A mesterséges intelligencia demisztifikálása egylapos számítógépekkel

A mesterséges intelligencia és a gépi tanulás olyan technológiák, amelyek a beágyazott rendszerek széles körében hatalmas potenciális előnyöket kínálnak. E gyorsan fejlődő területeken sok vállalat számára kihívást jelenthet a szakértelem fejlesztéséhez szükséges beruházás. A világ néhány vezető gyártója azonban olyan megoldásokat fejleszt, amelyek lehetővé teszik a beágyazott fejlesztők számára, hogy minden eddiginél egyszerűbben és gyorsabban alkalmazhassák ezeket az innovatív technológiákat.

Előnyök a gyártás számára

A mesterséges intelligencia számos iparág számára jelenthet hozzáadott értéket, de az egyik legfontosabb terület, amely várhatóan profitálhat belőle, az ellátásilánc-menedzsment és a fejlett gyártás. A McKinsey [1] jelentése szerint a mesterséges intelligencia 1,2-2 billió USD értéket szabadíthat fel a vállalatok és ügyfeleik számára.

A gyártásban a mesterséges intelligencia legnagyobb potenciálja a prediktív karbantartásban rejlik, amely az érzékelők adatainak felhasználásával azonosítja az anomáliákat, és megjósolja, hogy egy motor vagy feldolgozóüzem mikor igényel figyelmet az üzemzavar megelőzése érdekében.
Más elemzők kutatásai is alátámasztják a jó híreket. Az Accenture jelentése [2] kimutatta, hogy a gyártás lesz a mesterséges intelligencia forradalmának az egyik legnagyobb nyertese. A folyamatokról folyamatosan tanuló, mesterséges intelligenciával működő rendszerek révén a karbantartó mérnökök elfelejthetik a hibás gépeket és az üresen álló berendezéseket, amíg a gyors prototípus-előállítás és erőforrás-kiosztás csökkenti a piacra jutási időt és a költségeket. Mindezek a fejlesztések az előrejelzések szerint 39 százalékos nyereségességnövekedést eredményeznek.
Egy másik Accenture-jelentés [3] szerint az ipari berendezések ágazatában a vezetők 71 százaléka úgy véli, hogy a mesterséges intelligencia jelentős hatással lesz az általuk irányított szervezetre, 78 százalékuk pedig azt állítja, hogy az ágazat egészére jelentős hatással lesz. Ugyanez a jelentés azonban azt is mutatja, hogy az ipari berendezések ágazata lemaradásban van az MI érettségét illetően.
Jó példa arra, hogy ez mit jelenthet a gyakorlatban, a félvezetőipar. A magas tőkebefektetésekkel a félvezetőgyártó vállalatok megpróbálták lerövidíteni a termékéletciklusokat és fokozottan az innovációra összpontosítani, hogy versenyképesek maradjanak. Mivel a chipek minden egyes új generációja csökkenti a ráépülő struktúrák méretét, a fejlesztési és gyártási költségek az egekbe szöktek. E vállalatok számára a mesterséges intelligencia és a gépi tanulás magában hordozza a lehetőséget, hogy a termelékenység növelésével a kutatástól a chip-tervezésen át a gyártásig minden szakaszban átalakítsa az iparág költségalapját. A gépitanulás-alapú rendszerek arra is betaníthatók, hogy automatikusan felismerjék és osztályozzák a félvezetőszelet-hibákat, ami tovább javítja a kihozatalt.

A mesterséges intelligencia alacsony elterjedtsége

Az ipari és a tárgyak internete (IoT) alkalmazások ma már gyakran egylapos számítógépeken (SBC) alapulnak, a Farnell [5] által megkérdezett mérnökök mintegy 50 százaléka használja ezeket a fejlesztői kártyákat tervezése során. Annak ellenére, hogy a nagy teljesítményű mesterséges intelligencia az egylapos számítógépekkel kapcsolatos leggyakoribb fejlesztési igények között szerepel, a mérnököknek világszerte csak 20 százaléka használja ki a mesterséges intelligencia és a gépi tanulás előnyeit SBC-alkalmazásaiban.

Az alacsony elterjedés okai továbbra sem világosak, de a Farnell kutatása szerint a mérnökök a tervezéseik piacra jutási idejének csökkentését tartják a legfontosabb szempontnak. Az SBC-khez kapcsolódó könnyű használhatóság ellenére a fejlesztők a mesterséges intelligenciát és a gépi tanulást akadályként érzékelhetik, és úgy gondolhatják, hogy ezen technológiák hasznosítására szolgáló technikák bevezetése indokolatlanul befolyásolná a projektek költségvetését és ütemezését.

