Machine learning (ML) permite que sistemas eletrônicos aprendam a partir de dados existentes e utilizem seu próprio conhecimento para medir, prever e tomar decisões. Como esse tipo de aplicação normalmente exige alto poder computacional, elas sempre foram executadas em PCs e servidores em nuvem. Graças a técnicas inovadoras, algoritmos e workflows robustos, o machine learning agora pode ser realizado diretamente em dispositivos embarcados.
Benefícios do ML em dispositivos embarcados para a indústria
O ML em dispositivos embarcados possui muitas vantagens. Ele elimina a necessidade de transferir e armazenar dados em servidores em nuvem e reduz perda de dados e vazamentos de privacidade durante a transferência. Também reduz o roubo de propriedade intelectual, informações pessoais e segredos industriais. O uso de hardware embarcado executando modelos baseados em ML também é sustentável, pois possui uma pegada de carbono muito menor.
O progresso contínuo da Indústria 4.0, incluindo sensores e dispositivos inteligentes conectados via IoT, cria novas aplicações para algoritmos de IA/ML. As máquinas são equipadas com componentes de hardware e software para conexão e manipulação de dados. Do ponto de vista da ciência de dados, esse novo modelo extrairá conhecimento de ativos monitorados devido ao uso de ML e métodos automatizados de melhoria. Uma das características mais importantes da IA/ML nesse campo é a previsão eficaz de comportamentos anormais em máquinas industriais, ferramentas industriais e processos. Além disso, a integração de sensores avançados em inteligência artificial, tecnologias computacionais IoT e computação em nuvem inclui robôs industriais, decisões inteligentes, capacidades preditivas e manutenção com comportamento autônomo avançado para melhorar a produção, suporte e cooperação com funcionários e trabalhadores no desempenho de suas funções.
Um estudo recente da Microsoft descobriu que fabricantes americanos que utilizam IA apresentaram desempenho 11,5% superior em comparação com aqueles que não utilizam. A IA ajuda a indústria. Por quê? As aplicações são amplas. E as estatísticas são impressionantes. Segundo a McKinsey, 50% das empresas que investirem em IA nos próximos cinco a sete anos poderão dobrar seu fluxo de caixa [1].
De acordo com uma pesquisa recente da Forbes Insights sobre IA, 44% das montadoras e desenvolvedores de produtos acreditam que a IA será fundamental para a manufatura nos próximos cinco anos, enquanto quase metade (49%) afirmou que ela será essencial para seu sucesso.
Caso de uso de IA
O rápido surgimento de tecnologias baseadas em IA na manutenção preditiva está levando essa área a um novo nível. Na indústria alimentícia e na automação industrial, os sistemas de monitoramento tornaram-se mais “inteligentes” do que nunca em termos das capacidades que conseguem analisar. Softwares de monitoramento alimentados por IA conseguem identificar uma máquina com falha antes que um problema real ou um evento inesperado aconteça. Por exemplo, em fábricas, a combinação de IIoT e treinamento de tecnologia permite que empresas atuem de forma muito eficiente no monitoramento de diversas variáveis, como calor, vibração, luz, som e umidade em diferentes tipos de máquinas.
Essa tecnologia vem sendo incorporada à gestão de ativos em uma variedade de aplicações ao longo dos anos. Dada a evolução tecnológica da sociedade, não é surpreendente que novas tecnologias e aplicações continuem surgindo na gestão de ativos. Tecnologias modernas, incluindo IA e ML, são baseadas em processos e tecnologias já existentes.
Geralmente dividimos a tecnologia de gestão de ativos em três categorias principais:
- Experiência do usuário e interfaces
- Desempenho eficiente
- Atividades de investimento
Em cada uma dessas áreas, a tecnologia ajuda a melhorar eficiência, gerenciamento de riscos e tomada de decisões. Mais importante ainda, todas essas tecnologias contam com profissionais especializados envolvidos no monitoramento dos resultados tecnológicos e na realização de decisões mais informadas.
Reconhecimento de imagem e facial são aplicações clássicas de inteligência artificial e machine learning na produção, onde podem ser utilizados para controlar o acesso de funcionários, monitorar presença e prevenir fraudes e furtos. Em outro exemplo, o Sony Technology Centre no Reino Unido introduziu processamento de imagem como parte de um projeto que utiliza inteligência artificial para monitorar variedade e qualidade dos produtos no chão de fábrica. Mais de 150 Raspberry Pi SBCs de alta qualidade e câmeras Raspberry Pi foram utilizados para avaliar processos como a montagem de componentes em diferentes placas de circuito, garantindo compatibilidade.
O Ambiente de Machine Learning Embarcado
Aplicações industriais e de Internet das Coisas (IoT) atualmente são frequentemente baseadas em Single Board Computers (SBCs), com cerca de 50% dos engenheiros pesquisados pela Farnell [2] utilizando essas placas de desenvolvimento em seus projetos. Aplicações de machine learning, embarcadas em diversos hardwares embarcados e SBCs, são baseadas em ferramentas e técnicas que permitem o desenvolvimento e implementação de modelos de ML em dispositivos com recursos limitados. Portanto, o sistema de machine learning embarcado é composto por fornecedores de hardware, especialmente fabricantes originais (OEMs), nos quais os modelos de ML são implantados e implementados. Além disso, ele expande o ecossistema global de machine learning para incluir ferramentas e tecnologias voltadas ao desenvolvimento, implantação e implementação de aplicações de ML em dispositivos embarcados, incluindo dispositivos IoT. Neste último caso, as aplicações de ML são corretamente chamadas de dispositivos AIoT (IoT com IA).
