Aumento de la accesibilidad del aprendizaje automático en el perímetro

"Edge intelligence" se está volviendo más accesible, incluso para aquellos diseñadores sin capacitación formal en ciencia de datos, a medida que hay nuevo hardware disponible.

En los últimos años, los dispositivos conectados y la Internet de las cosas (IoT) se han vuelto omnipresentes en nuestra vida cotidiana, ya sea en nuestros hogares y automóviles o en nuestro lugar de trabajo. Muchos de estos pequeños dispositivos están conectados a un servicio en la nube; casi todas las personas con un teléfono inteligente o una computadora portátil utilizan hoy en día servicios basados ​​en la nube, ya sea de forma activa o mediante un servicio de respaldo automatizado, por ejemplo.

Sin embargo, un nuevo paradigma conocido como "inteligencia de borde" está ganando terreno rápidamente en el panorama cambiante de la tecnología. Este artículo presenta la inteligencia basada en la nube, la inteligencia perimetral y posibles casos de uso para que los usuarios profesionales hagan que el aprendizaje automático sea accesible para todos.

Figura 1. El cambio de la computación en la nube a la computación en el borde abre la posibilidad de construir miles de millones de dispositivos que ejecutan software habilitado para ML. Imagen cortesía de NXP.

Términos clave del aprendizaje automático

Computación en la nube

La computación en la nube, en pocas palabras, es la disponibilidad de recursos computacionales remotos siempre que un cliente los necesite.

Para los servicios en la nube pública, el proveedor de servicios en la nube es responsable de administrar el hardware y garantizar que la disponibilidad del servicio cumpla con un cierto estándar y con las expectativas del cliente. Los clientes de los servicios en la nube pagan por lo que usan y, por lo general, el empleo de dichos servicios solo es viable para operaciones a gran escala.

Computación perimetral

Por otro lado, la informática de borde ocurre en algún lugar entre la nube y la red del cliente.

Si bien la definición de dónde se ubican exactamente los nodos de borde puede variar de una aplicación a otra, generalmente están cerca de la red local. Estos nodos computacionales brindan servicios como filtrado y almacenamiento en búfer de datos, y ayudan a aumentar la privacidad, brindan mayor confiabilidad y reducen los costos y la latencia del servicio en la nube.

Recientemente, se ha vuelto más común que la inteligencia artificial y el aprendizaje automático complementen los nodos de computación perimetral y ayuden a decidir qué datos son relevantes y deben cargarse en la nube para un análisis más profundo.

Aprendizaje automático (ML)

El aprendizaje automático (ML) es un campo científico amplio, pero en los últimos tiempos, las redes neuronales (a menudo abreviadas como NN) han ganado la mayor atención cuando se habla de algoritmos de aprendizaje automático.

Las aplicaciones de ML multiclase o complejas, como el seguimiento y la vigilancia de objetos, el reconocimiento automático de voz y la detección de múltiples rostros, generalmente requieren NN. Muchos científicos han trabajado arduamente para mejorar y optimizar los algoritmos NN en la última década para permitir que se ejecuten en dispositivos con recursos computacionales limitados, lo que ha ayudado a acelerar la popularidad y la viabilidad del paradigma de la computación en el borde.

Uno de esos algoritmos es MobileNet, que es un algoritmo de clasificación de imágenes desarrollado por Google. Este proyecto demuestra que las redes neuronales de alta precisión pueden funcionar en dispositivos con una potencia computacional significativamente restringida.

Aprendizaje automático para algo más que expertos

Hasta hace poco, el aprendizaje automático estaba destinado principalmente a expertos en ciencia de datos con un conocimiento profundo del aprendizaje automático y las aplicaciones de aprendizaje profundo. Por lo general, las herramientas de desarrollo y los paquetes de software eran inmaduras y difíciles de usar.

El aprendizaje automático y la computación perimetral se están expandiendo rápidamente, y el interés en estos campos crece constantemente cada año. Según la investigación actual, el 98% de los dispositivos periféricos utilizarán el aprendizaje automático para 2025. Este porcentaje se traduce en alrededor de 18-25 mil millones de dispositivos que los investigadores esperan que tengan capacidades de aprendizaje automático.

En general, el aprendizaje automático en el borde abre las puertas a un amplio espectro de aplicaciones que van desde la visión por computadora, el análisis del habla y el procesamiento de video hasta el análisis de secuencias.

Algunos ejemplos concretos de posibles aplicaciones son las cerraduras de puertas inteligentes combinadas con una cámara. Estos dispositivos podrían detectar automáticamente a una persona que desea acceder a una habitación y permitirle la entrada cuando sea apropiado.

Las soluciones de hardware modernas permiten el procesamiento de AA en el perímetro

Debido a las optimizaciones y mejoras de rendimiento discutidas anteriormente de los algoritmos de redes neuronales, muchas aplicaciones de ML ahora pueden ejecutarse en dispositivos integrados alimentados por MCU cruzados como el i.MX RT1170. Con sus dos núcleos de procesamiento (un Arm Cortex M7 de 1 GHz y un núcleo Arm Cortex-M4 de 400 MHz), los desarrolladores pueden elegir ejecutar implementaciones NN compatibles teniendo en cuenta las limitaciones en tiempo real.

Debido a su diseño de doble núcleo, el i.MX RT1170 también permite la ejecución de múltiples modelos ML en paralelo. Los motores de cifrado adicionales incorporados, las funciones de seguridad avanzadas y las capacidades gráficas y multimedia hacen que el i.MX RT1170 sea adecuado para una amplia gama de aplicaciones. Algunos ejemplos incluyen detección de distracciones del conductor, interruptores de luz inteligentes, cerraduras inteligentes, gestión de flotas y muchos más.