A mesterséges intelligencia akcióban

A gyakorlati MI-ről szólva a prediktív karbantartás az egyik legfontosabb felhasználási terület az iparban. Az Avnet elektronikai disztribútor segít a gyártóknak és a fejlesztőknek IoT-megoldások előállításában a különböző iparágak számára. Az Avnet például egy nagy elektromos járműgyártóval dolgozott együtt, hogy azonosítsa a gyártási robotok működésében mutatkozó rendellenességeket. A gépi tanulási technikák és a statisztikai hibaelemzés lehetővé tette az ügyfél számára, hogy valós időben észlelje a rendellenességeket, és intézkedéseket tegyen a hibák megelőzésére.
Az eszközfelügyelet szintén jelentős lehetőséget jelent. Egy földmunkagép- és építőipari berendezésgyártó, amely napokra vagy hónapokra bérbe adott gépeket és berendezéseket, az intelligens eszközfelügyeletet használta fel a termékre mint szolgáltatásmodellre való áttéréséhez. Ez lehetővé tette a vállalatok számára a használatalapú bérlést, ahelyett hogy az ügyfelek az egész napra vagy hónapra fizetnének.
A képfeldolgozás és az arcfelismerés a mesterséges intelligencia és a gépi tanulás klasszikus felhasználási esetei a gyártásban, mivel a munkavállalók belépésének biztosítására, a jelenlét nyomon követésére, valamint a csalás és a lopás megelőzésére alkalmazhatók. Egy másik példa, amelyben a Sony brit technológiai központja képfeldolgozást alkalmazott egy olyan projekt részeként, amely a mesterséges intelligencia technológiáját a termékváltozatok és a minőség nyomon követésére használja a gyárban. Több mint 150 Raspberry Pi SBC-t és Raspberry Pi High Quality kamerát vetettek be a folyamatok, például az alkatrészek egyes lapokra való felszerelésének felülvizsgálatára, a következetesség biztosítása érdekében.

Nem is olyan nehéz

Bár a mesterséges intelligencia és a gépi tanulás ijesztően hangozhat, a nagy platformgyártók is beszállnak a játékba, és megkönnyítik a mérnökök és a beágyazott fejlesztők számára a technológia előnyeinek kihasználását. Az SBC-k egyre nagyobb teljesítményűek, lehetővé téve az olyan MI-algoritmusok futtatását a lapkán, mint a képosztályozás, a tárgy- és a gesztusfelismerés, olyan eszközökkel, mint a TensorFlow Lite [6].

