În acest moment, ar fi trebuit să avem mașini zburătoare. Și roboți majordomi. Și, cu un pic de ghinion, am fi avut și niște roboți “sensibili” care ar fi decis să se revolte împotriva noastră înainte ca noi să putem provoca apocalipsa. Deși nu avem așa ceva, este clar că tehnologia bazată pe inteligența artificială (AI) și-a făcut loc în lumea noastră. De fiecare dată când o rugați pe Alexa să facă ceva, tehnologia de învățare automată își dă seama ce i-ați spus și încearcă să ia cea mai bună decizie cu privire la ceea ce doriți să facă. De fiecare dată când Netflix sau Amazon vă recomandă următorul film sau următoarea achiziție, aceasta se bazează pe algoritmi sofisticați de învățare automată care vă oferă recomandări convingătoare, mult mai atrăgătoare decât promoțiile de vânzări din trecut. Și chiar dacă nu toți avem mașini care se conduc singure, suntem foarte conștienți de evoluțiile din acest spațiu și de potențialul pe care îl poate oferi navigația autonomă.
Tehnologia AI promite mult: se presupune că mașinile vor putea lua decizii bazate pe lumea din jurul lor, procesând informațiile la fel ca un om (sau chiar mai bine decât ar face un om). Dar dacă vă gândiți la exemplele de mai sus, promisiunea AI este îndeplinită în prezent doar de utilajele mari – care nu au constrângeri legate de putere, dimensiuni sau costuri sau, altfel spus, acestea pot funcționa la temperaturi ridicate, au alimentare directă de la rețea, sunt voluminoase și costisitoare. Pentru a înțelege ce intenții aveți, Alexa și Netflix se bazează pe servere uriașe aflate în cloud, care consumă o mare cantitate de energie. Mașinile autonome se bazează pe baterii a căror capacitate energetică este considerabilă, având în vedere că acestea trebuie să pună în mișcare roțile și să controleze direcția, cu alte cuvinte este vorba despre cheltuieli energetice mult mai mari decât deciziile AI, oricât de complexe ar fi acestea.
Deși promisiunea AI are un potențial imens, aparatele mici sunt dezavantajate. În esență, dispozitivele care funcționează pe baza unor baterii mai mici sau care au constrângeri legate de costuri și dimensiuni nu pot folosi tehnologia AI care permite “văzul” sau “auzul” (de exemplu, recunoașterea vocală complexă sau analiza imaginii). În prezent, dispozitivele mici pot utiliza doar tehnologii AI simple, precum ascultarea unui cuvânt-cheie sau analiza unor semnale de complexitate redusă, cum ar fi fotopletismografia (PPG) pentru măsurarea ritmului cardiac.
Ce s-ar întâmpla dacă micile aparate ar putea vedea și auzi?
Totuși, cât de valoroase ar putea fi micile dispozitive dacă ar fi capabile să vadă și să audă? Este greu să te gândești la o cameră de sonerie, de exemplu, care să beneficieze de tehnologii precum conducerea autonomă sau procesarea limbajului natural, dar există oportunități în ceea ce privește calculele AI mai puțin complexe și mai puțin intensive, precum recunoașterea vocabularului, recunoașterea vocii și analiza imaginilor.
- Camerele cu sonerie și camerele de securitate pentru consumatori sunt adesea declanșate de evenimente fără importanță, cum ar fi mișcarea plantelor cauzată de vânt, schimbările bruște de lumină cauzate de nori sau chiar apariția unor câini sau pisici care aleargă prin fața casei. Toate acestea pot genera declanșări false, determinând proprietarul casei să înceapă să ignore astfel de evenimente. De altfel, dacă proprietarul casei călătorește într-o altă parte a lumii, probabil că doarme în timp ce camera sa se declanșează la schimbările de lumină cauzate de răsăritul și apusul soarelui sau de nori. O cameră mai inteligentă ar putea fi declanșată de evenimente mai concrete, cum ar fi o ființă umană aflată în raza de acțiune.
- Încuietoarele de uși sau alte puncte de acces pot utiliza identificarea facială sau chiar recunoașterea vorbirii pentru a acorda acces personalului autorizat, renunțând în unele cazuri la chei sau ecusoane.
