Masterização de IA incorporada

O apelo de colocar IA em aplicativos incorporados é óbvio, por exemplo, usando face-id para autorizar o acesso aos controles da máquina no chão de fábrica. Reconhecimento facial, controle de voz, detecção de anomalias, com IA, existem tantas possibilidades. Vou usar o id de rosto como exemplo neste blog. Muito mais fácil de usar, mais inteligente e mais robusto do que as interfaces e senhas tradicionais homem-máquina. Sem mencionar que todo mundo está fazendo isso. Como a IA funciona pode parecer mágico, mas o que ela pode fazer está rapidamente se tornando uma expectativa mínima. Ninguém quer avaliar produtos de forma transparente com base na tecnologia de ontem.

(Fonte:CEVA)
O desafio

Há um problema para um construtor de produto. O desenvolvimento baseado em IA é bastante diferente do desenvolvimento embarcado padrão. Você não está escrevendo software, pelo menos para a função principal. Você tem que treinar uma rede neural para reconhecer padrões (como imagens), da mesma forma que treinaria uma criança na escola. Em seguida, você deve otimizar essa rede para a pegada restrita de seu dispositivo incorporado, para atender às metas de tamanho e energia. Redes neurais podem não ser um código convencional, mas a rede e seus cálculos ainda consomem memória e queimam energia. Como um desenvolvedor embarcado, você sabe como é importante espremer essas métricas o máximo possível. Vou chegar a isso no meu próximo blog. Por enquanto, vamos entender pelo menos um pouco de como essas redes neurais funcionam.

O básico

Eu não quero te guiar por uma longa explicação sobre redes neurais; exatamente o que você terá que fazer para que seu aplicativo funcione. Uma rede neural é conceitualmente uma série de camadas de “neurônios”. Cada neurônio lê duas (ou mais) entradas de uma camada anterior ou os dados de entrada, aplica um cálculo usando pesos treinados e alimenta um resultado. Com base nesses pesos, uma camada detecta recursos, progressivamente mais complexos à medida que você se move através das camadas, eventualmente reconhecendo uma imagem complexa na saída.

A primeira parte inteligente é projetar a rede - quantas camadas, conexões entre as camadas e assim por diante - o algoritmo da rede neural central. A segunda parte inteligente está no treinamento. É um processo em que muitas imagens são veiculadas pela rede, com rotulagem para identificar o que deve ser reconhecido. Essas corridas constroem os valores de peso necessários para o reconhecimento.

Se você se sentir ambicioso, crie sua própria rede neural do zero para uma das redes padrão, como TensorFlow. Você também pode começar a partir de uma opção de código-fonte aberto, como esta para id de rosto. Você pode criar tudo isso em um aplicativo que pode ser executado em um laptop, o que será útil para clientes que desejam registrar novos rostos aprovados. Agora você pode começar a treinar sua rede com um conjunto de teste de rostos aprovados em várias poses.

Por que não apenas fazer isso na nuvem?

Existem serviços que farão reconhecimento facial online - não há necessidade de entrar em uma IA bagunçada em seu dispositivo. Basta tirar a foto, fazer o upload para a nuvem, o aplicativo retransmite um OK e seu produto aprova a próxima etapa.

Mas - todos os seus funcionários aprovados precisam ter suas fotos e outras credenciais na nuvem. Talvez não seja uma boa ideia para segurança e privacidade. Você vai gastar bastante energia comunicando a imagem para a nuvem sempre que um trabalhador quiser acessar uma máquina. E se sua conexão com a Internet cair, ninguém poderá ser aprovado até que ela volte a funcionar. Fazer a autenticação diretamente no dispositivo preserva a privacidade e a segurança, mantém o consumo de energia baixo e continua a funcionar mesmo quando a conexão de rede está desligada.

A seguir - incorporando sua rede treinada

Agora que você concluiu a parte difícil da IA, é necessário fazer o download para o seu dispositivo. Essa é uma etapa interessante por si só, em que você definitivamente precisará da ajuda de sua plataforma de IA. Vou falar mais sobre isso no meu próximo blog. Enquanto isso, para obter mais informações, consulte “Aprendizado profundo para o mundo incorporado em tempo real”.

---

Ariel Hershkovitz atua como Gerente Sênior de Soluções para Clientes para Ferramentas de Desenvolvimento de Software da CEVA. Ariel traz mais de 14 anos de experiência multidisciplinar, abrangendo desenvolvimento de software, verificação, integração e implantação de entregas de software, em funções técnicas e gerenciais. Ele é apaixonado por experiências de usuário, facilidade de uso e tecnologia inovadora. Altamente proficiente em analisar problemas complexos e simplificá-los para uma resolução rápida. Ariel possui um B.Sc. em Ciência da Computação pela Ben-Gurion University e um MBA pela Bar-Ilan University.

---

Conteúdos Relacionados:

• Aplicação de aprendizado de máquina em sistemas embarcados
• Os desafios e oportunidades do aprendizado de máquina na IoT
• Lidando com o preconceito de treinamento em aprendizado de máquina
• Aproveitando FPGAs para aprendizado profundo
• As pontuações do comparativo destacam uma ampla gama de desempenho de inferência de aprendizado de máquina
• Transferência de aprendizagem para a IoT
• Algoritmos de inteligência artificial e desafios para veículos autônomos

Para obter mais informações sobre o Embedded, assine o boletim informativo semanal por e-mail da Embedded.