Entrevista con Markus Levy, Director de IA y Tecnologías de Aprendizaje Automático, NXP Semiconductors
“A medio y largo plazo, queremos integrar algún nivel de motor de aceleración de IA en muchos de nuestros componentes. Incluso llegamos a explorar la integración de bloques de hardware especiales y económicos en las MCU de gama baja". – Markus Levy
Pregunta: ¿Son términos de moda "IA" y "aprendizaje automático", o es real la publicidad que les hacen?
Markus: Por supuesto, a los términos de moda "IA" o "aprendizaje automático" se les ha hecho mucha publicidad, pero es más real que la publicidad en torno a la IoT hace cinco años. Esto no significa socavar el valor de la IoT, que ha dado lugar al desarrollo de muchas nuevas áreas de aplicación, pero la IoT fue más o menos una evolución de los sistemas integrados. Por otro lado, la IA y el aprendizaje automático reflejan un "segmento de mercado" que proporciona una forma totalmente nueva de resolver problemas. Cabe recordar que el aprendizaje automático en forma de redes neuronales y algoritmos clásicos ha existido durante décadas. Sin embargo, antes de los últimos avances en los marcos del aprendizaje automático, nadie sabía cómo entrenar redes neuronales profundas, y no era práctico utilizar hardware básico, y por eso mantuvieron relativamente inactivos. Ahora ha aumentado el número de investigaciones, y también la disponibilidad de opciones de código abierto y de propiedad para capacitar, optimizar e implementar modelos de aprendizaje automático. Hoy en día vemos muchas más compañías que invierten dinero y recursos en el desarrollo de la IA y el aprendizaje automático, y eso solo es la punta del iceberg. Como con cualquier tecnología de punta donde la gente "huele" el dinero, habrá ganadores y perdedores.
Pregunta: ¿Cómo ves la proliferación de la IA en la tecnología de uso general?
Markus: Primero es necesario tener en cuenta que para que la IA y el aprendizaje automático se desarrollen en todas o en muchas áreas de aplicación y se conviertan en una tecnología de uso general, deben simplificarse a un nivel en el que se puedan capacitar los modelos y se puedan desarrollar motores de inferencia, e implementarse con un script de Python o un menú desplegable, en lugar de que el desarrollador tenga que crear algoritmos matemáticos complejos. La programación de la IA y el aprendizaje automático a menudo se conoce como Software 2.0. No se trata de usar métodos de programación tradicionales, sino de utilizar redes y marcos neuronales existentes y bibliotecas clásicas de aprendizaje automático. Para sustentar esto, se debe poner más esfuerzo en la determinación de pesos y parámetros (por ejemplo, en lo que se conoce como "modelos de entrenamiento").
Con respecto a los beneficios particulares de la IA, esta es fundamentalmente un área donde los datos son oro. En otras palabras, la IA y el aprendizaje automático son inútiles en cierto modo, a menos que el desarrollador de la aplicación pueda recopilar, y posteriormente etiquetar, los datos que se utilizan para entrenar a los modelos. Suponiendo que el desarrollador de la aplicación puede entrenar el modelo, los beneficios de la IA se pueden aplicar en una amplia gama de aplicaciones orientadas a la visión, la voz y a la detección de anomalías.
Pregunta: ¿En qué punto se encuentra NXP en cuanto al liderazgo de la AI y el aprendizaje automático?
Markus: NXP es reconocido como líder en el entorno de la AI porque abordamos las aplicaciones de AI directamente desde una perspectiva de software y hardware complementario. En otras palabras, el primer ingrediente para una implementación exitosa de la IA es tener una cartera escalable de plataformas de hardware que ofrezca a los desarrolladores una opción en cuanto a rendimiento, potencia y precio. La capacidad de ejecutar un algoritmo de aprendizaje automático en una MCU de gama baja, así como en un procesador de aplicaciones de gama alta, se basa en la latencia de inferencia aceptable y en la huella de memoria. El segundo ingrediente necesario para la implementación de la IA es el software, y para esto, NXP ha elegido una ruta que proporciona una variedad de opciones de código abierto, lo que llamamos el entorno de desarrollo de software de aprendizaje automático eIQ™. Ha quedado claro que las soluciones patentadas para la implementación del aprendizaje automático todavía ofrecen enfoques viables, pero también deben ser capaces de mantenerse al día con el rápido avance que vemos con el código abierto. Por lo tanto, nuestra misión es habilitar opciones de código abierto, como TensorFlow Lite, GLOW, Arm® NN, entre otros, y aplicar optimizaciones específicas al dispositivo según sea necesario para lograr resultados más competitivos.
