Die eingebetteten KI-Systeme, die Trends in Zeitreihendaten erkennen können

Von George Dickey

Technologische Innovationen kommen oft in Wellen, die das menschliche Leben innerhalb weniger Jahrzehnte verändern: Elektrizität, Computer, das Internet. Die jüngste Welle ist die künstliche Intelligenz (AI). Seit ihrer Entstehung war AI vorwiegend auf große Rechenplattformen beschränkt. Die Konvergenz von fortschrittlicher Prozessor-Technologie und hocheffizienten AI-Netzwerken hat jedoch bahnbrechende Innovationen hervorgebracht, die es ermöglichen, dass AI innerhalb eingebetteter Systeme läuft. Diese Systeme sind häufig mit spezialisierten Prozessoren, die speziell für AI entwickelt wurden, und mit maschinelles Lernen-fähigen Sensoren ausgestattet, die noch nie dagewesene Fähigkeiten am „Edge“ ermöglichen.

Diese Fähigkeiten ermöglichen neue Stufen der vorausschauenden Wartung. Eingebettete KI-Beschleunigung kann Probleme erkennen, bevor sie auftreten, ohne jegliche menschliche Beteiligung. Dieser Artikel betrachtet mehrere neue Prozessortechnologien, die KI-Algorithmen am Edge ermöglichen.

Eingebettete KI-Systeme

KI-fähige Mikrocontroller und MEMS-Sensoren stehen an der Spitze der KI-Revolution in der prädiktiven Wartung. Diese Geräte zeichnen sich durch ihre kompakte Größe, ihren niedrigen Energieverbrauch und ihre Fähigkeit aus, spezifische mathematische Funktionen im Zusammenhang mit KI zu beschleunigen. Traditionelle eingebettete Prozessoren, in Kombination mit KI-Kernen und/oder Sensormodulen, ermöglichen es Geräten, Echtzeitdaten aus der realen Welt zu analysieren und darauf zu reagieren. Es gibt mehrere Möglichkeiten, wie eingebettete KI in Anwendungen mit zeitreihenbasierten Daten implementiert wird. Aber zuerst…

Was ist KI für Zeitreihendaten?

Zeitreihendaten beziehen sich auf eine Abfolge von Datenpunkten, die in gleichmäßig zeitlich abgestimmten Intervallen gesammelt, aufgezeichnet oder gemessen wurden. Zeitreihendatenpunkte ermöglichen es Analysten zu verstehen, wie sich Daten im Laufe der Zeit entwickeln oder verändern.
 
Die Analyse von Zeitreihendaten umfasst das Verstehen von Mustern, Trends, Anomalien und Verhalten innerhalb der Daten. KI kann verwendet werden, um Beobachtungen oder Vorhersagen über zukünftige Werte zu treffen und Einblicke aus den Daten zu gewinnen, die die Entscheidungsfindung informieren. Diese Art der Analyse kann mit KI-Netzwerken durchgeführt werden, was das Verständnis und die Auswahl der Verarbeitungshardware erfordert.
 
In Anwendungen wie vorausschauender Wartung, Erkennung von Umweltanomalien, IoT-Geräten, mehrachsiger Bewegung und mehr können Zeitreihendaten verwendet werden, um Muster, Trends und Verhaltensweisen innerhalb der Daten zu verstehen. Mit KI-Algorithmen wie Convolutional Neural Networks, Recurrent Neural Networks, Long Short-Term Memory Networks und Gated Recurrent Units können Zeitreihendaten verwendet werden, um gewünschte oder anomale Ergebnisse zu erkennen. Während die Ausführung dieser maschinellen Lernalgorithmen auf generischer Hardware erfolgen kann, verringert die Verwendung von Prozessoren und/oder Sensoren mit KI-Kernen die Latenz und steigert die Effizienz.
 
Mehrere gängige Prozessorkerntechnologien, einschließlich Cortex-M-Cores, NPUs, GPUs und eingebetteten AI-Sensorbaugruppen, können zur Analyse von KI-Zeitreihendaten verwendet werden. Die Verbindung dieser neuen Prozessortechnologien mit dedizierten KI-Algorithmen treibt Innovationen in eingebetteten Systemen und Edge Computing voran. Von Anwendungen im Gesundheitswesen, Automobilbereich, in der Fertigung, Landwirtschaft und darüber hinaus ebnen eingebettete KI-Prozessoren den Weg für intelligentere, autonomere Geräte, die Echtweltdaten mit beispielloser Geschwindigkeit, Präzision und Effizienz analysieren können.

Maschinenlern-fähige Mikrocontroller

Die Cortex-M-Serie von Mikrocontrollern (MCU), die von M0 bis M85 reicht, dient oft als Rückgrat für die Verarbeitung eingebetteter Systeme in einer Vielzahl von Anwendungen, unabhängig davon, ob KI ausgeführt wird oder nicht. Da diese Kerne jedoch für energieeffiziente, echtzeitnahe Datenverarbeitung ausgelegt sind, eignen sie sich ideal für eingebettete KI-Hardwarelösungen.
 
