Inicio Artículos Aprendizaje automático y procesamiento de señales basado en IA en edge computing

Aprendizaje automático y procesamiento de señales basado en IA en edge computing

37
0
edge

Las aplicaciones y los servicios de inteligencia artificial (IA) son poco a poco más integrados en plataformas de MCU, en especial en ambientes industriales. Con una plataforma de MCU IoT de inteligencia periférica (edge intelligence) de Rutronik, los desarrolladores de hardware y firmware ahora disponen de una solución edge computing completa para sus aplicaciones basadas en IA.

Los usuarios y los dispositivos finales en el “borde” de la red acostumbran a producir cantidades masivas de datos, incluyendo información sensible que se rige por la legislación de protección de datos como los datos de localización, los historiales médicos, los registros de actividad y la información de producción. El análisis de semejantes datos en la nube (cloud) o bien los sistemas periféricos acarrea un peligro esencial de violaciones de la privacidad – aun al cumplir con requisitos legales como el Reglamento General de Protección de Datos (RGPD – GDPR).

Hace unos años, los sistemas de automatización y control en tiempo real se desarrollaron en buena medida como sistemas independientes. Hoy día, están conectados con redes por medio de las que se pueden filtrar o bien manipular datos sensibles. En la mayor parte de los casos, la arquitectura del sistema no da la protección conveniente contra semejantes ataques. Este es el motivo por el cual la seguridad de los datos y los algoritmos ocupa un sitio señalado en la lista de prioridades de las compañías industriales.

Cambio de paradigma de cloud computing a edge computing

La inteligencia periférica (edge intelligence – EI), un procedimiento de aprendizaje independiente en los propios dispositivos finales, es un forma de permitir el aprendizaje de datos distribuidos de forma congruente con los intereses de protección de datos. Los registros de datos originales continúan guardados en los dispositivos o bien nodos donde se produjeron, mas los factores del modelo edge IA se pueden emplear para múltiples dispositivos finales.

En Edge Intelligence, el procesamiento de señales digitales ha de ser efectuado por la IA en el front end de Internet de las Cosas [industrial] (IIoT). Esto implica un cambio de paradigma auténtico desde la inteligencia plenamente basada en la nube al procesamiento local de las señales digitales inteligentes en el dispositivo final.

A fin de que los servicios de EI ofrecidos por múltiples compañías se consideren de confianza, se requiere un modelo de confianza descentalizado. Los diseños básicos de mecanismos de seguridad distribuidos dejan asegurar la implementación de la autentificación del usuario, el control de acceso, la integridad del modelo y los datos y la verificación mutua de la plataforma. Si no se puede quitar el peligro de la presencia en internet de nodos periféricos “fiables” y “maliciosos”, se precisa contar con planes de enrutamiento seguro y las topologías de red de confianza para proveer servicios de EI. Los nuevos mecanismos de seguridad con zonas de confianza y algoritmos basados en criptografía resultan esenciales para todos y cada uno de los procesos de comunicación con el MCU y el almacenaje de datos. Esto se aplica a todo el proceso, desde la programación hasta la capacitación en algoritmos y el empleo práctico sobre el terreno.

Criterios claves para los sistemas basados en EI

Cuando menos 6 criterios desempeñan un papel esencial en el desempeño de los sistemas basados en IE. Asimismo resultaron esenciales en el diseño de la plataforma de MCU IoT Edge Intelligence RUTDevKit-STM32L5 de Rutronik:

1. Latencia

La latencia es el tiempo preciso para el proceso de resolución y también inferencia, incluyendo preprocesamiento, inferencia de modelo, transmisión de datos y postprocesamiento. Asumiendo una latencia de cien ms para todo el proceso, los elementos como el procesamiento de señales de datos del sensor analógico deberían ser considerablemente más cortos. Particularmente, se aplican límites de tiempo rigurosos para las aplicaciones móviles en tiempo real, como robótica, mantenimiento predictivo o bien fusión de datos de sensores. En un caso así, se requieren unas velocidades de muestreo de unos cien kHz y el preprocesamiento de las señales asociado. En la RUTDevKit-STM32L5, los convertidores de analógico a digital (ADC) de gran velocidad para el STM32L05 dan los valores de latencia demandados.