Pregunta: ¿Cuáles son las aplicaciones cubiertas en el entorno de habilitación de la IA y el aprendizaje automático de NXP?
Markus: Como mencioné antes, nos enfocamos en la visión, la voz y la detección de anomalías; por supuesto, esto es muy amplio y en un alto nivel representa la mayoría de las aplicaciones que residen en el límite. La visión se puede subdividir en aplicaciones como el reconocimiento facial y la detección de objetos, e incluso puede pasar al dominio de la detección de anomalías. La voz encierra la detección de palabras clave para aplicaciones similares a Alexa™, así como el procesamiento de lenguaje natural limitado (limitado debido a las restricciones en la capacidad de memoria de los dispositivos perimetrales). Y la detección de anomalías incluye aplicaciones como el mantenimiento predictivo y el monitoreo a través de una amplia variedad de sensores para detectar circunstancias tanto normales como anormales.
Pregunta: ¿Cuáles son las características de los chips NXP que los hacen especialmente adecuados para aplicaciones de IA y aprendizaje automático?
Markus: Una cartera escalable se presta bien a estas aplicaciones de IA. Todo se reduce al nivel de rendimiento que se requiere (en otras palabras, al tiempo de inferencia) y la cantidad de memoria disponible. La gente dirá que quiere más rendimiento y aceleradores de aprendizaje automático sofisticados, pero el factor primordial siempre es el costo. En este sentido, los productos NXP con DSP integrados serán una excelente opción para las aplicaciones de voz y de visión. El DSP integrado se utiliza para la detección de palabras clave y permite que los dispositivos permanezcan en un modo de bajo consumo hasta que se detecte la palabra clave adecuada. En el otro extremo del espectro, NXP ofrece la familia de procesadores i.MX 8 y Layerscape, con GPU integradas, núcleos de CPU multinúcleo y aceleradores DSP, por lo que la aplicación tiene la capacidad de realizar computación heterogénea y múltiples algoritmos de aprendizaje automático en paralelo. Los dispositivos de última generación incluirán aceleradores de aprendizaje automático dedicados, lo que producirá niveles de rendimiento sin precedentes.
Pregunta: ¿Qué es la habilitación de aprendizaje automático eIQ de NXP?
Markus: A nivel básico, eIQ es una colección de tecnologías de código abierto para implementar aplicaciones de aprendizaje automático. Estas tecnologías incluyen motores en tiempo de ejecución, como TensorFlow y TensorFlow Lite, analizadores de red y motores de inferencia dedicados, como Arm NN, y soporte para bibliotecas, como OpenCV. Si bien todas estas tecnologías se pueden obtener de fuentes como Github, eIQ de NXP hace que sean más fáciles de usar, brinda documentación detallada y las integra en nuestros entornos de desarrollo (MCUXpresso para microcontroladores y Yocto/Linux® para procesadores de aplicaciones i.MX).
Pregunta: ¿Cuáles son los próximos planes para que el hardware NXP sea compatible con las aplicaciones de IA y aprendizaje automático?
Markus: Los objetivos a medio y largo plazo son incluir algún tipo de motores de aceleración de hardware de IA en muchos de nuestros dispositivos, incluso bloques de hardware especializados en las MCU de gama más baja.
Próximamente: Computadoras de una sola placa para IA y aprendizaje automático basadas en procesadores de aplicaciones i.MX 8 de NXP
Placa AI-ML basada en i.MX 8X SoC de NXP y la placa Thor96 basada en i.MX 8M SoC de NXP.
Comuníquese con Arrow para reservar sus placas.