Impacto na Borda

borda

O impacto de mover a Inteligência Artificial para a borda

No texto anterior postado aqui no Embarcados (Mais próximo da borda da rede), exploramos alguns argumentos fortes para trazer a Inteligência Artificial (IA) para a borda da rede. Nesse texto, discutimos quais aplicações de IA beneficiam essa abordagem. Como ponto de partida, revisaremos os motivos para implementação de IA na borda da rede oferece algumas dicas importantes. Verifique se algum dos seguintes fatores se aplica ao projeto:

  • O dispositivo não tem acesso a uma conexão de rede rápida e estável
  • O produto opera em um ambiente restrito
  • O projeto requer o uso de Inteligência Artificial em tempo real
  • Orçamento limitado

Dados esses fatores, quais projetos com Inteligência Artificial específicos podem ser simplificados com a execução de modelos de aprendizado de máquina (Machine Learning – ML) na borda? Neste texto, examinaremos os benefícios de desenvolver modelos de Inteligência Artificial e Aprendizado de Máquina, como assistentes virtuais, reconhecimento facial e aplicativos de monitoramento em tempo real para operação mais próximos da borda.

Assistentes Virtuais

Como sempre, a Apple estabeleceu uma tendência com o lançamento da Siri em 2010. Isso abriu o caminho para muitos outros assistentes virtuais, principalmente o Alexa da Amazon e o Google Assistant. Assistentes virtuais transformam o controle de voz no estilo da ficção científica em realidade e funcionam da seguinte maneira:

  1. Comece dizendo uma palavra de ativação ou iniciando o assistente. Para dispositivos independentes, como o Amazon Echo, o dispositivo escuta continuamente a palavra de ativação e a processa localmente, usando correspondência de padrão de fala simples. É por isso que Alexa só reconhece certas palavras de ativação.
  2. O dispositivo agora se conecta a um servidor baseado em nuvem e envia a gravação do que ouviu.
  3. O servidor em nuvem executa uma Modelo de Aprendizado de Máquina de voz para texto para converter a fala gravada em um bloco de texto de linguagem natural.
  4. O texto é analisado usando processamento de linguagem natural para extrair o significado.
  5. O servidor analisa o que foi solicitado e envia os comandos ou conteúdos apropriados de volta ao dispositivo.

É fácil ver como mover os modelos de Aprendizado de Máquina para o limite da borda melhora a experiência: o assistente de voz seria mais responsivo, não precisaria de uma conexão com a Internet e o controle de voz poderia ser incorporado. A aplicação solicitada pode exigir uma conexão de rede, como por exemplo, serviços de streaming de música.

Reconhecimento Facial

O reconhecimento facial é uma das aplicações que crescem mais rápido dentro da abordagem de Inteligência Artificial. A tecnologia ainda está evoluindo e apresenta alguns problemas ao longo de seu desenvolvimento. Em 2016, o Amazon Rekognition estava dentro de várias polêmicas e acusações de racismo. O sistema identificou incorretamente 28 membros do Congresso dos EUA de minorias étnicas como criminosos conhecidos após serem treinados em um conjunto de 25.000 imagens.

Em 2019, durante o primeiro teste de tecnologia de reconhecimento facial pela Polícia Metropolitana, a maior força policial do Reino Unido, mostrou que a tecnologia era imprecisa 81 por cento das vezes. No entanto, os sistemas de reconhecimento facial mais recentes estão se tornando muito mais precisos. No início deste ano, a Polícia Metropolitana anunciou que estava adotando a tecnologia para procurar suspeitos em grandes eventos.

Muitos casos de uso que exigem reconhecimento facial precisam da tecnologia para funcionar quase em tempo real. Como resultado, as aplicações dependem da utilização dos modelos de Aprendizado de Máquina em dispositivos na borda da rede. O sistema adotado pela Polícia Metropolitana é baseado no NEC NeoFace ® Watch, que é totalmente autônomo e funciona em tempo real. A NEC direciona sua tecnologia para vários outros mercados, incluindo varejo, eventos corporativos, festivais e outros megaeventos e transporte.

Monitoramento em Tempo Real

A indústria pesada e a mineração dependem de maquinários extremamente grandes e caros. As empresas podem perder milhões se essas máquinas sofrerem uma pane não planejada. Por exemplo, muitas operações de mineração dependem de enormes bombas de alta potência que mantêm o trabalho livre de água e bombeiam a lama extraída para a planta de processamento. Toda a operação é interrompida se uma dessas bombas sofrer uma falha catastrófica. Como resultado, as empresas de mineração investem recursos significativos em sistemas de Inteligência Artificial projetados para prever possíveis falhas antes que elas aconteçam.

