Sistemele industriale generează volume mari de date pe măsură ce implementează întreținerea predictivă și automatizarea. Generarea globală de date a atins 181 zettabytes (ZB) în 2025, estimările indicând o creștere la 221 ZB în 2026. [1] Transferul tuturor acestor date în cloud poate suprasolicita rețelele și încetini timpii de răspuns. Latența datelor transmise către și dinspre cloud poate varia de la zeci la sute de milisecunde în rețelele tradiționale de întreprindere, în funcție de traseul rețelei și de distanță.[2] Pentru funcțiile de control și siguranță în timp real ale sistemelor industriale, această viteză de reacție nu este suficientă. Procesarea fiecărui eveniment în cloud crește, de asemenea, costurile de comunicație și introduce riscul de întreruperi ale sistemului atunci când conectivitatea este slabă.
Inteligența artificială la marginea rețelei – Edge AI – rezolvă unele dintre aceste limitări prin rularea modelelor de învățare automată (ML) direct pe hardware-ul local. Această abordare permite sistemelor să ia decizii imediat, fără a aștepta răspunsul unui server aflat la distanță. În acest context, echipa de conținut tehnic Mouser analizează modul în care procesarea locală este utilizată tot mai mult în automatizarea fabricilor și în sistemele de viziune artificială, unde răspunsurile imediate la datele provenite de la senzori și imagini reprezintă o cerință esențială.
Pentru mai multe resurse tehnice, aplicații, ghiduri și instrumente dedicate inginerilor proiectanți, accesați Mouser Resource Centre.
Dincolo de dovada de concept
În stadiile incipiente, Edge AI era genul de tehnologie întâlnită mai ales în proiecte-pilot controlate sau în aplicații foarte specifice. Era o tehnologie folosită pentru a demonstra un concept, nu pentru a fi integrată în sisteme utilizate zilnic. Acest lucru se schimbă rapid. Pe măsură ce instrumentele și platformele hardware se maturizează, Edge AI iese din laborator și intră în sisteme de producție reale, care funcționează permanent.
O mare parte din acest proces depinde de software. Platformele edge actuale sunt mai capabile să „vorbească aceeași limbă” cu restul ecosistemului AI. Acestea au suport pentru framework-uri și medii de execuție comune, facilitând transferul modelelor din etapa de dezvoltare către sistemele implementate. Această compatibilitate simplifică, de asemenea, actualizarea modelelor în timp, pe măsură ce datele sau cerințele se modifică.
Totuși, ușurința implementării nu este singurul aspect important. Fiabilitatea contează, mai ales atunci când sistemele funcționează non-stop. Menținerea procesării de inferență la nivel local înseamnă că un dispozitiv Edge AI nu trebuie să se bazeze pe o conexiune de rețea pentru a-și îndeplini sarcinile. În medii precum halele de producție sau stațiile de monitorizare la distanță, această reziliență aduce nu doar confort operațional, ci se poate dovedi esențială în anumite scenarii. Dacă se întrerupe conexiunea, sistemul poate continua să funcționeze.
Modelele edge devin mai mici și mai practice
În prezent, una dintre schimbările semnificative în domeniul Edge AI este trecerea la modele mai mici. În loc să construiască cea mai mare rețea posibilă, echipele se concentrează pe modele care pot rula efectiv pe hardware cu resurse limitate. Tehnici precum cuantificarea și pruning-ul ajută la reducerea cerințelor de procesare și memorie, menținând în același timp performanța la un nivel apropiat de cel inițial. [3]
Aceste optimizări sunt practice astăzi deoarece modele care, în trecut, necesitau procesoare puternice și resurse generoase de memorie pot rula acum pe hardware care ar fi fost insuficient cu doar câțiva ani în urmă. Acest lucru ajută la reducerea decalajului dintre ceea ce funcționează în mediile de cercetare și ceea ce poate fi implementat în fabrici și în echipamentele de teren. Lucrările în curs în acest domeniu continuă să demonstreze că sunt posibile reduceri semnificative ale dimensiunii modelului și ale cerințelor de procesare, fără a sacrifica performanța.
Ca urmare, constrângerile hardware devin mai ușor de gestionat. Edge AI nu trebuie să funcționeze exclusiv pe servere performante amplasate la marginea rețelei. Inginerii pot implementa inferența în timp real pe plăci embedded și gateway-uri mai modeste, adesea pe aceleași sisteme care sunt deja responsabile de control, monitorizare și comunicații. Această flexibilitate face ca Edge AI să poată fi aplicată într-o gamă mai largă de sisteme industriale.
Reducerea transferului de date devine un factor cheie
O altă tendință care impulsionează adoptarea Edge AI este costul transferului de date.[4] Trimiterea fluxurilor de date provenite de la senzori de înaltă rezoluție sau a cadrelor brute de viziune artificială către cloud este lentă, consumă lățime de bandă și poate deveni rapid costisitoare. La scară largă, aceste costuri pot depăși beneficiile. De aceea, tot mai multe organizații caută să gestioneze datele mai aproape de locul în care sunt generate.