Zum Beispiel sind STMicroelectronics STM32L5 und NXP’s MCX-A , die den 32-Bit Arm Cortex-M33 verwenden, beide geeignete MCUs für den Einsatz in eingebetteten Systemen, die einfache KI-Netzwerke nutzen. Während diese traditionellen Cortex-M-Kerne beim Umgang mit Sensordaten und einfacher KI-Verarbeitung hervorragend abschneiden, werfen wir für komplexere maschinelle Lernaufgaben einen Blick auf Mikrocontroller, die zusätzliche Kerne integrieren, um maschinelles Lernen weiter zu ermöglichen.

Grafikprozessoren (GPUs)

Obwohl hauptsächlich zur Verbesserung der 2D- (und manchmal 3D-) Grafikleistung gedacht, werden GPUs zunehmend zusammen mit Cortex-M MCUs für eingebettete AI-Anwendungen eingesetzt. Diese Parallelverarbeitungseinheiten können für Deep-Learning-Algorithmen wie Convolutional Neural Networks (CNNs) für Aufgaben wie Bilderkennung und Objekterkennung genutzt werden. Zum Beispiel verfügt der STM32U5 über einen Cortex-M33 und einen NeoChrome GPU, was ihn für HMI-Anwendungen oder eingebettete AI-Lösungen in industriellen, intelligenten Stadt-, intelligenten Zuhause- und IoT-Anwendungen geeignet macht.

Neuralverarbeitungseinheiten (NPUs)

Neural Processing Units (NPUs) sind hochspezialisierte Kerne, die darauf optimiert sind, Berechnungen von neuronalen Netzwerken zu beschleunigen, was es dem Programm ermöglicht, funktional zu lernen und sich selbst umzuprogrammieren. Diese Kerne, die oft zusammen mit Cortex-M-Prozessoren implementiert werden, sind in der Lage, komplexere neuronale Netzwerkalgorithmen auszuführen, als es die standardmäßigen Cortex-M-Kerne isoliert vermögen.
 
Zum Beispiel kombiniert NXP’s MCX-N einen Arm Cortex-M33 und eine kundenspezifische eIQ Neural Processing Unit. Alif Semiconductor’s Ensemble Familie sind mikrocontroller, die für Industrieanwendungen bereit sind und einen Arm Cortex-M55 CPU mit einer dedizierten Edge AI-Beschleunigung kombinieren, die durch eine ARM Ethos-U55 Neural Processing Unit ermöglicht wird. Die Familie ist verfügbar mit einem einzelnen Cortex-M55 oder dualen Cortex-M55, einem oder dualen Ethos-U55 und optional einem oder zwei Cortex-A32 MPU-Kernen.
 
Indem KI-Aufgaben an NPUs ausgelagert werden, können eingebettete Systeme in Echtzeit neuronale Netzwerkinferenzen erreichen, während Energie, Größe und Ressourcen eingespart werden.

Sensoren mit eingebetteten AI-Kernen

Wie besprochen, nutzen eingebettete KI-Anwendungen oft ein standardmäßiges MCU für die rechnerseitige Datenverarbeitung. Neue Sensortechnologien verlagern jedoch die KI-Verarbeitung vom MCU weg und platzieren eingebettete KI-Verarbeitungskerne innerhalb des Sensors selbst, die als Machine Learning-Kerne (MLC) und intelligente Sensorverarbeitungseinheiten (ISPUs) bezeichnet werden.
 
Sensoren mit einem eingebetteten Machine Learning-Kern (MLC) können so trainiert werden, Aktionen auszulösen, wenn ein spezifisches Ereignis erkannt wird, wodurch sie in der Lage sind, präzise Änderungs-Szenarien zu erkennen. Dabei kann die rechnerische Last auf dem MCU reduziert werden, was eine stromsparende Architektur ermöglicht und die Systemeffizienz verbessert. Zum Beispiel ist LSM6DSV16BXTR ein IMU mit einem 3-Achsen-Beschleunigungssensor und einem 3-Achsen-Gyroskop, das über einen MLC verfügt, um KI-Funktionen zu ermöglichen.
 
Alternativ können Sensoren über intelligente Sensorverarbeitungseinheiten (ISPU) verfügen, die integrierte Digitalsignalprozessoren sind, die auf hohe Verarbeitungskapazitäten ausgelegt sind, um maschinelles Lernen und neuronale Netzwerkverarbeitung innerhalb der ISPU zu unterstützen. Diese Kernarchitektur ermöglicht die KI-unterstützte Verarbeitung von internen und externen Sensoren, ohne dass ein externes MCU die schwerere Berechnung bewältigen muss. Dies wird für automatische Kalibrierung, Sensorfusion und Anomalieerkennung über eine Vielzahl von Sensoreingaben verwendet, ohne dass ein externes MCU erforderlich ist. Stattdessen können kleinere MCUs für allgemeine Mikrokontroller-Lasten verwendet werden.

Fazit

Die Anwendung von KI auf Zeitreihendaten ist ein spannendes Entwicklungsgebiet mit dem Potenzial, Intelligenz in industrielle, gesundheitliche und Verbraucheranwendungen einzubringen. Bei der Entwicklung einer KI-Lösung gibt es viele Faktoren zu berücksichtigen, die Auswahl des Prozessors ist nur einer davon.
 
Für weitere Informationen und Beratung können Sie eine Beratung mit Arrow AI Experten buchen und unserer KI-Webinarreihe folgen.

Zusätzliche KI-Engineering-Ressourcen:

• MCX Mikrocontroller für allgemeine Zwecke
• Alif Semiconductor