پرداختن به موج جدید اینترنت اشیا با هوش مصنوعی

با پردازش داده‌ها به صورت محلی، هوش مصنوعی می‌تواند استنتاج سریع‌تری انجام دهد و موارد استفاده بلادرنگ را پشتیبانی کند.

 

امروزه شاهد رشد تصاعدی اینترنت اشیا هستیم. در هر ثانیه، 127 دستگاه با پیش بینی 43 میلیارد دستگاه اینترنت اشیا تا سال 2027 متصل می شوند. با رشد و تکامل این بازار، تقاضا برای راه حل های سیستمی پیچیده تر، قدرتمندتر، کارآمدتر و دقیق تر که می تواند به غنی سازی راه کمک کند، افزایش می یابد. زندگی در میان بسیاری از فناوری‌های حیاتی که این آینده هیجان‌انگیز اینترنت اشیا را امکان‌پذیر می‌کنند، هوش مصنوعی (Edge) با فعال کردن تجزیه و تحلیل داده‌ها، بینش‌های پیش‌بینی‌کننده و تصمیم‌گیری هوشمند در لبه اینترنت اشیا، به افزایش قابلیت‌های اینترنت اشیا کمک می‌کند.

بیایید ابتدا با اصول اولیه شروع کنیم – Edge AI چیست؟

 

در حالی که توسعه دهندگان و کاربران ممکن است از قبل با هوش مصنوعی (AI) و/یا یادگیری ماشینی (ML) آشنا باشند، هنوز آن حس آشنایی با اصطلاحات پیشرفته هوش مصنوعی وجود ندارد. هوش مصنوعی لبه (Edge AI) پیاده سازی و استقرار برنامه های کاربردی هوش مصنوعی در یک محیط محاسبات لبه یا دستگاه نزدیک به محل قرارگیری داده ها به جای یک محیط مرکزی مانند یک مرکز محاسبات ابری است.

در عمل، هوش مصنوعی لبه شامل جمع‌آوری داده‌ها از حسگرها یا منابع دیگر مانند ردیاب‌ها یا دستگاه‌های نظارت بر سلامت، پردازش آن داده‌ها به صورت محلی در دستگاه لبه با استفاده از مدل هوش مصنوعی، و سپس استفاده از خروجی مدل برای راه‌اندازی یک اقدام یا ارسال اعلان است. . با پردازش محلی داده‌ها، هوش مصنوعی لبه می‌تواند به استنتاج سریع‌تر و پشتیبانی از موارد استفاده بلادرنگ، کاهش تاخیر و ترافیک شبکه، بهبود حریم خصوصی و امنیت و همچنین بهره‌وری انرژی کمک کند.

امروزه، توسعه‌دهندگان به دنبال طیف گسترده‌ای از موارد استفاده و برنامه‌های کاربردی برای استفاده در هوش مصنوعی لبه‌ای هستند، مانند تشخیص چهره/ژست‌های مورد استفاده در لوازم خانگی و سیستم‌های خانه هوشمند. پوشیدنی ها و دستگاه های نظارت بر سلامت؛ تعمیر و نگهداری پیش بینی در اتوماسیون کارخانه. و همچنین دوربین‌های امنیتی که از هوش مصنوعی برای شناسایی و مدیریت فعالیت‌های مشکوک در زمان واقعی استفاده می‌کنند و کارایی و خدمات ارزان‌تری را افزایش می‌دهند.

موارد استفاده رایج برای استقرار هوش مصنوعی شامل بلندگوهای هوشمند و فناوری دستیار صوتی با استفاده از تجزیه و تحلیل تشخیص گفتار با تکیه بر مجموعه‌ای از فناوری‌های پیچیده هوش مصنوعی است. اینها شامل استفاده از تشخیص خودکار گفتار (ASR) برای تبدیل امواج صوتی به کلمات و تبدیل آن کلمات به معانی واقعی با استفاده از درک زبان طبیعی (NLU) و سپس پاسخ گوی هوشمند با استفاده از تولید زبان طبیعی (NLG) است.

