I sistemi AI incorporati che possono identificare le tendenze nei dati delle serie temporali

Di George Dickey

Le innovazioni tecnologiche spesso arrivano a ondate che cambiano la vita umana nel giro di pochi decenni: elettricità, computer, internet. L'ultima ondata è l'intelligenza artificiale (AI). Dalla sua nascita, l'AI è stata prevalentemente limitata a grandi piattaforme computazionali. Tuttavia, la convergenza della tecnologia avanzata dei processori e delle reti AI ad alta efficienza ha portato a innovazioni rivoluzionarie che permettono all'AI di funzionare nei sistemi embedded. Questi sistemi sono spesso dotati di processori specializzati per l'AI e sensori abilitati al machine learning che consentono capacità mai viste prima all’‘edge’.

Queste capacità consentono nuovi livelli di manutenzione predittiva. L'accelerazione AI incorporata può identificare i problemi prima che si verifichino, senza alcun intervento umano. Questo articolo esamina diverse nuove tecnologie dei processori che abilitano algoritmi AI al bordo.

Sistemi AI integrati

I microcontrollori abilitati dall'intelligenza artificiale e i sensori MEMS sono in prima linea nella rivoluzione della manutenzione predittiva basata sull'intelligenza artificiale. Questi dispositivi sono caratterizzati dalla loro dimensione compatta, dal basso consumo energetico e dalla capacità di accelerare funzioni matematiche specifiche relative all'intelligenza artificiale. I processori embedded tradizionali, in combinazione con nuclei AI e/o moduli sensore, consentono ai dispositivi di analizzare e rispondere ai dati del mondo reale basati su serie temporali in tempo reale. Ci sono diversi modi in cui l'AI embedded viene implementata nelle applicazioni basate su dati di serie temporali. Ma prima…

Che cos'è l'IA per i dati delle serie temporali?

I dati in serie temporali si riferiscono a una sequenza di punti dati raccolti, registrati o misurati a intervalli di tempo uniformemente distanziati. I punti dati delle serie temporali consentono agli analisti di comprendere come i dati si evolvono o cambiano nel tempo.
 
L'analisi dei dati in serie temporali implica la comprensione di modelli, tendenze, anomalie e comportamenti all'interno dei dati. L'AI può essere utilizzata per fare osservazioni o previsioni sui valori futuri, estraendo informazioni dai dati per informare il processo decisionale. Questo tipo di analisi può essere effettuato utilizzando reti di AI, che richiede la comprensione e la selezione dell'hardware di elaborazione.
 
In applicazioni come la manutenzione predittiva, il rilevamento di anomalie ambientali, dispositivi IoT, movimento multi-asse e altro, i dati in serie temporali possono essere utilizzati per comprendere modelli, tendenze e comportamenti all'interno dei dati. Utilizzando algoritmi di AI come reti neurali convoluzionali, reti neurali ricorrenti, reti di memoria a breve e lungo termine e unità ricorrenti con gate, i dati in serie temporali possono essere utilizzati per rilevare risultati desiderati o anomali. Sebbene l'esecuzione di questi algoritmi di machine learning possa essere effettuata su hardware generico, l'uso di processori e/o sensori con core AI riduce la latenza e aumenta l'efficienza.
 
Diverse comuni tecnologie di core del processore, inclusi i core Cortex-M, NPU, GPU e assemblaggi di sensori AI integrati, possono essere utilizzate per l'analisi dei dati in serie temporali con AI. La fusione di queste nuove tecnologie di processore con algoritmi AI dedicati sta guidando l'innovazione nei sistemi embedded e nel edge computing. Dalle applicazioni nella sanità, nell'automotive, nella produzione, nell'agricoltura e oltre, i processori AI embedded stanno aprendo la strada a dispositivi più intelligenti e autonomi che possono analizzare dati del mondo reale con velocità, precisione ed efficienza senza precedenti.

Microcontrollori capaci di apprendimento automatico

La serie di microcontrollori Cortex-M (MCU), che va da M0 a M85, spesso funge da pilastro per l'elaborazione di sistemi embedded in una varietà di applicazioni, che l'AI venga eseguita o meno. Tuttavia, poiché questi core sono progettati per il processamento dati in tempo reale a basso consumo energetico, sono ideali per soluzioni hardware di AI embedded.
 
