Les systèmes d'IA intégrés capables d'identifier les tendances dans les données de séries temporelles

Par George Dickey

Les innovations technologiques arrivent souvent par vagues qui modifient la vie humaine en quelques décennies : électricité, ordinateurs, internet. La vague la plus récente est l'intelligence artificielle (AI). Depuis sa création, l'AI a été principalement limitée aux grandes plateformes de calcul. Cependant, la convergence de la technologie des processeurs avancés et des réseaux AI à haute efficacité a conduit à des innovations révolutionnaires permettant à l'AI de fonctionner au sein des systèmes embarqués. Ces systèmes sont souvent équipés de processeurs spécialisés conçus pour l'AI et de capteurs activés par apprentissage automatique qui permettent des capacités inédites à la périphérie.

Ces capacités permettent de nouveaux niveaux de maintenance prédictive. L'accélération AI embarquée peut identifier les problèmes avant qu'ils ne surviennent, sans aucune intervention humaine. Cet article examine plusieurs nouvelles technologies de processeurs qui permettent aux algorithmes AI d'intervenir à la périphérie.

Systèmes AI embarqués

Les microcontrôleurs activés par l'IA et les capteurs MEMS sont à la pointe de la révolution de la maintenance prédictive par IA. Ces dispositifs se caractérisent par leur taille compacte, leur faible consommation d'énergie et leur capacité à accélérer des fonctions mathématiques spécifiques liées à l'IA. Les processeurs intégrés traditionnels, en combinaison avec des cœurs IA et/ou des modules capteurs, permettent aux dispositifs d'analyser et de réagir aux données du monde réel, basées sur des séries temporelles, en temps réel. Il existe plusieurs façons dont l'IA intégrée est mise en œuvre dans les applications de données de séries temporelles. Mais d'abord…

Qu'est-ce que l'IA pour les données de séries temporelles ?

Les données de séries chronologiques se réfèrent à une séquence de points de données collectés, enregistrés ou mesurés à des intervalles de temps réguliers. Les points de données de séries chronologiques permettent aux analystes de comprendre comment les données évoluent ou changent au fil du temps.
 
L'analyse des données de séries chronologiques implique la compréhension des modèles, des tendances, des anomalies et du comportement au sein des données. L'IA peut être utilisée pour faire des observations ou des prédictions sur les valeurs futures, en extrayant des informations des données pour éclairer la prise de décision. Ce type d'analyse peut être réalisé à l'aide de réseaux IA, ce qui nécessite la compréhension et la sélection du matériel de traitement.
 
Dans des applications telles que la maintenance prédictive, la détection d'anomalies environnementales, les dispositifs IoT, le mouvement multi-axes, et plus encore, les données de séries chronologiques peuvent être utilisées pour comprendre les modèles, les tendances et les comportements au sein des données. En utilisant des algorithmes IA tels que les réseaux de neurones convolutionnels, les réseaux de neurones récurrents, les réseaux de mémoire à long et court terme, et les unités récurrentes à portes, les données de séries chronologiques peuvent être utilisées pour détecter des résultats souhaités ou anormaux. Bien que l'exécution de ces algorithmes d'apprentissage machine puisse être effectuée sur du matériel générique, l'utilisation de processeurs et/ou capteurs avec des cœurs IA diminue la latence et augmente l'efficacité.
 
Plusieurs technologies de cœur de processeur courantes, y compris les cœurs Cortex-M, les NPUs, les GPUs et les ensembles de capteurs IA intégrés, peuvent être utilisées pour l'analyse des données de séries chronologiques IA. La fusion de ces nouvelles technologies de processeur avec des algorithmes IA dédiés stimule l'innovation dans les systèmes embarqués et le calcul en périphérie. Des applications dans les domaines de la santé, l'automobile, la fabrication, l'agriculture, et au-delà, les processeurs IA intégrés ouvrent la voie à des dispositifs plus intelligents et autonomes capables d'analyser les données du monde réel avec une rapidité, une précision et une efficacité sans précédent.

Microcontrôleurs capables d'apprentissage automatique

La série Cortex-M de microcontrôleurs (MCU), qui va de M0 à M85, sert souvent de colonne vertébrale pour le traitement des systèmes embarqués dans une variété d'applications, que l'IA soit exécutée ou non. Cependant, comme ces cœurs sont conçus pour le traitement de données en temps réel et à faible consommation d'énergie, ils sont idéaux pour les solutions matérielles d'IA embarquée.
 