A TensorFlow Lite az eszközön történő gépi tanuláshoz optimalizált, és segíti a fejlesztőket a modellek futtatásában mobil, beágyazott és IoT-eszközökön. Az eszköz az SBC-k néhány kulcsfontosságú korlátját kezeli: megszünteti a késleltetést, mivel nem küld adatokat egy szerverre; biztosítja az adatvédelmet, mivel a személyes adatok nem hagyják el az eszközt; nem igényel internetkapcsolatot; csökkentett modellméretet kínál és minimalizálja az energiafogyasztást.
A TensorFlow Lite számos előre betanított modellt kínál, amelyek alkalmasak lehetnek ipari vagy gyártási felhasználási esetekre. Ezek a „receptek” nagyban megkönnyítik az MI-megoldások telepítését különböző funkciók elvégzésére, mint például a több száz objektumot, köztük embereket és tevékenységeket azonosító képosztályozó modellek, valamint a kérdések természetes nyelvi megválaszolása és a gesztusfelismerés. Számos más könyvtár is lehetővé teszi a fedélzeti MI-feldolgozó megoldások fejlesztését, és bár ez csökkenti a szakértelmet, továbbra is szükség van tapasztalt MI-szakértőkre.
A felhőalapú szolgáltatásokhoz való hozzáférés a csatlakoztatott eszközökön keresztül biztosítja az adatok elemzését anélkül, hogy magán a fedélzeten hatalmas számítási teljesítményre lenne szükség. A felhőalapú szolgáltatások lehetővé tehetik az MI egyszerűbb telepítését, és sokkal több olyan fejlesztő áll rendelkezésre, akik tapasztalt felhasználói ezeknek a platformoknak.
A Microsoft vezető szerepet tölt be ezen a területen, és elindította Azure Sphere IoT platformját, amely Linux kernel operációs rendszert is kínál az IoT végpontokban használt beágyazott mikrokontrollerekhez. A tipikus felhasználási esetek közé tartozik a Starbucks kísérleti projektje, amely Azure Sphere MCU-kat ágyazott be az üzleteiben található kávégépek telemetriai adatainak gyűjtésére. A vállalat arra számít, hogy az összegyűjtött adatok segítenek előre jelezni a lehetséges problémákat, mielőtt a kávéfőzők és más gépek az üzletben javításra szorulnának. Az Azure MCU-k olcsók, számos csatlakozási lehetőséget kínálnak, beleértve a cellás és az Ethernet hálózatot is, és számos fejlesztői kártya és induló készlet támogatja őket.
A többi jelentős felhőplatform közé tartozik az Amazon Web Services (AWS). A platform az edge computing és a fejlett analitikai eszközök segítségével az üzemi adatok rögzítésével és elemzésével segíti az intelligens gyárat a termelékenység javításában. A felhőalapú mesterséges intelligenciához és a gépi tanuláshoz való hozzáférést is tartalmaz, hogy valós idejű előrejelző elemzést tudjon kínálni.
Egy másik megközelítés a felhőalapú szolgáltatások használata olyan nyílt forráskódú keretrendszerek mellett, mint a Caffe és a TensorFlow. A Caffe egy jól ismert keretrendszer, amelyet egy Yangqing Jia nevű Berkley-i doktorandusz fejlesztett ki, míg a TensorFlow platformot a Google Brain Team fejlesztette ki, és széles körű eszköz-, könyvtár- és közösségi erőforrásokat kínál.
A zárt forráskódú megoldások is könnyen használható alternatívát jelentenek. Az ARM az Mbed IoT eszközfejlesztő platformján keresztül biztosítja a Watsonnal való integrációt [7]. Az IBM is közvetlen interfészeket épített Watson MI platformjához olyan fejlesztői kártyákkal, mint a Raspberry Pi, ami megkönnyíti a gépi tanulással kapcsolatos alkalmazások prototípusának elkészítését, még a végleges architektúra melletti elkötelezettség előtt.

SBC-k a mesterséges intelligenciához

A Farnell a beágyazott MI-alkalmazások támogatására szolgáló SBC-k széles választékával rendelkezik. Ezek közé tartozik a legnépszerűbb SBC, a Raspberry Pi 4. A B-modell változata akár 8 GB DDR4RAM memóriával is kapható.
Az Arduino Portenta egy nagy képességű SBC. Két aszimmetrikus magja egyszerre képes magas szintű kódok, például protokoll stackek, gépi tanulás vagy akár értelmezett nyelvek, például MicroPython vagy Javascript futtatására.
Azáltal, hogy ezeket a nagy teljesítményű, könnyen kezelhető eszközöket kész felhőplatformokkal párosítjuk, nincs ok arra, hogy az IoT-eszközök fejlesztői ne használhassák a mesterséges intelligenciát és a gépi tanulást a projektjeikben. A gyártó ügyfelek számára az előnyök egyértelműek, és szükségessé válnak a termékminőség, a gyári termelékenység és még sok más javításához.

A beágyazott mesterséges intelligencia jövője

A rendszer teljesítményének bizonyított javulásával elkerülhetetlen a mesterséges intelligencia és a gépi tanulás fokozott alkalmazása a beágyazott fejlesztésekben. Bár a technológia összetett, már léteznek olyan megoldások, amelyek drámaian csökkentik a mesterséges intelligencia és a gépi tanulás integrálásának és telepítésének erőfeszítéseit. Mivel kevés indok van az elfogadás késleltetésére, és valószínű, hogy a versenytársak termékei is kínálni fogják e technológiák által nyújtott további előnyöket, meggyőző érvek szólnak amellett, hogy már ma be kell vetni ezen technológiákat a beágyazott rendszerekben.

Referenciák

[1] https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/most-of-ais-business-uses-will-be-in-two-areas
[2] https://www.accenture.com/fr-fr/_acnmedia/36dc7f76eab444cab6a7f44017cc3997.pdf
[3] https://www.accenture.com/_acnmedia/PDF-74/Accenture-Pov-Manufacturing-Digital-Final.pdf
[4] https://www.accenture.com/us-en/insights/artificial-intelligence-summary-index
[5] https://www.element14.com/news/new-research-from-farnell-shows-demand-for-low-cost-sbcs-in-industrial-and-iot-applications/
[6] https://www.tensorflow.org/lite/tutorials
[7] https://os.mbed.com/

Szerző: Cliff Ortmeyer – a Farnell műszaki marketing globális vezetője

Farnell element14
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