Fagartikkel

Mange leverandører av utviklingskort og ettkorts datamaskiner (SBC) utvikler løsninger som gjør det mulig for innvevd-utviklere å ta i bruk disse KI-teknologier både enklere og raskere enn noen gang før. Her et eksempel fra Arduino.

Kunstig intelligens avmystifisert med SBC

Bruk av kunstig intelligens (KI) vil bli en nødvendig konkurransefaktor, men kan føles som en stor bøyg. Ta en kort (!) vei til KI ved hjelp av ettkorts datamaskinløsninger (SBC).

Publisert Sist oppdatert

Denne artikkelen er 2 år eller eldre

Kunstig intelligens (KI) og maskinlæring (ML) er teknologier som tilbyr enorme potensielle fordeler for et bredt spekter av innvevde systemer. For mange bedrifter kan investeringene som kreves for å utvikle kompetansen på disse områdene i rask utvikling være utfordrende. Noen av verdens ledende produsenter utvikler imidlertid løsninger som gjør det mulig for innvevd-utviklere å ta i bruk disse nyskapende teknologiene bade enklere og raskere enn noen gang før.

Store fordeler i produksjon

KI har potensial til å tilføre verdi til mange bransjer, men et av hovedområdene som forventes å være til nytte er leveringskjedestyring og avansert produksjon. En rapport fra McKinsey [1] estimerte at KI kunne låse opp mellom 1,2 og 2 milliarder USD i verdi for bruk av selskaper og deres kunder.

I produksjon ligger KIs største potensial i prediktivt vedlikehold, ved å bruke data fra sensorer for å identifisere uregelmessigheter og forutsi når en motor eller prosessanlegg vil kreve oppmerksomhet for å forhindre sammenbrudd.

Blant vinnerne

Forskning fra andre analytikere underbygger de gode nyhetene. En rapport fra Accenture [2] viste at produksjon er i posisjon til å bli en av de største vinnerne i KI-revolusjonen. Med KI-drevne systemer som kontinuerlig lærer om prosesser, kan vedlikeholdsingeniører glemme feilbefengte maskiner og inaktivt utstyr, mens rask prototyping og ressursallokering vil kutte tid til marked og kostnader. Alle disse forbedringene vil gi en forventet økning i lønnsomheten på 39 prosent.

Henger etter

En annen Accenture-rapport [3] fant at 71 prosent av lederne i markedet for industrielt utstyr tror at KI vil ha en betydelig innvirkning på organisasjonen deres, mens 78 prosent sa at det vil ha en betydelig innvirkning på sektoren som helhet. Den samme rapporten viser imidlertid at industriutstyrssektoren henger etter i KI-modenhet.

Halvlederindustrien

Et godt eksempel på hva dette kan bety i praksis er halvlederindustrien. Med høye kapitalinvesteringer har halvlederselskaper forsøkt å forkorte produktlivssykluser, og økt fokus på innovasjon for å holde seg konkurransedyktige. Ettersom hver ny generasjon brikker reduserer størrelsen på strukturene den er bygget på, har utviklings- og fabrikasjonskostnadene skutt i været. For disse selskapene har KI og ML potensialet til å transformere kostnadsbasen til industrien ved å øke produktiviteten i alle stadier fra forskning til brikkedesign og produksjon. ML-baserte systemer kan også trenes til å oppdage og klassifisere wafer-defekter automatisk, noe som forbedrer utbyttet ytterligere.

Lav utnyttelse av KI

Industrielle- og IoT-applikasjoner er nå ofte basert på ettkorts datamaskiner (Single Board Computers – SBC), der rundt 50 prosent av ingeniørene som var med i Farnells studie [5] bruker disse utviklingskortene i sine design. Til tross for at høy-ytelses KI er blant de vanligste forespørslene om forbedringer i SBCer, er det bare 20 prosent av ingeniørene globalt som drar nytte av KI og ML i sine SBC-applikasjoner.

Bekymring for tidsbruk

Årsakene til denne lave bruken er fortsatt uklare, men Farnell-undersøkelsen avdekket at ingeniører ser på å redusere tid-til-markedet for designene deres som en sentral bekymring. Til tross for brukervennligheten knyttet til SBCer, kan utviklere oppfatte KI og ML som en barriere, og at implementering av teknikker for å utnytte disse teknologiene vil påvirke prosjektbudsjetter og tidsskalaer unødig.

KI i aksjon

Når det gjelder KI i praksis, er prediktivt vedlikehold ett av de viktigste brukssområdene i industrien. Elektronikkdistributøren Avnet hjelper produsenter og utviklere med å lage IoT-løsninger for ulike bransjer. For eksempel samarbeidet Avnet med en stor produsent av elektriske kjøretøy for å identifisere unormale funksjoner i produksjonsrobotene. ML-teknikker og statistisk feilanalyse gjorde det mulig for klienten å oppdage abnormiteter i sanntid og iverksette tiltak for å forhindre feil.

Varesporing

Overvåking av eiendeler er også en stor mulighet. En produsent av grave- og anleggsutstyr basert i USA, som tilbød maskiner og utstyr til leie for dager eller måneder av gangen, brukte smart aktivaovervåking for å gå over til en produkt-som-en-tjeneste-modell. Dette gjorde at selskapet kunne leie ut utstyr basert på bruk, i stedet for at kundene skulle betale for hele dagen eller måneden.

Kvalitetssikring

Bildeprosessering og ansiktsgjenkjenning er klassiske bruksområder for KI og ML, samt i produksjon, da det kan brukes til å sikre adgang for ansatte, spore oppmøte og forhindre svindel og tyveri. Som et annet eksempel, tok Sonys britiske teknologisenter i bruk bildebehandling som en del av et prosjekt som bruker KI-teknologi for å overvåke produktvariasjoner og kvalitet på fabrikkgulvet. Mer enn 150 Raspberry Pi SBCer og Raspberry Pi høykvalitetskameraer ble distribuert for å gjennomgå prosesser som montering av deler på individuelle kort, for å sikre konsistens.