Atualmente, esses sistemas costumam ser baseados em sensores conectados a Internet das Coisas (IoT), anexados ao equipamento. Esses dados são então processados ​​em um local central e qualquer aviso necessário é enviado de volta ao operador apropriado. No entanto, minas e locais de construção podem ter dezenas de quilômetros de diâmetro, geralmente em terreno hostil, portanto, integrar o modelo de Aprendizado de Máquina diretamente ao dispositivo na borda simplificaria todo o processo.

O que é necessário para rodar modelos de Inteligência Artificial e Aprendizado de Máquina na Borda?

Mover a Inteligência Artificial para a borda da rede demanda três requisitos:

  • Hardware adequado
  • Novas ferramentas
  • Um novo paradigma para a criação de modelos de Aprendizado de Máquina

Vejamos cada um desses requisitos a seguir.

Hardware Otimizado

Conforme já discutido, os modelos de Aprendizado de Máquina geralmente dependem de um grande número de operações paralelas. Indo direto ao ponto, eles precisam de poder de computação bruto. No entanto, sempre há uma compensação entre a capacidade de computação e a potência real consumida pelo dispositivo. Para que os modelos de Aprendizagem de Máquina cheguem ao limite, são necessários dispositivos que consomem o mínimo de energia possível. Isso é ainda mais verdadeiro quando o dispositivo precisa ser incorporado. Felizmente, uma ampla gama de microcontroladores de alto desempenho e baixo consumo de energia agora estão disponíveis.

Ferramentas adequadas para software

Também são necessários um conjunto de ferramentas adequadas para executar modelos de Aprendizagem de Máquina em microcontroladores. A grande maioria das estruturas de Aprendizado de Máquina são projetadas para rodar em CPUs da família Intel de 64 bits ou unidades de processamento gráfico (GPUs). Em contraste, todos os microcontroladores adequados para esse fim têm uma arquitetura de conjunto de instruções reduzido de 32 bits, como os microcontroladores da série ARM® Cortex®. No entanto, as estruturas de Aprendizado de Máquina, como TensorFlow Lite, permitem que o Aprendizado de Máquina seja executado nesses microcontroladores.

Modele uma vez, rode em todos os lugares

A peça final do quebra-cabeça é um paradigma diferente para criar e executar modelos de Aprendizado de Máquina. Isso pode ser resumido com a frase “Modele uma vez, execute em qualquer lugar”. Essencialmente, isso significa exatamente o que sugere: crie seu modelo, normalmente usando uma máquina otimizada para Aprendizado de Máquina de alta potência e, em seguida, use seu conjunto de ferramentas para convertê-lo em código que pode ser executado em qualquer microcontrolador. Infelizmente, isso elimina a capacidade de se beneficiar do aprendizado contínuo (continual learning) ou do aprendizado por reforço (reinforcement learning).

Prós e Contras de utilizar Aprendizado de Máquina na Borda

A tabela a seguir ilustra algumas das compensações feitas quando os modelos de Aprendizado de Máquina são executados na borda (Tabela 1). Felizmente, a tabela oferece algumas dicas que ajudarão a decidir se você deve mover seu próximo projeto de Inteligência Artificial para a borda.

Table 1: Prós e Contras de utilizar Modelos de Aprendizagem de Máquina na Borda

CaracterísticaNo data center (processamento na nuvem ou computador central)Na Borda
Operação emTempo RealNãoSim
Aprendizado contínuoSimNão
EmbarcávelNãoSim
Precisa de rede?SimNão
Reinforcement learningSimNão
Diversas opções de ModeloSimNão

Conclusão

Trazer os modelos de Aprendizado de Máquina para a borda permite novos casos de uso e aplicações para Inteligência Artificial, que promete trazer uma revolução de Inteligência Artificial embarcada. Os desenvolvimentos no hardware com microcontroladores e nas ferramentas necessárias para executar os modelos de Aprendizado de Máquina nesses microcontroladores fornecem a base para a expansão dessa tecnologia.

Para saber mais sobre microcontroladores com capacidade de utilizar Inteligência Artificial, consulte o artigo do Blog da Mouser sobre TensorFlow Lite.

Para artigos como esse, acesse o link.

Artigo escrito originalmente por Mark Patrick para Mouser Electronics: Impact at the Edge

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.

[wpseo_breadcrumb]
Comentários:
Notificações
Notificar
guest
0 Comentários
Inline Feedbacks
View all comments
Talvez você goste:

Séries

Menu
Privacy Settings saved!
Configurações de Privacidade

Entenda quais dados e informações usamos para ter melhor entrega de conteúdo personalizado para você.

These cookies are necessary for the website to function and cannot be switched off in our systems.

Para usar este site, usamos os seguintes cookies tecnicamente exigidos

  • wordpress_test_cookie
  • wordpress_logged_in_
  • wordpress_sec

Decline all Services
Accept all Services