Skip to main content

MI-szolgáltatások beágyazott rendszerekhez

Megjelent: 2019. október 28.

farnell lidA mesterséges intelligenciára (MI) ma kulcsfontosságú technológiaként tekintenek a dolgok internete (IoT) és a kiber-fizikai rendszerek, például a robotok és autonóm járművek a fejlesztésekor.

 

 

 

 

A számos otthon nappalijában megtalálható intelligens hangszóró példa a fejlett mesterséges intelligencia mindennapi életben való alkalmazására, hiszen képes természetes nyelvfelismerésre és jó minőségű beszédszintetizálásra. Ehhez a hangszóró több nagy sebességű számítógépnek adja át az adatokat távoli kiszolgálófarmokon. A beágyazott hardver képességei túl korlátozottak azoknak a mély neurális hálózati (DNN) algoritmusoknak a futtatásához, amelyektől az MI függ.

 

Az MI alkalmazásai

Az MI-t nem szükséges a kiszolgálófarmokon elhelyezett, nagy teljesítményű számítási motorokon üzembe helyezni. Az MI-technikák ma már a rendkívül bonyolult 5G új rádióprotokoll felügyeleti módjaként is szóba kerülnek. Az optimális adatsebesség eléréséhez szükséges csatornaparaméterek száma – amelyeket a készülékeknek elemezniük kell – nagyobb, mint amennyivel a mérnökök még megbirkóznának a hatékony algoritmusok fejlesztésekor. A terepi próbákon begyűjtött adatokon betanított algoritmusok módot kínálnak a különböző beállítások előnyeinek és hátrányainak hatékonyabb kiegyensúlyozására.
Ha a távoli helyeken működő ipari berendezések kifogástalan állapotának megőrzéséről van szó, a beágyazott hardveren futó gépi tanulási algoritmusok hatékony megoldást kínálnak.
A hagyományos algoritmusok, például a Kalman-szűrők jól kezelik a különféle típusú bemeneti adatok, például a nyomás, a hőmérséklet és a vibráció közötti lineáris kapcsolatokat. De a problémák előtt a korai figyelmeztetéseket gyakran a kapcsolatok olyan változásai jelzik, amelyek erősen nemlineárisak lehetnek.

 

MI-megvalósítások

A rendszer betanítható kifogástalan és hibás állapotú gépek adataival, hogy megtalálja a lehetséges problémákat, amikor valós idejű adatokat kap. A neurális hálózat azonban, bár ma népszerű változatnak számít, nem az egyetlen rendelkezésre álló MI-megoldás. Számos algoritmus alkalmazható, és lehet, hogy az aktuális feladathoz egy alternatív megoldás a legmegfelelőbb.
Egy lehetséges megoldás a szabályalapú MI-ben található. Ez a közvetlen gépi tanulás helyett a terület szakértőinek tudását használja ki a szakértők tudásának szabályalapba való kódolásával. Egy következtetési motor elemzi az adatokat a szabályok alapján, és megpróbálja megtalálni a legjobb egyezést a talált feltételekhez. A szabályalapú rendszerek kevesebb számítási feladatot igényelnek, de a fejlesztők nehézségekbe ütköznek, ha a feltételeket nehéz egyszerű állítások formájában megfogalmazni, vagy ha a bemeneti adatok és a műveletek közötti kapcsolatok nem érthetőek világosan. Az utóbbi helyzet az – amely a beszéd- és képfelismerésre vonatkozik –, ahol a gépi tanulás bizonyítottan kiválóan teljesít. A gépi tanulás szorosan kapcsolódik az optimalizálási folyamatokhoz. Adott bemeneti adatbáziselemeknél a gépi tanulási algoritmus megpróbálja megtalálni a legmegfelelőbb módot az osztályozásukra vagy az elrendezésükre. Például a lineáris regresszión alapuló, görbére illeszkedő algoritmus nevezhető a lehetséges legegyszerűbb gépi tanulási algoritmusnak: ez az adatpontokat használja a legjobban illeszkedő polinom létrehozására, amely aztán felhasználható az adott (bevitt) adat legvalószínűbb kimenetének meghatározására. A görbéhez illesztés csak a nagyon kevés dimenzióval rendelkező rendszerekhez alkalmas megoldás. A valódi gépi tanulási alkalmazások képesek bonyolult, sokdimenziós adatok kezelésére.

 

01 farnell

1. ábra  A fürtözés olyan mechanizmusokat alkalmaz az adatok felosztására, mint a legközelebbi centroidtól való távolság

 

A fürtözés tovább megy egy lépéssel, mert az adatokat csoportok szerint osztályozza. A tipikus algoritmus a geometriai középpontokon (centroidokon) alapul, de a gépi tanulásban számos más típusú fürtelemzés is használatos. A centroidalapú rendszerek az adatpontok közötti geometriai távolságokkal határozzák meg, hogy azok az egyik vagy egy másik csoportba tartoznak-e. A fürtelemzés gyakran ismétlődő folyamat, ahol különböző kritériumok szerint határozzák meg, hol jönnek létre a fürtök közötti határok, és hogy egy fürtön belül milyen közel kell lenniük a kapcsolódó adatpontoknak. A technika azonban hatékonyan mutatja be az adatokban fellelhető olyan mintákat, amelyek elkerülnék a terület szakértőinek figyelmét. Az adatok osztályba sorolásának másik módja a támogatóvektor-gép (support vector machine, SVM), amely optimalizációs technikákkal létrehozott hipersíkok mentén osztja fel a többdimenziós adatokat osztályokká. (1. ábra)
A döntéshozatali fa módokat kínál a fürtözött adatok szabályalapban való felhasználására. A döntéshozatali fa módot kínál az MI-algoritmusnak az adatbevitelek feldolgozására a válasz kidolgozásához. A fa minden ága meghatározható a bemeneti adatok fürtelemzésével. Egy rendszer másként viselkedhet például egy bizonyos hőmérséklet felett, így az a leolvasott nyomásérték, amely más körülmények között elfogadható lenne, problémát jelezhet. A döntéshozatali fa ezeknek a feltételeknek a kombinációját felhasználva megtalálhatja a helyzetnek legmegfelelőbb szabályhalmazt. (2. ábra)