Det er ikke SÅ vanskelig

Selv om KI og ML kan virke skremmende, er store plattformprodusenter i gang med å gjøre det lettere for ingeniører og innvevd-utviklere å dra nytte av teknologien. SBCer blir kraftigere, noe som gjør at KI-algoritmer som bildeklassifisering, objektgjenkjenning og gestgjenkjenning kan kjøres på kortet ved hjelp av verktøy som TensorFlow Lite [6].

Lokal maskinlæring

TensorFlow Lite er optimalisert for lokal maskinlæring på en enhet, og hjelper utviklere med å kjøre modeller på mobile, innebygde og IoT-enheter. Verktøyet adresserer noen av hovedbegrensningene til SBCer: det fjerner latens ved ikke å sende data til en server; sikrer personvern siden ingen personlige data forlater enheten; krever ikke internettforbindelse; tilbyr en redusert modellstørrelse og minimerer strømforbruket.

Forhåndsopplært

TensorFlow Lite tilbyr flere forhåndsopplærte modeller som kan være egnet for industri- eller produksjonstilfeller. Disse «oppskriftene» gjør det mye enklere å distribuere KI-løsninger for å utføre funksjoner som bildeklassifiseringsmodeller som kan identifisere hundrevis av objekter, inkludert mennesker og aktiviteter, samt naturlig svar på spørsmål og gestgjenkjenning. Det er mange andre biblioteker som muliggjør utvikling av slike innvevde KI-behandlingsløsninger, men selv om dette reduserer ekspertisen, er det fortsatt behov for erfarne KI-spesialister.

Skytilgang

Tilgang til skybaserte tjenester gjennom tilkoblede enheter sikrer at data kan analyseres uten å kreve en enorm mengde datakraft på selve kortet. Skybaserte tjenester kan muliggjøre enklere distribusjon av KI, og det er et mye større utvalg av utviklere som er erfarne brukere av disse plattformene.

Telemetri

Microsoft er ledende på feltet og har lansert sin Azure Sphere IoT-plattform, som også tilbyr et Linux-kjerne-OS for innvevde mikrokontrollere (MCUer) som brukes i IoT-endepunkter. Typiske brukstilfeller inkluderer en pilot fra Starbucks som integrerte Azure Sphere MCUer for å samle telemetridata fra kaffemaskiner i butikkene. Selskapet forventer at de innhentede dataene hjelper til med å forutsi potensielle problemer før kaffebryggere og andre maskiner i butikken krever reparasjon. Azure MCUer er rimelige, tilbyr et bredt spekter av tilkoblingsmuligheter, inkludert mobilnett og Ethernet, og kan støttes av en rekke utviklingskort og startsett.

Fra Microsoft til Amazon

Andre viktige skyplattformer inkluderer Amazon Web Services (AWS). Plattformen bruker kantprosessering og avanserte analyseverktøy for å hjelpe den smarte fabrikken med å forbedre produktiviteten ved å fange opp og analysere butikkdata. Den inkluderer tilgang til skybasert KI og ML for å tilby prediktiv analyse i sanntid.

Åpen kildekode

En annen tilnærming er å bruke skybaserte tjenester sammen med åpen kildekode-rammeverk som Caffe og TensorFlow. Caffe er et velkjent rammeverk utviklet av en Berkley PhD-kandidat ved navn Yangqing Jia, mens TensorFlow-plattformen ble utviklet av Googles Brain Team, og tilbyr et omfattende bibliotek med verktøy, biblioteker og fellesskapsressurser.

Lukket kildekode

Løsninger basert på ikke-åpen kildekode gir også et brukervennlig alternativ. ARM gir integrasjon med Watson gjennom sin Mbed IoT-enhetsutviklingsplattform [7]. IBM har også bygget direkte grensesnitt til sin Watson AI-plattform med utviklingskort som Raspberry Pi, noe som gjør det enkelt å prototype maskinlæringsapplikasjoner før man binder seg til en endelig arkitektur.

SBCer for KI

Farnell lagerfører et bredt spekter av SBC-er for å støtte innebygde KI-applikasjoner. Disse inkluderer den mest populære SBC, Raspberry Pi 4. Modell B-versjonen er tilgjengelig med DDR4 RAM opptil 8 GB.

Arduino Portenta er en svært kapabel SBC. De to asymmetriske kjernene kan samtidig kjøre høynivåkode som protokollstakker, ML eller til og med oversatte språk som MicroPython eller Javascript.

Ved å koble disse kraftige, brukervennlige kortene med bruksklare skyplattformer, er det ingen grunn til at IoT-enhetsutviklere ikke kan bruke KI og ML i sine prosjekter. For produksjonskunder er fordelene klare og vil bli en nødvendighet for å forbedre produktkvaliteten, fabrikkens produktivitet og mye mer.

Fremtiden for innvevd KI

Med den dokumenterte forbedringen i systemytelse er økt bruk av KI og ML i innvevde applikasjoner ikke til å komme forbi. Selv om teknologien er kompleks, finnes det allerede løsninger som dramatisk reduserer innsatsen for å integrere og distribuere KI og ML. Ettersom det er få grunner til å utsette bruken, og sannsynligheten for at konkurrentenes produkter vil tilby tilleggsfordelene som er muliggjort av disse teknologiene, er det god grunn til å implementere KI- og ML-teknologier i innevevde systemer i dag.

Powered by Labrador CMS