FAVORITAR
FecharPlease login

Desmistificando IA e ML com dispositivos embarcados

O aprendizado de máquina (ML) permite que os sistemas eletrônicos aprendam com os dados existentes e usem seu próprio conhecimento para medir, prever e tomar decisões. Como esses tipos de aplicativos normalmente exigem alto poder computacional, eles sempre são executados em PCs e servidores em nuvem. Graças a técnicas inovadoras, algoritmos e fluxos de trabalho robustos, o aprendizado de máquina agora pode ser realizado diretamente em dispositivos embarcados.

Benefícios do ML em dispositivos embarcados para indústrias

O ML em dispositivos embarcados tem muitas vantagens. Ele elimina a necessidade de transferir e armazenar dados em servidores em nuvem e reduz a perda de dados e vazamentos de privacidade durante a transferência de dados. Também reduz o roubo de propriedade intelectual, informações pessoais e segredos comerciais. O uso de hardware embarcado executado em modelos baseados em ML também é sustentável, pois tem uma pegada de carbono muito menor.

O progresso contínuo na indústria 4.0, incluindo sensores e dispositivos inteligentes conectados via IoT, cria novas aplicações para algoritmos AI/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 irá extrair conhecimento dos ativos monitorados devido ao uso de ML e métodos de melhoria automatizada. Uma das características mais importantes de AI/ML neste campo é uma previsão eficaz de comportamento anormal 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, habilidades preditivas e manutenção com seu comportamento autônomo avançado na melhoria da produção, ajuda e cooperação com funcionários e trabalhadores na realização fora de seus deveres.

Um estudo recente da Microsoft descobriu que os fabricantes americanos que usam IA tiveram um desempenho 11,5% melhor do que aqueles que não o fizeram. A IA ajuda a indústria. Porque? As aplicações são amplas. E as estatísticas são fascinantes. De acordo com a McKinsey, 50% das empresas que investem em IA nos próximos cinco a sete anos poderão dobrar seu fluxo de caixa [1].

No dia 25 de Junho de 2024, ocorrerá o “Seminário de Sistemas Embarcados e IoT 2024“, no Holiday Inn Anhembi — Parque Anhembi, São Paulo–SP.

Garanta seu ingresso

De acordo com uma pesquisa recente da Forbes Insights for AI, 44% dos desenvolvedores de automóveis e produtos acreditam que a IA será a chave para a fabricação nos próximos cinco anos, enquanto quase metade (49%) disse que seria essencial para seu sucesso.

Caso de uso de IA

O rápido surgimento de tecnologias baseadas em IA na manutenção preditiva leva a um novo nível. Na indústria de alimentos e automação industrial, as classificações de vigilância ficaram “mais inteligentes” do que nunca em termos dos recursos que podem examinar. O software de monitoramento alimentado por IA pode identificar uma máquina com defeito antes que ocorra um problema real ou um evento imprevisto. Por exemplo, na fábrica, a combinação de IIoT e treinamento em tecnologia permite que as empresas trabalhem muito bem no campo de várias mudanças, como calor, vibração, luz, som e umidade de vários tipos de máquinas.

A tecnologia foi incorporada ao gerenciamento de ativos para uma variedade de aplicações ao longo dos anos. Dada a evolução da tecnologia na comunidade, não é de estranhar que novas tecnologias e aplicações continuem a aparecer na gestão de ativos. As tecnologias modernas, incluindo IA e ML, são baseadas em processos e tecnologias existentes.

Geralmente, dividimos a tecnologia de gerenciamento 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 a eficiência, o gerenciamento de riscos e a tomada de decisões. Mais importante ainda, todas essas tecnologias têm indivíduos e profissionais dedicados envolvidos no monitoramento dos resultados das tecnologias e na tomada de decisões mais informadas.

O reconhecimento de imagem e rosto são aplicações clássicas para inteligência artificial e aprendizado de máquina na produção, onde podem ser usados para proteger o acesso de funcionários, rastrear atendimento e prevenir fraudes e roubos. Em outro exemplo, o Sony Technology Center, no Reino Unido, introduziu o processamento de imagem como parte de um projeto que usa inteligência artificial para monitorar a variedade e a qualidade do produto no chão de fábrica. Mais de 150 câmeras Raspberry Pi SBC e Raspberry Pi de alta qualidade foram usadas para avaliar processos como a montagem de componentes em placas de circuito separadas para garantir a compatibilidade.

O ambiente de aprendizado de máquina embarcado

Os aplicativos industriais e de Internet das Coisas (IoT) agora são frequentemente baseados em computadores de placa única (SBCs), com cerca de 50% dos engenheiros entrevistados pela Farnell [2] usando essas placas de desenvolvimento em seus projetos. Os aplicativos de aprendizado de máquina, embarcados em uma variedade de hardware e SBCs embarcados, são baseados em ferramentas e técnicas que permitem o desenvolvimento e a implementação de modelos de ML em nós com recursos limitados. Portanto, o sistema de aprendizado de máquina embarcado compreende fornecedores de hardware, especialmente fabricantes de equipamentos originais (OEMs), onde os modelos de ML são implantados e implementados. Além disso, expande o ecossistema global de aprendizado de máquina para incluir ferramentas e tecnologias para desenvolver, implantar e implementar aplicativos de ML em dispositivos embarcados, incluindo dispositivos IoT. No último caso, os aplicativos de ML são chamados de dispositivos AIoT (IoT).

