Computação de Borda e Internet das Coisas

edgecomputing

Nos dois primeiros textos desta série, que incluíram o Wi-Fi Mesh e a Internet das coisas e RESTful APIs e Movimentação de Dados na Internet das Coisas, analisamos os desafios e as soluções envolvidas com a comunicação entre os dispositivos que compõem a Internet das coisas (IoT). Mesmo com as próximas redes 5G e os recursos oferecidos – incluindo velocidades mais rápidas, foco em mobilidade, escalabilidade e o fato de ser um padrão definido por software que permite atualizações incrementais – o IoT está preparada para inundar estas redes com volumes de dados sem precedentes. Portanto, parte da solução para uma IoT funcional é ser criteriosa em quais dados são transmitidos para a rede. Se os dispositivos puderem executar mais processamento nos dados brutos localmente no nó de extremidade (no próprio hardware local), menos dados brutos deverão ser transmitidos. Esse conceito é conhecido como computação de borda (edge computing) – ou, mais raramente, computação de nevoeiro (fog computing). 

Em sua essência, a computação de borda significa simplesmente processar dados brutos do sensor o mais próximo possível do ponto de extremidade que gerou os dados sem ir para a nuvem para usar a capacidade de computação pesada dos servidores de ponta. Os algoritmos de Inteligência Artificial (AI) compreendem um conjunto de software em evolução – com Aprendizado de Máquina (Machine Learning) e Deep Learning (DL) alimentado por rede neural sendo os principais métodos para obter IA – que possibilitarão muitas das inovações necessárias para o processamento de dados Herculeanos locais. Os sistemas embarcados historicamente têm priorizado baixo custo, baixo consumo de energia e pequeno espaço ocupado sobre a memória e capacidade de processamento que esses algoritmos da próxima geração devem ter para serem eficazes.

Você conhece Field Programmable Gate Array (FPGA)? FPGAs não são novos. Na verdade, eles foram inventados na década de 1980. Os fundadores da Xilinx trouxeram o primeiro FPGA comercialmente viável, o XC2064, para o mercado em 1985.

O que está mudando é que o preço e o desempenho estão chegando a níveis em que são opções atraentes para dispositivos de baixo custo que estão alimentando os terminais da IoT. FPGAs de densidade mais baixa – por exemplo, FPGAs com poucos blocos lógicos configuráveis – são uma opção atraente para IoT por vários motivos:

  • Os FPGAs possibilitam o processamento paralelo. Essa capacidade é ideal para alcançar alto desempenho de uma rede neural.
  • Os FPGAs oferecem flexibilidade, pois são reconfiguráveis. Isso é crucial, pois os algoritmos AI / DL / ML ainda são trabalhos em andamento; assim, eles estão constantemente sendo modificados e melhorados. Ser capaz de atualizar significa que mesmo o hardware em campo pode aproveitar as melhorias futuras.
  • Até mesmo FPGAs de menor densidade empacotam mais e mais blocos de lógica e de Entrada e Saída em pegadas menores e menores. As melhorias também vêm com quedas de custos proporcionais também. Isso é crucial para dispositivos IoT orientados ao consumidor que precisam enfrentar margens de lucro apertadas.
  • A eficiência de energia de FPGAs de baixa densidade é ideal para casos de uso de IoT. Isso é crucial para aplicativos alimentados por bateria e outros de baixa potência. Basta pensar que o mais recente dispositivo Android e iOS em seu bolso tem a capacidade de fazer reconhecimento facial e realidade aumentada (AR) graças a esses algoritmos.
  • Os FPGAs estão obtendo melhores ferramentas de design, facilitando seu uso em sistemas embarcados. Capacitar os engenheiros para melhorar o ciclo de desenvolvimento significa um tempo mais rápido para o mercado. Até mesmo a plataforma Arduino orientada para o fabricante entrou no mercado de FPGAs com o recém lançado MKR Vidor 4000 e uma interface de programação em blocos baseada em nuvem que será lançada em breve.

Deve-se observar que a obtenção de dados de volta aos serviços de nuvem que podem acumular e processar os dados coletivos tem benefícios. Ensinar e melhorar os algoritmos ML e AL requer acesso a grandes quantidades de dados. Dados que o IoT está mais do que feliz em fornecer. Ensinar algoritmos de inteligência artificial requer muita potência de processamento que os servidores ainda fazem melhor. Mas, uma vez que os algoritmos de IA sejam aprimorados e implementados como uma atualização para os pontos de extremidade de IoT, nos dispositivos ou gateways, os dispositivos eletrônicos incorporados se tornarão mais inteligentes, permitindo assim que eles tomem melhores decisões quando expostos a um novo cenário no mundo real. Assim como os humanos aprendem e aprimoram continuamente seus conjuntos de habilidades mentais.

Artigo escrito originalmente por Michael Parks para Mouser Electronics: Edge Computing and the Internet of Things.

Traduzido por Equipe Embarcados.

Licença Creative Commons Esta obra está licenciada com uma Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional.

Receba os melhores conteúdos sobre sistemas eletrônicos embarcados, dicas, tutoriais e promoções.

Internet Das Coisas
,
Comentários:
Notificações
Notificar
guest
1 Comentário
recentes
antigos mais votados
Inline Feedbacks
View all comments
Franklin S.C. Bonfim
19/02/2019 22:20

Artigo muito bom. O crescente uso de visão computacional em projetos de iot é um dos sinais dessa conversão, e a necessidade desse processamento em borda é essencial.

Talvez você goste:

Séries

Menu

EVENTO ONLINE

Simplificando seus projetos de Internet das coisas com o iMCP HT32SX Sigfox

DATA: 18/05 às 15:00h