روندهای اضافی شامل بازار خانه های هوشمند است که در آن هوش مصنوعی قرار است کارایی دستگاه های لبه را بهبود بخشد و تجربیات کاربر بدون اصطکاک را ارائه دهد. مثال‌هایی مانند تنظیم مقدار آب و مواد شوینده و همچنین زمان‌های آبکشی و چرخش برای شستشوی کارآمدتر در ماشین‌های لباسشویی؛ یا یادگیری دمای دلخواه کاربران، تشخیص دمای داخل و خارج از خانه و تشخیص افراد داخل اتاق در ترموستات. یا اجاق‌ها که غذاها را بسته به سلیقه کاربران شخصی‌سازی می‌کنند و در عین حال می‌توانند ایمنی را با اطمینان از اینکه فقط بزرگسالان قادر به استفاده از دستگاه هستند، تأمین می‌کنند. و حتی تمایز انواع کف و بهینه سازی نظافت و کارایی باتری در جاروبرقی. همه این موارد استفاده از الگوریتم های پیچیده هوش مصنوعی در لبه استفاده می کنند.

 

طبیعی است که یک روند یا فناوری جدید چالش های جدید و جنبه های کلیدی را به همراه داشته باشد و هوش مصنوعی لبه نیز از این امر مستثنی نیست. آنچه در حال حاضر می بینیم این است که هوش مصنوعی لبه تأثیر خاصی بر حوزه های زیر دارد:

عملکرد بالاتر و (مصرف کم): رشد اینترنت اشیا منجر به نیاز به حسگرهای بیشتر می شود که به نوبه خود منجر به اشتراک گذاری اطلاعات بیشتر و افزایش پیچیدگی دستگاه ها از جمله نیاز به قابلیت های محاسباتی بیشتر می شود. اکنون، با افزوده شدن نوع پردازش عملیات ML بر روی خود دستگاه، نیاز به یک هسته با کارایی بالا به اضافه یک شتاب دهنده سخت افزار محاسباتی شبکه عصبی برای انجام عملیات ML، (هر دو) برای این نسل جدید دستگاه های لبه ضروری است. . این نیاز زمانی چالش برانگیزتر می‌شود که بهینه‌سازی توان را به معادله اضافه کنیم تا دستگاه‌های پایانی که با باتری کار می‌کنند و انرژی مصرف می‌کنند، بتوانند در عین مصرف انرژی کمتر، کارآمدی داشته باشند. نکته مثبت: با ذخیره داده ها و اجرای الگوریتم ها در دستگاه لبه، انرژی کمتری نسبت به آنچه برای انتقال همه چیز به ابر لازم است، مصرف می شود.

 

امنیت و حریم خصوصی: در حالی که دستگاه‌های هوش مصنوعی لبه اکثر عملیات و پردازش داده‌های خود را به صورت محلی انجام می‌دهند، نگرانی‌های امنیتی و حفظ حریم خصوصی را کاهش می‌دهند، زیرا داده‌های کمتری به ابر و مکان‌های خارجی ارسال می‌شود، این بدان معنا نیست که تمام داده‌های موجود در دستگاه هوش مصنوعی لبه‌ای ذاتاً در برابر حملات محافظت می شود. با ادامه تکامل حملات امنیتی، به منظور حفظ یکپارچگی و حفظ حریم خصوصی داده ها، به یک سطح امنیتی جاسازی شده قوی و با اندازه مناسب در سراسر دستگاه های هوش مصنوعی لبه نیاز است.

فقدان تخصص، مصرف زمان، و فعال‌سازی جامع: توسعه دستگاه‌های هوش مصنوعی لبه‌ای بدون تخصص مناسب تقریباً غیرممکن است. این می تواند به صورت عدم دانش سخت افزاری در مورد نحوه استفاده از شتاب دهنده ها و پردازنده های بهینه شده برای AI/ML یا عدم تجربه در نحوه استفاده از نرم افزار در توسعه و استقرار مدل های هوش مصنوعی باشد. کمبود دانش و نگرانی‌های مربوط به مصرف زمان می‌تواند مانع از انتخاب بهترین رویکرد توسعه‌دهندگان شود یا مدیریت را از تصمیم‌گیری درست محدود کند.

مطمئناً در این موارد، داشتن یک سخت‌افزار و نرم‌افزار جامع و قوی با راه‌حل زنجیره ابزار سرتاسر ارائه‌شده توسط متخصصان به کاهش عدم قطعیت و همچنین سرعت بخشیدن به زمان عرضه به بازار برای نسل بعدی دستگاه‌های هوش مصنوعی لبه کمک می‌کند. .

