NXP duplica el aprendizaje automático en el borde

Hay varias cosas por las que el pionero de Internet Robert Metcalfe es conocido:Co-invento de Ethernet en 1970, cofundador del ahora fabricante de productos electrónicos 3Com en 1979 y por diseñar un modelo ampliamente citado para expresar el valor de una red de telecomunicaciones. Conocido como la ley de Metcalfe, el principio sostiene que el valor de una red de telecomunicaciones se puede calcular como el cuadrado del número de dispositivos conectados en red. A pesar de las críticas de que el principio ayudó a impulsar la burbuja de las puntocom a fines de la década de 1990, el principio se sigue utilizando para describir el valor de todo, desde Internet de las cosas hasta las redes sociales y las criptomonedas. En 2006, el propio Metcalfe reconoció que el principio no había sido "evaluado numéricamente", a diferencia de la ley de Moore, que tenía décadas de datos de amplio apoyo. "La Ley de Metcalfe es una cuestión de visión", escribió. “Es aplicable principalmente a redes más pequeñas que se acercan a la 'masa crítica'. Y se deshace numéricamente por la dificultad de cuantificar conceptos como 'conectado' y 'valor'”.

Metcalfe también reconoció que es posible que el valor de una red disminuya después de que alcance cierto umbral. "¿Quién no ha recibido demasiados correos electrónicos o demasiados resultados de una búsqueda de Google?" ha preguntado. "Puede haber deseconomías de escala de la red que eventualmente reduzcan los valores al aumentar el tamaño".

A medida que crece el mercado de Internet de las cosas, el comentario de Metcalfe apunta a la necesidad de generar valor a través del intercambio de datos óptimo mientras se evita ahogarse en el "escape digital".

[ Mundo de IoT es el evento que lleva a IIoT de la inspiración a la implementación, potenciando el negocio y las operaciones. Obtenga su boleto ahora. ]

"Nos enfrentamos a este obstáculo en el que cuantos más dispositivos conectados hay, más datos sin filtrar ingresan a la red", dijo Geoff Lees, vicepresidente senior y gerente general de la división de microcontroladores de NXP. “Nos encontramos con esta idea fundamental de que la potencia, el valor económico de la red es proporcional al cuadrado de la cantidad de dispositivos que hay en la red, es la ley de Metcalfe”, continuó Lees. Pero a menos que todos los dispositivos de una red sean capaces de compartir datos de forma segura, "realmente no obtenemos el valor total de la red". Y aunque la nube es a menudo una ubicación conveniente para el procesamiento de datos, no siempre es factible o posible transmitir IoT a una ubicación remota. "Estamos descubriendo que hay muchas más aplicaciones en la industria y la automoción que en realidad nunca debieron cargar datos en la nube", dijo Markus Levy, director de IA de NXP.

La solución de NXP al problema, que llama entorno de inteligencia de borde (eIQ), es un conjunto de herramientas de aprendizaje automático que puede adaptarse a los estímulos de los sensores de las redes de IoT. eIQ ofrece soporte para TensorFlow Lite y Caffe2, así como otros marcos de redes neuronales y algoritmos de aprendizaje automático. eIQ lleva el concepto de aprendizaje automático al límite y lo aplica a casos de uso dirigidos a la voz, la visión, la detección de anomalías, etc. "Al instalar un modelo de inferencia en el borde, básicamente estamos agregando el conocimiento de la red y el valor de los datos adquiridos de la red", dijo Lees. Para respaldar ese objetivo, NXP se compromete a aumentar progresivamente el rendimiento del procesamiento en el borde con cada generación sucesiva de tecnología de semiconductores, al mismo tiempo que ayuda a adaptarse a la creciente demanda de seguridad, procesamiento de datos y almacenamiento local de los clientes. “En los últimos años, realmente hemos evolucionado de la historia conectada a cómo aumentar la capacidad de procesamiento de bordes”, dijo Lees. "Lo llamamos:'seguro, consciente y conectado'".

Ejemplos de aplicaciones de eIQ serían el uso de visión por computadora para detectar si los trabajadores industriales usan cascos, operan una pieza de maquinaria incorrectamente o están haciendo algo indeseable. Especialmente para las aplicaciones relacionadas con la seguridad, la latencia que resulta del envío de datos a la nube y viceversa no es sostenible.

El plan de NXP para facilitar el aprendizaje automático en el borde podría ayudar a los clientes de NXP a obtener ganancias de eficiencia significativas, dijo Levy. "Creo que es nuestro trabajo como proveedor de semiconductores proporcionar esta capacidad de aprendizaje automático / computación en el borde a nuestros clientes y facilitarles la implementación".

Ese objetivo también se aplica a la ciberseguridad. NXP proporciona elementos de hardware y software diseñados para hacer que la seguridad sea más o menos plug and play. "En el lado del aprendizaje automático, estamos haciendo lo mismo", dijo Levy. “Es posible que proporcionemos un libro de cocina, por ejemplo, que lleve a las personas a través de los pasos de cómo implementar TensorFlow. [Nuestros clientes] esperan que les solucionemos este problema y, básicamente, convierta todo el concepto de aprendizaje automático en una forma de middleware ".

Otra barrera para la adopción del aprendizaje automático es el costo, dijo Gowri Chindalore, estratega líder de soluciones integradas en NXP. “Muchos de nuestros clientes realmente tienen problemas para determinar cuál es el costo del sistema en el que deben incurrir para brindar una determinada experiencia de usuario”, dijo Chindalore. Algunos proveedores pueden recomendar unidades de procesamiento de gráficos de gama alta para admitir aplicaciones de aprendizaje automático. Sin embargo, su alto costo puede convencer a algunos implementadores de que concluyan que el aprendizaje automático está fuera de su alcance.

eIQ brinda la capacidad para que los clientes de NXP ingresen las especificaciones que desean cumplir, como el tiempo de inferencia, para calcular qué tipo de procesador sería adecuado para la aplicación. “Estamos construyendo la opción de menor costo para que su empresa les brinde lo que necesitan”, dijo Chindalore.

La empresa también está trabajando con empresas de análisis de datos para desarrollar no solo módulos que se puedan adaptar a entornos industriales existentes. "Una plataforma petrolera es absolutamente un ejemplo clásico de eso", dijo Chindalore. Las minas son otro ejemplo. "Muchas de las minas necesitan ser monitoreadas en el interior para detectar gases venenosos y para la seguridad de los mineros", agregó. Tales aplicaciones exigen procesamiento de bordes.

La ciberseguridad es otra consideración que lleva el procesamiento al límite, dijo Lees. “Cuanto mayor sea el valor de los datos que se mantienen de forma centralizada en la nube, mayor es la superficie de ataque, mayor es el valor del ataque para todos esos hackers u organizaciones malévolos”, explicó. Esa es la razón por la que NXP defiende los almacenes de datos distribuidos con diversas técnicas y atributos de acceso y autorización. “A medida que lleva eso a la conclusión lógica, comienza a darse cuenta de que la distribución final es mantener tantos datos como sea posible en el borde”, dijo Lees.