Los sistemas de IA integrados que pueden identificar tendencias en datos de series temporales

Por George Dickey

Las innovaciones tecnológicas a menudo vienen en olas que cambian la vida humana en unas pocas décadas: electricidad, computadoras, internet. La ola más reciente es la inteligencia artificial (AI). Desde su inicio, la AI ha estado predominantemente limitada a plataformas computacionales grandes. Sin embargo, la convergencia de tecnología de procesadores avanzados y redes de AI de alta eficiencia ha llevado a innovaciones revolucionarias que permiten que la AI funcione dentro de sistemas embebidos. Estos sistemas a menudo están equipados con procesadores especializados específicos para AI y sensores habilitados para aprendizaje automático que permiten capacidades nunca antes vistas en el ‘borde’.

Estas capacidades permiten nuevos niveles de mantenimiento predictivo. La aceleración de IA integrada puede identificar problemas antes de que ocurran, sin intervención humana. Este artículo analiza varias nuevas tecnologías de procesadores que permiten algoritmos de IA en el borde.

Sistemas de IA integrados

Los microcontroladores habilitados para IA y los sensores MEMS están a la vanguardia de la revolución de mantenimiento predictivo de IA. Estos dispositivos se caracterizan por su tamaño compacto, bajo consumo de energía y su capacidad para acelerar funciones matemáticas específicas relacionadas con la IA. Los procesadores integrados tradicionales, en combinación con núcleos de IA y/o módulos de sensores, permiten a los dispositivos analizar y responder a datos del mundo real basados en series de tiempo en tiempo real. Hay varias formas en las que la IA integrada se está implementando en aplicaciones de datos de series de tiempo. Pero primero…

¿Qué es la IA para datos de series temporales?

Los datos de series temporales se refieren a una secuencia de puntos de datos recopilados, registrados o medidos a intervalos de tiempo regularmente espaciados. Los puntos de datos de series temporales permiten a los analistas comprender cómo los datos evolucionan o cambian a lo largo del tiempo.
 
El análisis de datos de series temporales implica comprender patrones, tendencias, anomalías y comportamientos dentro de los datos. La IA se puede utilizar para hacer observaciones o predicciones sobre valores futuros, extrayendo información de los datos para informar la toma de decisiones. Este tipo de análisis se puede realizar utilizando redes de IA, lo que requiere la comprensión y selección del hardware de procesamiento.
 
En aplicaciones como el mantenimiento predictivo, la detección de anomalías ambientales, dispositivos IoT, movimiento multiaxial, y más, los datos de series temporales se pueden utilizar para comprender patrones, tendencias y comportamientos dentro de los datos. Utilizando algoritmos de IA como redes neuronales convolucionales, redes neuronales recurrentes, redes de memoria a corto y largo plazo, y unidades recurrentes cerradas, los datos de series temporales se pueden utilizar para detectar resultados deseados o anómalos. Aunque la ejecución de estos algoritmos de aprendizaje automático se puede realizar en hardware genérico, el uso de procesadores y/o sensores con núcleos de IA disminuye la latencia y aumenta la eficiencia.
 
Varias tecnologías comunes de núcleos de procesadores, incluidos los núcleos Cortex-M, NPUs, GPUs y ensamblajes de sensores de IA integrados, se pueden utilizar para el análisis de datos de series temporales con IA. La fusión de estas nuevas tecnologías de procesadores con algoritmos de IA dedicados está impulsando la innovación en sistemas embebidos y computación en el borde. Desde aplicaciones en salud, automotriz, manufactura, agricultura, y más allá, los procesadores de IA embebidos están allanando el camino para dispositivos más inteligentes y autónomos que pueden analizar datos del mundo real con velocidad, precisión y eficiencia sin precedentes.

Microcontroladores con capacidad de aprendizaje automático

La serie Cortex-M de microcontroladores (MCU), que abarca desde M0 hasta M85, a menudo sirve como el núcleo para el procesamiento de sistemas embebidos en una variedad de aplicaciones, ya sea que se ejecute AI o no. Sin embargo, debido a que estos núcleos están diseñados para procesamiento de datos en tiempo real y bajo consumo de energía, son ideales para soluciones de hardware AI embebido.
 
Por ejemplo, STMicroelectronics STM32L5 y NXP’s MCX-A que utilizan Arm Cortex-M33 de 32 bits, son ambos MCU adecuados para su uso en sistemas embebidos que utilizan redes AI simples. Mientras que estos núcleos Cortex-M tradicionales sobresalen en el manejo de datos de sensores y procesamiento AI simple, para tareas de aprendizaje automático más complejas, veamos microcontroladores que integran núcleos adicionales para potenciar el aprendizaje automático.