Agora existe um conjunto abrangente de hardware embarcado que pode implementar programas de aprendizado de máquina e deep learning. Muitos dispositivos são baratos e podem ser usados de forma flexível em vários aplicativos IoT, alguns são ótimos para fins educacionais. Por exemplo, os desenvolvedores de IoT familiarizados com o ecossistema Arduino hoje podem usar a placa Arduino Nano 33 BLE Sense baseada no SoC da Nordic Semiconductor para desenvolver aplicativos TinyML. A placa possui vários sensores embutidos, incluindo sensor de umidade, sensor de temperatura, sensor de pressão de ar e microfone, além de sensores de movimento, sensores de proximidade, cor da luz e intensidade da luz. Como tal, é versátil e adequado para uma ampla variedade de usos. Outro exemplo é o SparkFuns Edge Development Board, que oferece suporte a programas de aprendizado aprofundados, como transcrição de voz e detecção de movimento. A placa é baseada no microcontrolador Apollo3 Blue da Ambiq Micros executando o TensorFlow Lite [3], um dos ambientes mais populares para aplicações de deep learning em dispositivos embarcados. Recentemente, o Thunderboard Sense 2, uma plataforma de desenvolvimento integrada para o desenvolvimento de produtos IoT, também foi atualizado com funções integradas de aprendizado de máquina. A colaboração entre SiLabs e Edge Impulse possibilita o suporte ao desenvolvimento de aplicações de aprendizado de máquina em vários microcontroladores (MCUs), especialmente MCUs que suportam comunicação EFR32/EFM32 [4]. Dessa forma, diversas funções de negócios podem ser desenvolvidas para diferentes aplicações, como monitoramento de máquinas e análise de eventos de áudio.

O desenvolvimento de modelos de aprendizado de máquina depende de bibliotecas e ferramentas populares de ciência de dados, como bibliotecas Python Machine Learning, exemplos como Scikit-Learn e Keras sobre Tensorflow, bem como ferramentas relevantes, como notebooks Jupyter projetados para cientistas e pesquisadores de dados. No entanto, o ecossistema de aprendizado de máquina integrado também inclui bibliotecas especialmente projetadas para oferecer suporte a inferências em dispositivos com capacidade de computação limitada. É o caso, por exemplo, do TensorFlow Lite, que suporta inferência no dispositivo. Além disso, existem também bibliotecas orientadas ao TinyML [5], que permitem a implementação de modelos em dispositivos com pouquíssimos kilobytes de memória, como microcontroladores. Por exemplo, o núcleo TensorFlow Lite Micro pode conter 16 KB em um Arm Cortex-M3 e pode executar vários modelos de aprendizado de máquina e deep learning.

A Microsoft é líder do setor no lançamento de sua plataforma Azure Sphere IoT, que também fornece o sistema operacional de kernel Linux para microcontroladores embarcados(MCUs) usados em terminais IoT. Os usos comuns incluem um programa piloto da Starbucks de MCUs integrados para 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 de consertar máquinas de café e outros dispositivos no negócio. Os MCUs do Azure são baratos, oferecem uma variedade de opções de conectividade, incluindo celular e Ethernet, e podem ser suportados por uma variedade de placas de desenvolvimento e kits de inicialização.

SBCs para IA

A Farnell possui uma ampla variedade de SBC para oferecer suporte a aplicativos de IA embarcados. Isso inclui o SBC mais famoso, o Raspberry Pi 4 modelo B que está disponível com DDR4RAM até 8 GB.

O Arduino Portenta é um poderoso SBC. Os kernels assimétricos podem executar código de alto nível, como pilhas de protocolo, ML ou até mesmo linguagens interpretadas como MicroPython ou Javascript ao mesmo tempo.

Conclusão

Num futuro próximo, a convergência de inteligência artificial e sistemas embarcados levará a enormes avanços no reconhecimento de imagem e vídeo. Os avanços na tecnologia embarcada estão nos ajudando a construir dispositivos de imagem com maior poder de processamento e pegadas menores. Ao mesmo tempo, a IA oferece algoritmos muito necessários para reconhecimento de imagem e vídeo em tempo real. A implementação desses dispositivos inteligentes de imagem de segurança pública é benéfica porque detecta comportamentos potencialmente perigosos. Esses sistemas também são usados para melhorar o gerenciamento de estoque em fábricas, controlar sistemas de transporte e desenvolver a automação industrial.

Referências

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: [email protected] 

* Texto originalmente publicado em: link, adaptado pela Equipe Embarcados

Licença Creative Commons Esta obra está licenciada com uma Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional.
Comentários:
Notificações
Notificar
0 Comentários
Inline Feedbacks
View all comments
Home » Software » Desmistificando IA e ML com dispositivos embarcados

EM DESTAQUE

WEBINARS

LEIA TAMBÉM

JUNTE-SE HOJE À COMUNIDADE EMBARCADOS

Talvez você goste:


Seminário de
Sistemas Embarcados e IoT 2024
 
Data: 25/06 | Local: Hotel Holiday Inn Anhembi, São Paulo-SP
 
GARANTA SEU INGRESSO

 
close-link