferă integrare cu Watson prin intermediul platformei sale de dezvoltare de dispozitive IoT – Mbed[7]. IBM a construit, de asemenea, interfețe cu platforma sa Watson AI cu ajutorul unor plăci de dezvoltare, cum ar fi Raspberry Pi, ceea ce facilitează realizarea de prototipuri pentru aplicațiile de învățare automată înainte de a se angaja într-o arhitectură finală.

SBC-uri pentru AI

Farnell stochează o gamă largă de SBC-uri pentru a sprijini aplicațiile AI embedded. Printre acestea se numără cel mai popular SBC, Raspberry Pi 4. Versiunea model B este disponibilă cu memorie DDR4RAM de până la 8GB.

Arduino Portenta este un SBC foarte puternic. Cele două nuclee asimetrice ale sale pot rula simultan cod de nivel înalt, cum ar fi stive de protocoale, ML sau chiar limbaje interpretate precum MicroPython sau Javascript.

Prin cuplarea acestor plăci puternice și ușor de utilizat cu platforme cloud gata de utilizare, nu există niciun motiv pentru care dezvoltatorii de dispozitive IoT să nu poată utiliza AI și ML în proiectele lor. Pentru clienții din domeniul producției, beneficiile sunt clare și vor deveni o necesitate pentru îmbunătățirea calității produselor, a productivității fabricilor și multe altele.

Viitorul aplicațiilor AI embedded

Având în vedere îmbunătățirea dovedită a performanțelor sistemului, adoptarea din ce în ce mai frecventă a inteligenței artificiale și a ML în aplicațiile embedded este inevitabilă. Deși tehnologia este complexă, există deja soluții care reduc semnificativ efortul de integrare și implementare a AI și ML. Neavând prea multe motive pentru a întârzia adoptarea și ținând cont de probabilitatea ca produsele concurenților să ofere beneficiile suplimentare permise de aceste tehnologii, există un argument convingător pentru a implementa astăzi tehnologiile AI și ML în sistemele embedded.

Referințe:

[1] https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/most-of-ais-business-uses-will-be-in-two-areas
[2] https://www.accenture.com/fr-fr/_acnmedia/36dc7f76eab444cab6a7f44017cc3997.pdf
[3] https://www.accenture.com/_acnmedia/PDF-74/Accenture-Pov-Manufacturing-Digital-Final.pdf
[4] https://www.accenture.com/us-en/insights/artificial-intelligence-summary-index
[5] https://www.element14.com/news/new-research-from-farnell-shows-demand-for-low-cost-sbcs-in-industrial-and-iot-applications/
[6] https://www.tensorflow.org/lite/tutorials
[7] https://os.mbed.com/


Autor
:
Cliff Ortmeyer, Director Global de Marketing Tehnic, Farnell
https://ro.farnell.com

S-ar putea să vă placă și