Unidades de procesamiento gráfico (GPUs)

Aunque inicialmente están destinados a mejorar el rendimiento de gráficos en 2D (y a veces en 3D), los GPUs se están utilizando cada vez más junto con los Cortex-M MCUs para aplicaciones de IA integradas. Estas unidades de procesamiento paralelo pueden utilizarse para algoritmos de aprendizaje profundo, como redes neuronales convolucionales (CNNs), para tareas como el reconocimiento de imágenes y la detección de objetos. Por ejemplo, el STM32U5 cuenta con un Cortex-M33 y un NeoChrome GPU, lo que lo hace adecuado para aplicaciones HMI o soluciones de IA integradas en aplicaciones industriales, ciudades inteligentes, hogares inteligentes y IoT.

Unidades de Procesamiento Neural (NPUs)

Las Unidades de Procesamiento Neuronal (NPUs) son núcleos altamente especializados que están optimizados para acelerar los cálculos de redes neuronales, lo que permite que el programa aprenda funcionalmente y se reprograma a sí mismo. Estos núcleos, a menudo implementados junto a los procesadores Cortex-M, pueden ejecutar algoritmos de redes neuronales más complejos de lo que los núcleos estándar Cortex-M son capaces de hacer de forma aislada.
 
Por ejemplo, el MCX-N de NXP combina un Cortex-M33 de Arm y una unidad de procesamiento neural eIQ personalizada. La familia Ensemble de Alif Semiconductor son microcontroladores listos para aplicaciones industriales que combinan una CPU Cortex-M55 de Arm con una aceleración de IA en el borde dedicada, posible gracias a una Unidad de Procesamiento Neuronal Ethos-U55 de ARM. La familia está disponible con un solo Cortex-M55 o dual Cortex-M55, Ethos-U55 simple o doble, y opcionalmente uno o dos núcleos MPU Cortex-A32.
 
Al descargar tareas de IA a las NPUs, los sistemas embebidos pueden lograr inferencias de redes neuronales en tiempo real mientras conservan energía, tamaño y recursos.

Sensores con núcleos de IA integrados

Como se discutió, las aplicaciones de IA integradas suelen utilizar un MCU estándar para el lado computacional del procesamiento de datos. Sin embargo, las nuevas tecnologías de sensores han movido el procesamiento de IA fuera del MCU y han colocado núcleos de procesamiento de IA integrados dentro del sensor mismo, conocidos como núcleos de aprendizaje automático (MLC) y unidades de procesamiento de sensores inteligentes (ISPUs).
 
Los sensores con un núcleo de aprendizaje automático integrado (MLC) pueden ser entrenados para desencadenar acciones cuando se detecta un evento específico, permitiéndoles detectar escenarios de cambio precisos. Al hacerlo, la carga computacional sobre el MCU puede reducirse, lo que produce una arquitectura de bajo consumo y mejora la eficiencia del sistema. Por ejemplo, LSM6DSV16BXTR es una IMU con un acelerómetro de 3 ejes y un giroscopio de 3 ejes que presenta un MLC para habilitar características de IA.
 
Alternativamente, los sensores pueden presentar unidades de procesamiento de sensores inteligentes (ISPU), que son procesadores digitales integrados dedicados a capacidades de alto procesamiento para apoyar el aprendizaje automático y el procesamiento de redes neuronales dentro del ISPU. Esta arquitectura central permite el procesamiento potenciado por IA de sensores internos y externos, sin necesidad de un MCU externo para manejar la computación más pesada. Esto se utiliza para la calibración automática, la fusión de sensores y la detección de anomalías en una variedad de entradas de sensores sin necesidad de un MCU externo. En cambio, se pueden utilizar MCUs más pequeños para cargas de microcontroladores de propósito general.

Conclusión

La aplicación de AI a los datos de series temporales es un área de desarrollo emocionante con el potencial de añadir inteligencia a aplicaciones industriales, de salud y de consumo. Hay muchos factores a considerar en el desarrollo de una solución de AI, la selección del procesador siendo solo uno de ellos.
 
Para obtener más información y orientación, puedes reservar una consulta con los expertos en AI de Arrow, y seguir nuestra serie de seminarios web sobre AI.

Recursos adicionales de ingeniería de IA:

• Microcontroladores de Propósito General MCX
• Alif Semiconductor