 

03 farnell

2. ábra  A döntéshozatali fák az osztályozási szabályok és különböző eredménnyel járó társított valószínűségek alapján kínálnak módot az adatok strukturálására


Bár a mély neurális hálózatok valós idejű futtatásához általában nagy teljesítményű hardver szükséges, vannak egyszerűbb struktúrák, például ellentéteken alapuló neurális hálózatok, amelyeket sikeresen alkalmaztak a Raspberry Pi platformokon is található 32 vagy 64 bites processzorokon alapuló mobil robotokon. A mély neurális hálózatok legfontosabb előnye az alkalmazott rétegek nagy száma. A rétegzett szerkezet lehetővé teszi a neuronok számára a helyileg és időben is nagymértékben elkülönülő, de a betanítási folyamat során felderített fontos kapcsolatokkal rendelkező, többdimenziós adatok közötti kapcsolatok kódolását.
A sok számítási feladat mellett a mély neurális hálózat másik hátránya a nagy mennyiségű adat, amely a betanításához szükséges. Ezért most az MI-kutatók más, például a gaussi folyamatokon alapuló algoritmusokat vizsgálnak. Ezek adatok valószínűségi elemzését végzik olyan modellek felépítéséhez, amelyek a neurális hálózatokhoz hasonlóan működnek, de sokkal kevesebb betanítási adatot használnak. Rövid távon azonban a mély neurális hálózatok sikerességük miatt továbbra is fontos szerepet fognak játszani a bonyolult, többdimenziós bemenetek, például a képek, videó és folyamatos átvitelű hangminták vagy folyamatadatok feldolgozásában.
A bonyolult követelményekkel rendelkező alkalmazásokban az egyik lehetőség egy egyszerű MI-algoritmus használata a beágyazott eszközben a bemeneti adatok kiugró értékeinek keresésére, majd felhőszolgáltatások igénybevételével az adatok részletesebb vizsgálata a pontosabb válaszadáshoz. Ezzel az elkülönítéssel könnyebben fenntartható a valós idejű teljesítmény, csökkenthető a nagy távolságokra átvitt adatok mennyisége, és biztosítható a folyamatos működés, még hálózati kimaradás esetén is. A kapcsolat megszakadásakor a beágyazott rendszer képes gyorsítótárazni a gyanús adatokat, amíg nem lesz lehetőség az adatok ellenőrzésére a felhőszolgáltatásban.

 

farnell

 

MI-szolgáltatók

Több más vállalat mellett a Microsoft, az Amazon Web Services (AWS) és az IBM is kínál felhőalapú MI-szolgáltatásokat ügyfeleinek.
A felhasználóknak már módjában áll biztonságos MI-megoldásokat fejleszteni a Microsoft Azure-ral és az Avnet Azure Sphere MT3620 kezdőkészletével, amelyek módot kínálnak az IoT-végponti eszközök nagy biztonságúvá tételére. Az Avnet kezdőkészlete az Avnet által fejlesztett Azure Sphere modult használja, amely a Microsoft biztonságos Azure Sphere operációs rendszerén (OS) és Azure Sphere biztonsági szolgáltatásán alapul.
Az AWS gépi tanulásra alkalmas hardverplatformok széles köréhez biztosít hozzáférést, többek között általános célú kiszolgálótornyokhoz, GPU-gyorsítókhoz és FPGA-khoz. A felhőben üzemeltetett mély neurális hálózatok létrehozhatók az MI megvalósítói által széles körben használt, nyílt forráskódú keretrendszerekkel, mint a Caffe és a Tensorflow.
Az IBM a Watson MI-platformhoz közvetlen illesztőfelületeket épített be az áramköri kártyákba, például a Raspberry Pi-be, így egyszerűvé vált a gépi tanulási alkalmazások prototípusának kipróbálása a végső architektúrában való alkalmazás előtt. Az ARM hasonló kapcsolatot biztosít a Watsonhoz mbed IoT-eszközplatformján keresztül.
Bár úgy tűnik, az MI új horizontot nyitott a számítástechnikában, a nagy teljesítményű, olcsó áramköri kártyák, például a Raspberry Pi rendelkezésre állása és a felhőalapú gépi tanulási szolgáltatásokhoz való hozzáférés azt jelenti, hogy a beágyazott alkalmazások fejlesztői az elmúlt néhány évtizedben felfedezett gépi tanulási algoritmusok teljes spektrumát elérhetik. A kifinomultabb technikák kifejlesztésével – az alaplapon végrehajtott feldolgozás és a felhőbeli számítási feladatok – biztosítják, hogy a beágyazott alkalmazások fejlesztői lépést tarthassanak a fejlődéssel, és a lehető legintelligensebb megoldásokat kínálhassák.

 

Szerző: Cliff Ortmeyer – Globális Műszaki Marketingvezető, Farnell

 

Farnell
Ingyenesen hívható telefonszám: 06 80 016 413
Műszaki támogatás e-mailben: Ez az e-mail-cím a szpemrobotok elleni védelem alatt áll. Megtekintéséhez engedélyeznie kell a JavaScript használatát.
http://hu.farnell.com

www.element14.com