Ad esempio, STMicroelectronics STM32L5 e NXP’s MCX-A che utilizzano Arm Cortex-M33 a 32 bit sono entrambi MCU adatti per l'utilizzo in sistemi embedded che sfruttano semplici reti AI. Mentre questi tradizionali core Cortex-M eccellono nel gestire dati dai sensori e nel processamento AI semplice, per compiti di apprendimento automatico più complessi guardiamo ai microcontrollori che integrano core aggiuntivi per abilitare ulteriormente l'apprendimento automatico.

Unità di elaborazione grafica (GPUs)

Sebbene siano principalmente destinati a migliorare le prestazioni grafiche 2D (e talvolta 3D), le GPU vengono sempre più utilizzate insieme ai Cortex-M MCU per applicazioni AI embedded. Queste unità di elaborazione parallela possono essere utilizzate per algoritmi di apprendimento profondo come le reti neurali convoluzionali (CNN) per compiti come il riconoscimento delle immagini e la rilevazione degli oggetti. Ad esempio, lo STM32U5 vanta un Cortex-M33 e una NeoChrome GPU, rendendolo adatto per applicazioni HMI o soluzioni AI embedded in applicazioni industriali, smart city, smart home e IoT.

Unità di elaborazione neurale (NPUs)

Le Neural Processing Units (NPU) sono core altamente specializzati ottimizzati per accelerare i calcoli delle reti neurali, permettendo al programma di apprendere funzionalmente e di riprogrammarsi autonomamente. Questi core, spesso implementati insieme ai processori Cortex-M, possono eseguire algoritmi di rete neurale più complessi di quelli che i core Cortex-M standard sono in grado di gestire singolarmente.
 
Ad esempio, l’MCX-N di NXP combina un Arm Cortex-M33 e un’unità di elaborazione neurale personalizzata eIQ. La famiglia Ensemble di Alif Semiconductor sono microcontrollori pronti per applicazioni industriali che combinano una CPU Arm Cortex-M55 con un’accelerazione edge AI dedicata resa possibile da una ARM Ethos-U55 Neural Processing Unit. La famiglia è disponibile con un Cortex-M55 singolo o doppio, Ethos-U55 singolo o doppio, e opzionalmente uno o due core MPU Cortex-A32.
 
Spostando i compiti di AI sui NPU, i sistemi embedded possono ottenere inferenze di rete neurale in tempo reale risparmiando energia, dimensioni e risorse.

Sensori con core AI integrati

Come discusso, le applicazioni AI integrate spesso utilizzano un MCU standard per il lato computazionale dell'elaborazione dei dati. Tuttavia, nuove tecnologie dei sensori hanno spostato l'elaborazione AI esterna al MCU e inserito core di elaborazione AI integrati all'interno del sensore stesso, denominati core di machine learning (MLC) e unità di elaborazione sensore intelligente (ISPUs).
 
I sensori con un core di machine learning integrato (MLC) possono essere addestrati per attivare azioni quando viene rilevato un evento specifico, rendendoli capaci di rilevare precisi scenari di cambiamento. In questo modo, il carico computazionale sul MCU può essere ridotto, il che porta a un'architettura a basso consumo energetico e migliora l'efficienza del sistema. Ad esempio, LSM6DSV16BXTR è un IMU con un accelerometro a 3 assi e un giroscopio a 3 assi che presenta un MLC per abilitare le caratteristiche AI.
 
In alternativa, i sensori possono disporre di unità di elaborazione sensore intelligente (ISPU), che sono processori di segnale digitale integrati dedicati a elevate capacità di elaborazione per supportare machine learning e elaborazione di reti neurali all'interno dell'ISPU. Questa architettura di core consente l'elaborazione potenziata dall'AI di sensori interni ed esterni, senza bisogno di un MCU esterno per gestire l'elaborazione più intensa. Questo viene utilizzato per la calibrazione automatica, la fusione dei sensori e il rilevamento di anomalie attraverso vari input dei sensori senza bisogno di un MCU esterno. Al contrario, MCU più piccoli possono essere utilizzati per carichi di microcontroller generali.

Conclusione

L'applicazione dell'AI ai dati delle serie temporali è un'area di sviluppo entusiasmante con il potenziale di aggiungere intelligenza alle applicazioni industriali, sanitarie e di consumo. Ci sono molti fattori da considerare nello sviluppo di una soluzione di AI, la selezione del processore essendo solo uno di essi.
 
Per ulteriori informazioni e orientamenti, puoi prenotare una consulenza con esperti di AI di Arrow e seguire la nostra serie di webinar AI.

Risorse aggiuntive di ingegneria dell'AI:

• Microcontrollori generici MCX
• Alif Semiconductor