Dominar la IA incorporada

El atractivo de poner IA en aplicaciones integradas es obvio, por ejemplo, el uso de face-id para autorizar el acceso a los controles de la máquina en una fábrica. Reconocimiento facial, control por voz, detección de anomalías, con IA hay tantas posibilidades. Usaré face-id como ejemplo en este blog. Mucho más fácil de usar, más inteligente y más robusto que las tradicionales interfaces hombre-máquina y contraseñas. Sin mencionar que todos los demás lo están haciendo. El funcionamiento de la IA puede parecer mágico, pero lo que puede hacer es convertirse rápidamente en una expectativa mínima. Nadie quiere evaluar productos de forma transparente basándose en la tecnología de ayer.

El desafío

Existe un problema para un creador de productos. El desarrollo basado en IA es bastante diferente del desarrollo integrado estándar. No está escribiendo software, al menos para la función principal. Tienes que entrenar una red neuronal para reconocer patrones (como imágenes), tal como entrenarías a un niño en la escuela. Luego, debe optimizar esa red para adaptarla al espacio limitado de su dispositivo integrado, para cumplir con los objetivos de tamaño y potencia. Es posible que las redes neuronales no sean un código convencional, pero la red y sus cálculos aún consumen memoria y queman energía. Como desarrollador integrado, sabe lo importante que es exprimir estas métricas tanto como sea posible. Llegaré a esto en mi próximo blog. Por ahora, comprendamos al menos parte de cómo funcionan estas redes neuronales.

Lo básico

No quiero guiarlos a través de una explicación extensa de las redes neuronales; justo lo que tendrá que hacer para que su aplicación funcione. Una red neuronal es conceptualmente una serie de capas de "neuronas". Cada neurona lee dos (o más) entradas de una capa anterior o los datos de entrada, aplica un cálculo utilizando pesos entrenados y envía un resultado. Con base en estos pesos, una capa detecta características, progresivamente más complejas a medida que avanza a través de las capas, y finalmente reconoce una imagen compleja en la salida.

Entonces, la primera parte inteligente es diseñar la red:cuántas capas, conexiones entre las capas, etc., el algoritmo central de la red neuronal. La segunda parte inteligente está en entrenamiento. Este es un proceso en el que se ejecutan muchas imágenes a través de la red, con etiquetado para identificar lo que debe reconocerse. Estas carreras acumulan los valores de peso necesarios para el reconocimiento.

Si tiene ambiciones, puede crear su propia red neuronal desde cero para una de las redes estándar, como TensorFlow. También puede comenzar desde una opción de código abierto como esta para face-id. Puede integrar todo esto en una aplicación que se puede ejecutar en una computadora portátil, lo que será útil para los clientes que desean registrar nuevos rostros aprobados. Ahora puede comenzar a entrenar su red con un conjunto de prueba de rostros aprobados en múltiples poses.

¿Por qué no hacer esto en la nube?

Hay servicios que hacen reconocimiento facial en línea, no es necesario que se meta en la inteligencia artificial desordenada de su dispositivo. Simplemente tome la foto, cárguela en la nube, la aplicación transmite un OK y su producto aprueba el siguiente paso.

Pero todos sus empleados aprobados deben tener sus fotos y otras credenciales en la nube. Quizás no sea una gran idea para la seguridad y la privacidad. Quemará bastante energía comunicando la imagen a la nube cada vez que un trabajador quiera acceder a una máquina. Y si su conexión a Internet no funciona, no se puede aprobar a nadie hasta que vuelva a conectarse. Realizar la autenticación directamente en el dispositivo preserva la privacidad y la seguridad, mantiene baja la demanda de energía y continúa funcionando incluso cuando la conexión de red no funciona.

A continuación:incorporación de su red entrenada

Ahora que ha terminado la parte difícil de la IA, debe descargarla en su dispositivo. Ese es un paso interesante por derecho propio, en el que definitivamente necesitará ayuda de su plataforma de inteligencia artificial. Hablaré de eso más en mi próximo blog. Mientras tanto, para obtener más información, consulte "Aprendizaje profundo para el mundo integrado en tiempo real".

Ariel Hershkovitz se desempeña como Gerente Senior de Soluciones para Clientes para Herramientas de Desarrollo de Software de CEVA. Ariel aporta más de 14 años de experiencia multidisciplinaria, que abarca el desarrollo de software, la verificación, la integración y la implementación de entregas de software, tanto en funciones técnicas como de gestión. Le apasionan las experiencias de usuario, la facilidad de uso y la tecnología innovadora. Muy competente en analizar problemas complejos y simplificarlos para una resolución rápida. Ariel tiene un B.Sc. en Ciencias de la Computación de la Universidad Ben-Gurion y un MBA de la Universidad Bar-Ilan.

Contenidos relacionados:

• Aplicar el aprendizaje automático en sistemas integrados
• Los desafíos y oportunidades para el aprendizaje automático en el IoT
• Abordar el sesgo de capacitación en el aprendizaje automático
• Aprovechamiento de FPGA para el aprendizaje profundo
• Las puntuaciones de referencia destacan una amplia gama de rendimiento de inferencia de aprendizaje automático.
• Transferir aprendizaje para IoT
• Algoritmos de inteligencia artificial y desafíos para vehículos autónomos

Para obtener más información sobre Embedded, suscríbase al boletín informativo semanal por correo electrónico de Embedded.