Prin filtrarea, sintetizarea sau clasificarea datelor la nivel local, sistemele Edge AI reduc încărcarea atât asupra rețelelor, cât și asupra sistemelor de stocare din amonte. Datorită dependenței reduse de infrastructura aflată la distanță, implementările Edge AI sunt mai bine pregătite să continue procesarea datelor chiar și în cazul încetinirii rețelei sau al unor întreruperi temporare.[5]
Platformă embedded pentru evaluarea Edge AI
Figura 1: Diagrama bloc a kitului de dezvoltare Advantech AOM-2721. (Sursă: Mouser Electronics)
Kitul de dezvoltare Advantech AOM-2721 este o platformă de calcul embedded, creată pentru evaluarea aplicațiilor Edge AI. Este echipat cu un sistem pe cip (SoC) Qualcomm QCS6490, cu până la opt nuclee Kryo care funcționează la frecvențe de până la 2,7 GHz, o unitate integrată de procesare a viziunii (VPU – Vision Processing Unit) și o unitate de procesare grafică (GPU – Graphics Processing Unit), precum și 8 GB de memorie LPDDR5 de mare viteză.
Placa include interfețe industriale uzuale, precum PCIe Gen3, USB 3.2, Gigabit Ethernet și intrări pentru camere MIPI-CSI, alături de HDMI, DisplayPort și LVDS pentru afișaje (Figura 1), ceea ce o face potrivită pentru sarcini AI embedded și aplicații centrate pe procesarea imaginilor.
Concluzie
Edge AI devine o componentă esențială pentru sistemele industriale care necesită răspuns rapid, comportament previzibil și costuri reduse de transfer al datelor. Pe măsură ce modelele devin mai mici, iar hardware-ul edge continuă să se îmbunătățească, echipele pot depăși etapa de validare a conceptului și pot implementa soluții în sisteme destinate producției. Această tehnologie schimbă, de asemenea, modul în care inginerii abordează dezvoltarea.
Platforme precum Advantech AOM-2721 permit evaluarea sarcinilor de lucru Edge AI într-o etapă mai timpurie a procesului de proiectare, astfel încât această tehnologie să nu fie tratată ca un element adăugat ulterior. Datorită integrării timpurii, echipele care proiectează sisteme de automatizare industrială pot trece de la testare la funcționarea în condiții reale fără modificări majore ale proiectului.
Surse
[1]https://explodingtopics.com/blog/data-generated-per-day
[2]https://blog.equinix.com/blog/2021/08/09/cloud-vs-edge
[3]https://www.tensorflow.org/model_optimization/guide/pruning; https://www.edgeimpulse.com/blog/7-tips-for-optimizing-ai-models-for-tiny-devices
[4]https://www.cloudoptimo.com/blog/the-true-cost-of-cloud-data-egress-and-how-to-manage-it/
[5]https://azure.microsoft.com/en-us/resources/cloud-computing-dictionary/what-is-edge-computing
Despre Mouser Electronics
Mouser Electronics, fondată în 1964, este un distribuitor autorizat la nivel global de semiconductori și componente electronice, reprezentând peste 1.200 de mărci ale unor producători de top din industrie. Compania este specializată în introducerea rapidă pe piață a celor mai noi produse și tehnologii destinate comunităților de ingineri proiectanți și cumpărători. Mouser are 28 de birouri în întreaga lume și își desfășoară activitatea în 23 de limbi și 34 de valute. Centrul global de distribuție al companiei este echipat cu sisteme wireless de ultimă generație pentru gestionarea depozitelor, care permit procesarea comenzilor 24/7 și operațiuni foarte precise de preluare și expediere.
Glosar de termeni
Edge AI – Utilizarea algoritmilor de inteligență artificială direct pe dispozitive locale, gateway-uri sau plăci embedded, aproape de locul unde sunt generate datele, fără dependență permanentă de cloud.
Inferență – Etapa în care un model AI deja antrenat analizează date noi și generează un rezultat, de exemplu detectarea unei anomalii, clasificarea unei imagini sau identificarea unui obiect.
Întreținere predictivă – Metodă prin care datele de la senzori sunt analizate pentru a anticipa defectarea echipamentelor, înainte ca opririle neplanificate să apară.
Pruning – Tehnică de optimizare a modelelor AI prin eliminarea conexiunilor, parametrilor sau componentelor mai puțin importante, pentru a reduce dimensiunea modelului și cerințele de procesare.
Cuantificare – Tehnică prin care valorile numerice folosite de un model AI sunt reprezentate cu o precizie mai redusă, reducând consumul de memorie și resursele de calcul necesare.
VPU – Vision Processing Unit – Unitate de procesare optimizată pentru aplicații de viziune artificială, precum analiză video, recunoaștere de obiecte sau procesare de imagini.
Gateway edge – Dispozitiv aflat între senzori, echipamente industriale și rețea, care poate colecta, filtra, procesa și transmite date, uneori rulând local aplicații AI.
MIPI-CSI – Interfață standard utilizată pentru conectarea camerelor la platforme embedded, frecvent întâlnită în aplicații de viziune artificială și procesare video.