Hay otros factores que afectan a la latencia, como los recursos de dispositivo periférico y el procedimiento de transmisión de datos, como la manera de incorporar la red neuronal en el software. En la RUTDevKit-STM32L5, la interfaz PSRAM Octo-SPI y la interfaz NOR flash Quad-SPI respaldan las capacidades en tiempo real de la tarjeta, ayudando de esta manera a lograr las velocidades de trasferencia de datos más veloces posibles.

2. Precisión

La precisión se relaciona con el modelo de adiestramiento de IA y, en consecuencia, asimismo con los resultados del modelo de IA. Se refiere a la ratio del número de muestras de datos que generan las predicciones adecuadas mediante la inferencia al total de muestras de datos. Los factores de repercusión incluyen la velocidad a la que los datos de entrada se introducen en el modelo de IA. Por servirnos de un ejemplo, en una aplicación de análisis de vídeo, la ratio de entrada conveniente puede provocar una omisión de datos debido a los recursos limitados del dispositivo periférico. Esto causa que la precisión “sufra”. En el otro lado, un sistema sin cámara como el de detección de ángulo fallecido en un vehículo, que se fundamenta en la tecnología de sensor infrarrojo pulsado, da unos resultados de toma de resoluciones más veloces y precisos. Es exactamente para esta clase de aplicaciones con inteligencia descentralizada donde las plataformas de MCU resultan ideales.

El control de ademanes sin cámara basado en EI con tiempos de latencia cortísimos ha permitido la creación de, por poner un ejemplo, la familia Halios de Elmos. Halios son las iniciales de High Ambient Light Independent Optical System (Sistema Óptico Independiente de Elevada Luz Entorno). Sus componentes de alta sensibilidad advierten ademanes sin precisar elementos mecánicos ni sistemas basados en cámara. Estos se pueden conjuntar realmente bien con la RUTDevKit-STM32L5.

3. Consumo de energía

El trabajo asociado al cálculo y la comunicación al derivar los resultados de un modelo de IA consume una cantidad bastante grande de energía. Esto supone un inconveniente al incorporar el modelo de IA en el dispositivo final, por el hecho de que – en contraste a los servidores periféricos y los centros de datos en la nube – estos dispositivos se acostumbran a nutrir por batería. Este es el motivo por el cual la eficacia energética es un factor esencial en las aplicaciones de EI. Depende del tamaño y la dificultad del modelo de IA y los recursos en los dispositivos finales. La administración eficiente del espacio de memoria y los tiempos de comunicación y un MCU de baja potencia/alto desempeño reducen el consumo de energía.

4. Protección de datos

Las aplicaciones y los dispositivos (I)IoT asimismo producen un sinnúmero de in capacitación sensible, motivo por el que se debe asegurar la privacidad y la seguridad de los datos cerca de la fuente de datos de una aplicación de IE. Acá el procedimiento de procesamiento de los datos originales desempeña un papel protagonista y, en consecuencia, resulta esencial contar con de una “zona de confianza” en el MCU y el almacenaje de datos – un área virtual con controles de acceso basados en hardware. Asimismo son aspectos críticos la administración de las áreas seguras (fiables) y también inseguras (no fiables), la planificación rigurosa del proceso de programación y la aplicación de los derechos de acceso limitados a lo largo de la operación.

Para aquellos procesos seguros de aprendizaje automático que implican casi big data, la RUTDevKit-STM32L5 tiene un slot de tarjeta SD. Esto deja agregar una tarjeta SD con capacidad de cifrado para poder resguardar datos valiosos.