Atualmente existe um conjunto abrangente de hardware embarcado capaz de implementar programas de machine learning e deep learning. Muitos dispositivos são baratos e podem ser utilizados de forma flexível em diversas aplicações IoT, sendo alguns excelentes para fins educacionais. Por exemplo, desenvolvedores IoT familiarizados com o ecossistema Arduino podem hoje utilizar a placa Arduino Nano 33 BLE Sense, baseada em um SoC da Nordic Semiconductor, para desenvolver aplicações TinyML. A placa possui diversos sensores integrados, incluindo sensor de umidade, sensor de temperatura, sensor de pressão atmosférica e microfone, além de sensores de movimento, proximidade, cor e intensidade luminosa. Dessa forma, ela é versátil e adequada para uma ampla variedade de aplicações. Outro exemplo é a Edge Development Board da SparkFun, que suporta programas avançados de aprendizado profundo, como transcrição de voz e detecção de movimento. A placa é baseada no microcontrolador Apollo3 Blue da Ambiq Micro executando TensorFlow Lite [3], um dos ambientes mais populares para aplicações de deep learning em dispositivos embarcados. Recentemente, a Thunderboard Sense 2, uma plataforma de desenvolvimento embarcado para produtos IoT, também foi atualizada com funções integradas de machine learning. A colaboração entre SiLabs e Edge Impulse possibilita suporte ao desenvolvimento de aplicações de machine learning em diversos microcontroladores (MCUs), especialmente MCUs compatíveis com comunicação EFR32/EFM32 [4]. Dessa forma, diferentes funções empresariais podem ser desenvolvidas para variadas aplicações, como monitoramento de máquinas e análise de eventos de áudio.
O desenvolvimento de modelos de machine learning depende de bibliotecas e ferramentas populares de ciência de dados, como bibliotecas Python de Machine Learning, por exemplo Scikit-Learn e Keras sobre TensorFlow, além de ferramentas relevantes como Jupyter Notebooks projetados para cientistas de dados e pesquisadores. No entanto, o ecossistema de machine learning embarcado também inclui bibliotecas especialmente projetadas para suportar inferências em dispositivos com poder computacional limitado. Esse é o caso, por exemplo, do TensorFlow Lite, que suporta inferência no dispositivo. Além disso, também existem bibliotecas voltadas para TinyML [5], permitindo a implantação de modelos em dispositivos com apenas alguns poucos kilobytes de memória, como microcontroladores. Por exemplo, o núcleo TensorFlow Lite Micro pode ocupar apenas 16 KB em um Arm Cortex-M3 e executar diversos modelos de machine learning e deep learning.
A Microsoft é líder da indústria na implementação da sua plataforma IoT Azure Sphere, que também fornece o sistema operacional Linux kernel para microcontroladores embarcados (MCUs) utilizados em terminais IoT. Um uso comum inclui um programa piloto da Starbucks utilizando MCUs integrados ao Azure Sphere para coletar telemetria de máquinas de café em suas lojas. A empresa espera que os dados coletados ajudem a identificar possíveis problemas antes da necessidade de reparos nas máquinas de café e outros dispositivos utilizados no negócio. Os MCUs Azure são baratos, oferecem diversas opções de conectividade, incluindo celular e Ethernet, e podem ser suportados por diferentes placas de desenvolvimento e kits de inicialização.
SBCs para IA
A Farnell possui uma ampla linha de SBCs para suportar aplicações de IA embarcada. Isso inclui o SBC mais famoso, o Raspberry Pi 4 Model B, disponível com memória DDR4 RAM de até 8 GB.
O Arduino Portenta é um SBC poderoso. Kernels assimétricos podem executar códigos de alto nível, como protocol stacks, ML ou até linguagens interpretadas como MicroPython ou JavaScript ao mesmo tempo.
Conclusão
No futuro próximo, a convergência entre inteligência artificial e sistemas embarcados levará a enormes avanços em reconhecimento de imagem e vídeo. Os avanços na tecnologia embarcada estão nos ajudando a construir dispositivos de imagem com maior poder de processamento e footprints menores. Ao mesmo tempo, a IA oferece algoritmos extremamente necessários para reconhecimento de imagem e vídeo em tempo real. A implementação desses dispositivos inteligentes de imagem para segurança pública é benéfica porque permite detectar comportamentos potencialmente perigosos. Esses sistemas também são utilizados para melhorar o gerenciamento de estoque em fábricas, controlar sistemas de transporte e desenvolver automação industrial.
Contato da Newark no Brasil
Para mais informações e adquirir componentes contate a LATeRe , representante da Newark, pelo Telefone (11) 4066-9400 ou e-mail: vendas@laterebr.com.br
* Texto originalmente publicado em: link
Referências
[3] https://www.tensorflow.org/lite/tutorials
[4] https://www.silabs.com/support/training/efm32-series-0-getting-started/serial-communication