Par exemple, le STM32L5 de STMicroelectronics et le MCX-A de NXP qui utilisent le Cortex-M33 Arm 32 bits, sont tous deux des MCU adaptés pour une utilisation dans des systèmes embarqués qui utilisent des réseaux IA simples. Alors que ces cœurs traditionnels Cortex-M excellent dans la gestion des données des capteurs et du traitement IA simple, pour des tâches d'apprentissage machine plus complexes, examinons les microcontrôleurs qui intègrent des cœurs supplémentaires pour permettre davantage l'apprentissage machine.

Unités de traitement graphique (GPU)

Bien que principalement destinés à améliorer les performances graphiques 2D (et parfois 3D), les GPU sont de plus en plus utilisés aux côtés des MCU Cortex-M pour des applications IA intégrées. Ces unités de traitement parallèle peuvent être utilisées pour des algorithmes d'apprentissage profond tels que les réseaux de neurones convolutionnels (CNN) pour des tâches comme la reconnaissance d'images et la détection d'objets. Par exemple, le STM32U5 possède un Cortex-M33 et un GPU NeoChrome, ce qui le rend adapté aux applications HMI ou solutions IA intégrées dans les applications industrielles, villes intelligentes, maisons intelligentes et IoT.

Unités de traitement neuronal (NPUs)

Les unités de traitement neuronal (NPUs) sont des cœurs hautement spécialisés optimisés pour accélérer les calculs des réseaux neuronaux, ce qui permet au programme d'apprendre fonctionnellement et de se reprogrammer lui-même. Ces cœurs, souvent mis en œuvre aux côtés des processeurs Cortex-M, peuvent exécuter des algorithmes de réseaux neuronaux plus complexes que ceux auxquels les cœurs Cortex-M standards sont capables de faire face isolément.
 
Par exemple, le MCX-N de NXP combine un Arm Cortex-M33 et une unité de traitement neuronal eIQ personnalisée. La famille Ensemble d'Alif Semiconductor sont des microcontrôleurs prêts pour les applications industrielles qui combinent un CPU Arm Cortex-M55 avec une accélération IA en bord dédiée rendue possible par une unité de traitement neuronal ARM Ethos-U55. La famille est disponible avec un Cortex-M55 unique ou double, Ethos-U55 simple ou double, et éventuellement un ou deux cœurs MPU Cortex-A32.
 
En déchargeant les tâches d'IA vers les NPUs, les systèmes embarqués peuvent réaliser des inférences de réseaux neuronaux en temps réel tout en conservant l'énergie, la taille et les ressources.

Capteurs avec cœurs AI intégrés

Comme discuté, les applications embarquées d'IA utilisent souvent un MCU standard pour la partie calcul du traitement des données. Cependant, de nouvelles technologies de capteurs ont déplacé le traitement de l'IA à l'extérieur du MCU et ont intégré des cœurs de traitement d'IA embarqués dans le capteur lui-même, appelés cœurs d'apprentissage machine (MLC) et unités de traitement de capteurs intelligents (ISPUs).
 
Les capteurs avec un cœur d'apprentissage machine embarqué (MLC) peuvent être entraînés à déclencher des actions lorsqu'un événement spécifique est détecté, leur permettant de détecter des scénarios de changement précis. Ce faisant, la charge de calcul sur le MCU peut être réduite, ce qui entraîne une architecture basse consommation et améliore l'efficacité du système. Par exemple, LSM6DSV16BXTR est un IMU avec un accéléromètre tridirectionnel et un gyroscope tridirectionnel doté d'un MLC pour activer les fonctionnalités d'IA.
 
Alternativement, les capteurs peuvent être dotés d'unités de traitement de capteurs intelligents (ISPU), qui sont des processeurs numériques intégrés dédiés à des capacités de traitement élevées pour prendre en charge l'apprentissage machine et le traitement de réseaux neuronaux au sein de l'ISPU. Cette architecture centrale permet un traitement alimenté par IA pour des capteurs internes et externes, sans avoir besoin d'un MCU externe pour gérer le calcul plus intensif. Cela est utilisé pour la calibration automatique, la fusion de capteurs et la détection d'anomalies à partir de diverses entrées de capteurs sans nécessiter de MCU externe. À la place, des MCUs plus petits peuvent être utilisés pour les charges génériques de microcontrôleurs.

Conclusion

L'application de l'IA aux données de séries chronologiques est un domaine de développement passionnant avec le potentiel d'ajouter de l'intelligence aux applications industrielles, de santé et de consommation. Il y a de nombreux facteurs à considérer dans le développement d'une solution d'IA, le choix du processeur n'étant que l'un d'eux.
 
Pour plus d'informations et de conseils, vous pouvez réserver une consultation avec des experts en IA chez Arrow, et suivre notre série de webinaires sur l'IA.

Ressources d'ingénierie IA supplémentaires :

• Microcontrôleurs MCX à usage général
• Alif Semiconductor