- O mulțime de camere solicită declanșarea la anumite evenimente: de exemplu, camerele de urmărire s-ar putea declanșa la apariția unei căprioare în cadru, camerele de securitate s-ar putea declanșa atunci când o persoană se află în apropierea acestora sau la un zgomot precum deschiderea unei uși sau al pașilor, iar o cameră personală s-ar putea declanșa la o comandă vocală.
- Comenzile bazate pe un vocabular amplu pot fi utile în multe aplicații: deși există o mulțime de soluții “Hey Alexa”, dacă începeți să vă gândiți la un vocabular de 20 sau mai multe cuvinte, puteți găsi utilizări în echipamente industriale, automatizări industriale, aparate de gătit și o mulțime de alte dispozitive pentru a simplifica interacțiunea umană.
Aceste exemple nu fac decât să scoată în evidență câteva aspecte: ideea de a permite dispozitivelor mici să vadă, să audă și să rezolve probleme – care în trecut ar fi necesitat intervenția umană – este una puternică și continuăm să găsim în fiecare zi noi cazuri de utilizare creative.
Care sunt provocările legate de posibilitatea ca micile dispozitive să vadă și să audă?
Așadar, dacă inteligența artificială ar putea fi un instrument atât de valoros pentru micile dispozitive, de ce nu îl avem încă? Răspunsul este puterea de calcul. Inferențele AI sunt rezultatul procesului de calcul al unui model de rețea neurală. Un model de rețea neurală poate fi privit exact ca modul în care creierul dumneavoastră procesează o imagine sau un sunet, împărțindu-l în fragmente foarte mici, după care recunoaște modelul (imaginea sau sunetul) atunci când aceste fragmente mici sunt puse împreună. Modelul de bază (și cel mai utilizat) pentru rezolvarea problemelor moderne de procesare a imaginilor este rețeaua neurală convoluțională (CNN). Astfel de modele sunt excelente pentru analiza imaginilor și sunt foarte utile și în analiza audio. Provocarea este că aceste modele necesită milioane sau miliarde de calcule matematice. Dar, de obicei, aceste aplicații se confruntă cu dificultăți în procesul de implementare:
- Cazul utilizării unei soluții economice, care se bazează pe un microcontroler cu consum redus de putere: Datorită timpului lung de procesare, deși consumul de energie este scăzut în medie, utilizarea unei rețele CNN poate duce la un consum semnificativ de baterie în timpul operațiunilor.
- Cazul în care achiziționați un procesor scump și de mare putere care poate efectua aceste operații matematice în latența necesară: Aceste procesoare sunt de obicei mari și necesită o mulțime de componente externe, inclusiv radiatoare sau elemente de răcire similare. Totuși, aceste procesoare execută inferențele AI foarte rapid.
- În urma acestor situații, vă gândiți să nu mai implementați: Soluția cu microcontroler cu consum redus de putere va fi prea lentă pentru a fi utilă, iar abordarea cu procesor de mare putere va încărca bugetele legate de costuri, dimensiuni și putere.
Este necesară o soluție AI embedded construită de la zero pentru a reduce la minimum consumul de energie în timpul procesării unui model de rețea neurală convoluțională (CNN). Inferențele AI trebuie să fie executate cu un consum de energie mai mic în comparație cu soluțiile convenționale bazate pe microcontrolere sau procesoare, fără ajutorul componentelor externe, cum ar fi memoriile, care, pe lângă consumul de energie, acestea implică dimensiuni și costuri mai mari. Dacă o soluție de inferență AI ar putea să elimine, practic, penalizarea energetică cauzată de viziunea artificială, atunci chiar și cele mai mici dispozitive ar putea vedea și recunoaște lucrurile care se petrec în lumea din jurul lor.
Din fericire pentru noi, suntem la începutul acestei revoluții – a micilor dispozitive. Acum sunt disponibile produse care, aproape, elimină costul energetic al inferențelor AI și permit viziunea artificială alimentată de la baterii. Aflați mai multe despre dispozitivul MAX78000, un microcontroler construit pentru a executa inferențe AI cu un consum de energie de câțiva microjouli.
Autor: Kris Ardis, Managing Director, ADI
Despre autor
Kris Ardis este Managing Director al departamentului Digital Business Unit la Analog Devices. El și-a început cariera la ADI în 1997 ca inginer software și deține două brevete în SUA. În funcția sa actuală, Ardis este responsabil pentru procesoare. Are o diplomă de licență în informatică de la Universitatea din Texas la Austin.
Vizitați https://ez.analog.com
