Machine Learning (ML) é uma tecnologia revolucionária que facilitou aplicações sem precedentes. Ainda assim, em muitos aspectos, a tecnologia é limitada pelo fato de estar frequentemente confinada a data centers e computadores de alto desempenho. A inteligência artificial (IA) é uma parte inerente do ML, e trazê-la para o limite é desafiar essa noção e desbloquear novos casos utilizáveis que eram inatingíveis até agora.
Um desses casos de uso é a conservação da vida selvagem. As organizações que trabalham no espaço de conservação da vida selvagem estão realizando inferência de ML na borda para estudar, rastrear e proteger espécies ameaçadas de extinção. Ferramentas como câmeras de rastreamento e sensores ambientais estão produzindo dados que podem ser acoplados ao ML para informar melhor os esforços de conservação e proteção.
Nesta postagem, examinamos como o Conservation X Labs trabalhou em estreita colaboração com a Edge Impulse, a principal plataforma de desenvolvimento para ML em dispositivos de ponta, para desenvolver soluções em conjunto com o objetivo de trazer a IA de ponta para o campo de conservação da vida selvagem.
Conservation X Labs: aprendizado de máquina para a conservação da vida selvagem
O Conservation X Labs visa desenvolver soluções impulsionadas pela inovação e tecnologia para evitar a sexta extinção em massa. Eles se concentram nos impulsionadores da crise, não nos sintomas, para enfrentar o problema em sua origem.
Para apoiar esses esforços, o Conservation X Labs projetou tecnologias inovadoras de monitoramento e rastreamento, como o Sentinel, para ajudar a prevenir o tráfico de vida selvagem, impedir a propagação de espécies invasoras e contribuir para ecossistemas saudáveis. Um kit de ferramentas de IA baseado no Google Coral, o Sentinel se conecta a dispositivos como câmeras de trilha para fornecer recursos avançados de IA. Por exemplo, com o Sentinel, o Conservation X Labs pode atualizar uma câmera de trilha padrão para uma câmera de rastreamento de movimento capaz de aproveitar o ML para realizar a detecção e classificação automática da vida selvagem para estudos de conservação.
No projeto desses tipos de sistemas, uma das capacidades mais importantes é o monitoramento em tempo real. Com monitoramento em tempo real, uma câmera de trilha pode observar, detectar e capturar imagens ao vivo ou vídeos de animais. A chave para o monitoramento em tempo real bem-sucedido é a computação de baixa latência.
Geralmente, os aplicativos de ML dependem de data centers baseados em nuvem para executar algoritmos de ML com uso intensivo de computação. No entanto, para aplicativos como o Conservation X Labs, a computação em nuvem não é uma solução viável.
Aproveitando a computação de ponta para a conservação da vida selvagem
Uma das principais razões pelas quais a computação em nuvem não é adequada para a aplicação do Conservation X Labs é que os dispositivos de detecção e rastreamento da vida selvagem são frequentemente implantados em locais isolados e remotos. Esses locais podem tornar muito difícil para os dispositivos de monitoramento encontrar acesso à conectividade sem fio de alta largura de banda necessária para atender aos requisitos de computação em nuvem. No campo, em um lugar como a selva, a conectividade celular é praticamente inexistente.
Além disso, as comunicações sem fio podem exigir custos mais altos de energia e segurança. Para que os dispositivos de conservação da vida selvagem façam seu trabalho com mais eficiência, eles precisam da maior duração possível da bateria, pois a substituição da bateria para câmeras implantadas remotamente é uma opção irreal. Portanto, o objetivo geralmente é limitar a quantidade de dados enviados e recebidos pelo sistema.
Todos esses fatores levaram o Conservation X Labs a uma conclusão: as ferramentas implantadas precisam aproveitar a computação de ponta. Ao executar algoritmos na borda, a Conservation X Labs projetou ferramentas de monitoramento da vida selvagem que oferecem desempenho em tempo real sem as despesas gerais de custo e tempo que acompanham a computação em nuvem.
Desafios da computação de ponta
O Conservation X Labs rapidamente encontrou desafios significativos ao projetar dispositivos de IA de ponta para a preservação da vida selvagem.
Um desafio foi a diversidade de modelos necessários para rastrear diferentes tipos de animais, pois cada animal precisa de seu próprio conjunto de dados e treinamento de modelo. O número de recursos de nuvem necessários para treinar continuamente novos modelos era enorme, e o custo financeiro associado era igualmente exorbitante, variando na casa dos milhares — uma quantia insustentável do ponto de vista comercial.
Outro grande desafio foi acompanhar o campo de ML dinâmico e acelerado, particularmente suas tecnologias de ponta atuais, incluindo algoritmos avançados, novas bibliotecas e dependências em evolução. Para executar os esforços de conservação de forma mais eficaz, o Conservation X Labs aplicou as ferramentas mais avançadas possíveis – não é uma tarefa fácil quando o estado da arte muda com frequência. Acompanhar o campo não é apenas difícil, mas também indesejável, pois afasta os desenvolvedores do foco em questões potencialmente mais importantes, como a eficácia da solução.
O papel do impulso de borda
Depois de experimentar muitas outras ferramentas, o Conservation X Labs descobriu o Edge Impulse como uma excelente solução para esses desafios.
A plataforma da Edge Impulse torna o desenvolvimento, a otimização e a implantação de modelos de ML extremamente fáceis e acessíveis. A plataforma permite que os desenvolvedores gerenciem a carga de trabalho em alto nível, abrangendo tudo, desde a preparação e seleção de dados até a seleção, treinamento e implantação de modelo, incluindo binários específicos do dispositivo.
O Edge Impulse automatiza completamente esses processos e usa as bibliotecas e dependências mais atualizadas para garantir que as soluções de ML sejam baseadas na vanguarda. Por sua vez, os desenvolvedores podem reduzir a prioridade dessas tarefas de back-end mais meticulosas.
Resolvendo a Crise de Extinção
Para proteger a biodiversidade e a natureza cruciais para a vida neste planeta, a Conservation X Labs precisava de tecnologias avançadas que melhorassem a velocidade e a escala dos esforços de conservação. Hoje, o ML no limite permitiu casos de uso sem precedentes, abrindo um caminho claro para enfrentar a crise de extinção iminente.
Graças ao Edge Impulse, a Conservation X Labs desenvolveu dispositivos de ponta para monitorar, detectar e, por fim, proteger a vida selvagem ameaçada. O Conservation X Labs acredita que essas tecnologias avançadas podem ajudar a restaurar o equilíbrio do mundo natural e evitar a ocorrência de crises futuras.
Artigo escrito por Sam Kelly e publicado no blog da Mouser Electronics: Solving the Extinction Crisis with Edge AI
Traduzido pela Equipe Embarcados. Visite a página da Mouser Electronics no Embarcados
(*) este post foi patrocinado pela Mouser Electronics.
Fonte imagem de destaque: Amy Corrine Richards, Conservation X Labs