5. Comunicación

La comunicación externa con otros sistemas EI asimismo tiene mucho estrellato en la capacidad en tiempo real del sistema. Para sostener la latencia lo más baja posible, esta sobrecarga de comunicación debe minimizarse a lo largo de la fase de inferencia. Esto es singularmente cierto en el caso del empleo intensivo del ancho de banda WAN en la nube.

Se halla libre un módulo Anybus para la RUTDevKit-STM32L5 que permite la comunicación por medio de todos y cada uno de los autobuses de campo estándares y las redes Ethernet industriales, calmando la carga sobre el desempeño informático de la MCU.

6. Memoria

Un modelo de IA de alta precisión se acostumbra a fundamentar en un número exageradamente alto de registros de datos. No obstante, para los dispositivos móviles y alimentados por batería, el enfoque tiende a estar más en reducir los recursos de almacenaje. Para poder guardar big data y datos de inferencia con seguridad en tales dispositivos resulta esencial optimar los periféricos de almacenaje para la implementación de la IA.

La RUTDevKit-STM32L5 se identifica por cuatrocientos doce kB de memoria flash, sesenta y cuatro Mbits de PSRAM y ciento veintiocho Mbits de memoria flash NOR en el chip MCU, y un slot para una tarjeta SD en el segmento de los GB con un área segura para ofrecer las condiciones ideales en aplicaciones de aprendizaje automático.

Conclusión

En muchas aplicaciones, puede tener sentido ejecutar modelos de IA no en la nube, sino más bien en dispositivos periféricos. Su último desarrollo, la RUTDevKit-STM32L5, es una contribución esencial de Rutronik en el momento de asegurar sistemas seguros y autónomos con la conectividad conveniente. Esta solución completa para aplicaciones periféricas basadas en IA se ejecuta en una plataforma MCU que deja a los desarrolladores de hardware y firmware crear pruebas de término en poquísimo tiempo, incrementando la eficacia y la escalabilidad del sistema y reduciendo el tiempo y el costo de desarrollo.

La RUTDevKit-STM32L5 ofrece la base para un kit de herramientas modular. Además de esto, se están desarrollando tarjetas plug-in compatibles con Arduino que respaldan conceptos de soluciones viables en aplicaciones finales concretas.

ARM TrustZone ofrece un ambiente seguro y también inseguro en un núcleo.

6 fases desde la nube a la Edge Intelligence

La RUTDevKit-STM32L5 – una plataforma de MCU IoT Edge Intelligence

La RUTDevKit-STM32L5 da a los desarrolladores de hardware y firmware una solución completa para el desarrollo interno de aplicaciones periféricas basadas en IA. El BOM solo incluye componentes del catálogo de Rutronik. Se puede hallar en www.rutronik.com/development-stories/rutdevkit-stm32l5 y amoldar sencillamente a prácticamente cualquier aplicación. Ahora, se “echa un vistazo” a los componentes:

Hardware

• Supervisor IoT de ultrabajo consumo STM32L562ZET6Q (ciento diez MHz), ARM Cortex-M33 TrustZone con flash de quinientos doce kB, PSRAM on-chip y flash NOR conectada vía Octo-SPI, conectores de pin Arduino, acceso a los pines ES del microcontrolador y depurador USB ST-Enlace

• PSRAM Octo-SPI de sesenta y cuatro Mbits APS6408L

• Flash NOR Quad-SPI de ciento veintiocho Mbits EN25QH128A

• CAN FD con supervisor TLE9251VLE

• Fuente de nutrición USB-C con CI de protección TCPP01-M12

• Interfaz RS-cuatrocientos ochenta y cinco con supervisor ST3485EDBR

• Slot de tarjeta Micro-SD

• Interfaz Arduino

• Diseño de 4 capas

Software

• Demo de modo de test CAN-FD

• Demo Modbus RS-cuatrocientos ochenta y cinco

• Demo de fuente de nutrición USB

• Demo de gestor de arranque (bootloader) flash de banco dual

• Demo TrustZone

• Demo de detección de boicot