Dove elaborare i dati dell’Intelligenza Artificiale per l’IIoT?

L’Intelligenza Artificiale (AI) ha la capacità di rendere i sistemi integrati per l’Internet of Things Industriale (IIoT) molto più reattivi e affidabili. Gli utenti stanno già sfruttando la tecnologia per monitorare le condizioni dei macchinari e identificare se un guasto è imminente, oltre a programmare i lavori di manutenzione ordinaria in maniera più conveniente.

Una decisione importante nella diffusione della tecnologia AI nei sistemi integrati consiste nel determinare dove avviene la maggior parte di questa elaborazione di dati. Gli algoritmi AI variano ampiamente nelle prestazioni di calcolo che richiedono, il che avrà una forte influenza su ciò che è necessario per elaborare l’algoritmo e su dove tale elaborazione viene fatta. Ci sono tre approcci chiari per i progettisti di sistemi che sviluppano sistemi integrati basati su AI, tra cui l’utilizzo di un servizio AI basato su cloud, l’implementazione di un sistema con AI integrato o la creazione di algoritmi propri, generalmente basati su software open-source.

Utilizzo di un servizio basato sul cloud

Un’architettura Deep Neural Network (DNN) è un esempio di algoritmo che è particolarmente intensivo nell’elaborazione, soprattutto durante la fase di formazione, dove sono necessari miliardi di calcoli in virgola mobile ogni volta che il modello deve essere aggiornato. A causa dell’intensa richiesta di DNN, l’approccio tipico è quello di inviare dati al cloud per elaborarli a distanza. L’elaborazione nel cloud è già ampiamente utilizzata nell’elettronica di consumo, come gli altoparlanti smart. I dispositivi abilitati all’AI nel controllo industriale possono allo stesso modo sfruttare questa elaborazione remota, così come gli strumenti e i framework creati per lavorare con i servizi cloud, molti dei quali sono forniti in forma open-source.

Un esempio popolare di AI basato su cloud è TensorFlow di Google. Questo fornisce diversi livelli di astrazione per consentirne l’uso da parte degli ingegneri esperti nella creazione di algoritmi AI, così come da parte di chi è appena agli inizi. L’API di Keras, che fa parte del framework di TensorFlow, è stato progettato per rendere più facile l’esplorazione di tecniche di apprendimento automatico e avviare le applicazioni.

Un inconveniente con l’elaborazione basata su cloud, tuttavia, sta nella larghezza di banda di comunicazione necessaria per supportarla. Una connessione internet affidabile è essenziale per mantenere il servizio e vale la pena notare che molte applicazioni consumer di cloud AI si basano su connessioni a banda larga. Le macchine utensili in fabbrica potrebbero non avere accesso ai dati necessari per aggiornare in tempo reale un modello AI remoto.

Svolgendo più elaborazioni localmente, è possibile ridimensionare i requisiti della larghezza di banda, a volte in maniera drastica. Per molte applicazioni industriali, la quantità di dati che deve essere inviata a una postazione remota può essere ridotta notevolmente prestando attenzione al contenuto. In un’applicazione che monitora le variabili ambientali, molte di esse non cambiano per lunghi periodi di tempo. Ciò che è importante per il modello risiede nelle modifiche al di sopra o al di sotto di determinate soglie. Anche se un sensore può avere bisogno di analizzare gli ingressi del sensore millisecondo per millisecondo, la frequenza di aggiornamento per il server cloud può essere dell’ordine di pochi aggiornamenti ogni secondo, o anche meno frequentemente.

 

La creazione del software per AI

Per forme più complesse di dati, come audio o video, sarà richiesto un maggior grado di pre-elaborazione. L’elaborazione dell’immagine prima di passare l’output a un modello AI può non solo salvare la larghezza di banda delle comunicazioni, ma contribuire a migliorare le prestazioni complessive del sistema. Ad esempio, il denoising prima della compressione migliora spesso l’efficienza degli algoritmi di compressione. Questo è particolarmente importante per le tecniche di compressione con perdita che sono sensibili ai segnali ad alta frequenza. Il rilevamento dei bordi può essere utilizzato con la segmentazione dell’immagine per focalizzare il modello solo su oggetti di interesse. Ciò riduce la quantità di dati irrilevanti che devono essere alimentati al modello, sia durante la formazione che l’inferenza. 

ATTENZIONE: quello che hai appena letto è un estratto dell'articolo. Per continuare la lettura registrati oppure effettua l'accesso.

Post correlati

Commenta questo articolo