PSoC Edge Infineon چالش‌های هوش مصنوعی لبه را با معرفی خانواده جدیدی از میکروکنترلرها با طیف گسترده‌ای از قابلیت‌ها از جمله عملکرد بالا، قدرت کم، امنیت پیشرفته و قابلیت‌های جامع برای زمان سریع‌تر به بازار برطرف می‌کند.

 

همانطور که گفته شد، افزایش پیچیدگی سیستم - با تجمع حسگرها و همچنین داده های پیچیده که در لبه پردازش می شوند - محدودیت های عملکرد در فضای میکروکنترلر را افزایش می دهد. در عین حال، مصرف کم انرژی و راندمان انرژی بالا همچنان نیاز روز دنیا در سراسر جهان اینترنت اشیا است. برای پشتیبانی از این الزامات، Infineon یک رویکرد معماری چند دامنه‌ای را با PSoC Edge ارائه کرده است که قابلیت‌های عملکرد بالا، از جمله هسته با عملکرد بالا و واحد پردازشگر عصبی با شتاب سخت‌افزاری را ارائه می‌کند، در حالی که از افزایش بهره‌وری انرژی با استفاده از یک پردازنده بسیار کم مصرف نیز پشتیبانی می‌کند. دامنه برای برنامه های همیشه روشن. این به دستگاه اینترنت اشیا اجازه می دهد تا در حالت خواب عمیق باقی بماند و در عین حال قادر به تشخیص رویدادهای صوتی یا اقدامات تشخیص چهره و راه اندازی اقدامات باشد تا سیستم بتواند به طور کامل بیدار شود، کار مورد نیاز را انجام دهد و به خواب برگردد، کارایی انرژی را به حداکثر برساند و در نتیجه عمر باتری بیشتر بدون به خطر انداختن عملکرد. بنابراین، هوش مصنوعی لبه نه تنها دیجیتالی شدن را تسریع می‌کند، بلکه از طریق بهینه‌سازی قدرت، به پشتیبانی از کربن‌زدایی نیز کمک می‌کند.

همانطور که در بالا ذکر شد، یکی دیگر از چالش های کلیدی محافظت از حفاظت از داده ها و به حداقل رساندن تهدیدات امنیتی است. بنابراین، برای ارائه دهندگان راه حل ضروری است که پیشنهادات هوش مصنوعی لبه خود را با سطوح بالاتری از امنیت تجهیز کنند، به طوری که دستگاه های ایمن تر برای مصرف کنندگان در دسترس باشند. اگر به درستی محافظت نشود، دستگاه‌های هوش مصنوعی Edge می‌توانند دستکاری شوند و متعاقباً تبدیل به نقطه‌ای برای ورود به شبکه شوند. علاوه بر این، در این مورد، مهاجمان می‌توانند دستگاه‌های دارای هوش مصنوعی Edge را که به طور گسترده در بازار در دسترس هستند، مانند ترموستات‌ها، بلندگوهای هوشمند یا قفل‌های هوشمند در اختیار بگیرند، آن‌ها را از نظر آسیب‌پذیری تجزیه و تحلیل کنند و نرم‌افزار مخربی را برای به خطر انداختن فناوری و شبکه ایجاد کنند. به این دلایل، داشتن یک معماری امنیتی جاسازی شده با اندازه مناسب، برای موج جدید دستگاه‌های هوش مصنوعی Edge بسیار مهم است.

در نهایت، Infineon اهمیت زمان برای بازاریابی یک دستگاه Edge AI را درک می کند. با خرید اخیر Imagimob، Infineon اکنون قابلیت ارائه یک پلت فرم ML سرتاسری با انعطاف پذیری و سهولت استفاده بالا، با تمرکز قوی بر ارائه مدل های ML درجه تولید را اضافه می کند. با شرکای قوی اکوسیستم، مستندات جامع، کیت‌های ارزیابی با ماژول‌های اتصال و HMI، و همچنین نرم‌افزار ModusToolbox شناخته شده در صنعت، ادغام شده با پلتفرم توسعه هوش مصنوعی Imagimob و مدل‌های آماده آن برای راهی سریع‌تر و معتبر برای انتقال میکروکنترلرهای دارای ML به تولید، PSoC Edge، سخت‌افزار، نرم‌افزار و ابزارهایی را برای تجربه طراحی بدون اصطکاک و زمان تسریع در عرضه به بازار ارائه می‌کند.