Figura 2. Un diagrama de bloques de la familia de MCU cruzados i.MX RT1170. Imagen cortesía de NXP. Haga clic para ampliar.

El i.MX 8M Plus es una familia de procesadores de aplicaciones que se enfoca en ML, visión por computadora, aplicaciones multimedia avanzadas y automatización industrial con alta confiabilidad. Estos dispositivos se diseñaron teniendo en cuenta las necesidades de los dispositivos inteligentes y las aplicaciones de la Industria 4.0 y vienen equipados con una NPU (unidad de procesamiento neuronal) dedicada que funciona con hasta 2.3 TOPS y hasta cuatro núcleos de procesador Arm Cortex A53.

Figura 3. El diagrama de bloques del i.MX 8M Plus. Imagen cortesía de NXP. Haga clic para ampliar.

Los procesadores de señal de imagen incorporados permiten a los desarrolladores utilizar dos sensores de cámara HD o una sola cámara 4K. Estas características hacen que la familia de dispositivos i.MX 8M Plus sea viable para aplicaciones como reconocimiento facial, detección de objetos y otras tareas de aprendizaje automático. Además de eso, los dispositivos de la familia i.MX 8M Plus vienen con capacidades avanzadas de aceleración de gráficos 2D y 3D, funciones multimedia como soporte de codificación y decodificación de video, incluido H.265) y 8 entradas de micrófono PDM.

Un núcleo Arm Cortex M7 adicional de baja potencia de 800 MHz complementa el paquete. Este núcleo dedicado sirve para aplicaciones industriales en tiempo real que requieren funciones de red sólidas, como compatibilidad con CAN FD y comunicación Gigabit Ethernet con capacidades TSN.

El entorno de herramientas eIQ

Con los nuevos dispositivos surge la necesidad de un ecosistema de desarrollo fácil de usar, eficiente y capaz que permita a los desarrolladores construir sistemas de ML modernos. El completo entorno de desarrollo de software eIQ ML de NXP está diseñado para ayudar a los desarrolladores a crear aplicaciones basadas en ML.

El entorno de herramientas eIQ incluye motores de inferencia, compiladores de redes neuronales y bibliotecas optimizadas para permitir trabajar con algoritmos ML en microcontroladores NXP, MCU cruzados i.MX RT y la familia de SoC i.MX. Los desarrolladores pueden acceder a las tecnologías ML necesarias a través de los SDK de NXP para MCUXpresso IDE y Yocto BSP.

El próximo eIQ Toolkit agrega una GUI accesible; eIQ Portal y flujo de trabajo, que permite a los desarrolladores de todos los niveles de experiencia crear aplicaciones ML.

Figura 4. eIQ Toolkit y eIQ Portal con flujos de trabajo BYOD y BYOM y elección de motores de inferencia eIQ. El eIQ Toolkit ayuda a los desarrolladores de todos los niveles de experiencia cuando trabajan para implementar aplicaciones ML en dispositivos NXP. Imagen cortesía de NXP.

Los desarrolladores pueden optar por seguir un proceso llamado BYOM (traiga su propio modelo), donde los desarrolladores construyen sus modelos entrenados utilizando herramientas basadas en la nube y luego los importan al entorno de software eIQ Toolkit. Luego, todo lo que queda por hacer es seleccionar el motor de inferencia apropiado en eIQ. O el desarrollador puede usar las herramientas basadas en GUI de eIQ Portal o la interfaz de línea de comandos para importar y seleccionar conjuntos de datos y usar el flujo de trabajo BYOD (traiga sus propios datos) para entrenar su modelo dentro del eIQ Toolkit.

Aprendizaje automático en el perímetro para todos

La mayoría de los consumidores de hoy en día están familiarizados con la computación en la nube. Sin embargo, en los últimos años, un nuevo paradigma conocido como informática de borde ha experimentado un aumento en el interés.

Con este paradigma, no todos los datos se cargan en la nube. En cambio, los nodos de borde, ubicados en algún lugar entre el usuario final y la nube, brindan potencia de procesamiento adicional. Este paradigma tiene muchos beneficios, como mayor seguridad y privacidad, menor transferencia de datos a la nube y menor latencia.

Más recientemente, los desarrolladores a menudo mejoran estos nodos de borde con capacidades de aprendizaje automático. Hacerlo ayuda a categorizar los datos recopilados y filtrar los resultados no deseados y la información irrelevante. Agregar ML al borde permite muchas aplicaciones, como la detección de distracciones del conductor, interruptores de luz inteligentes, cerraduras inteligentes, administración de flotas, vigilancia y categorización, y muchas más.

Las aplicaciones de aprendizaje automático tradicionalmente han sido diseñadas exclusivamente por expertos en ciencia de datos con un conocimiento profundo de las aplicaciones de aprendizaje automático y aprendizaje profundo. NXP ofrece una gama de dispositivos económicos pero potentes, como el i.MX RT1170 y el i.MX 8M Plus, y el entorno de desarrollo de software eIQ ML para ayudar a abrir ML a cualquier diseñador. Este hardware y software tiene como objetivo permitir a los desarrolladores crear aplicaciones de aprendizaje automático preparadas para el futuro en cualquier nivel de experiencia, independientemente de cuán pequeño o grande sea el proyecto.

Los artículos de la industria son una forma de contenido que permite a los socios de la industria compartir noticias, mensajes y tecnología útiles con los lectores de All About Circuits de una manera que el contenido editorial no es adecuado. Todos los artículos de la industria están sujetos a estrictas pautas editoriales con la intención de ofrecer a los lectores noticias útiles, experiencia técnica o historias. Los puntos de vista y las opiniones expresados ​​en los artículos de la industria son los del socio y no necesariamente los de All About Circuits o sus redactores.