Preenchendo a Lacuna: Tornando Machine Learning Acessível na Edge

A inteligência na edge agora está ao alcance de designers sem formação formal em ciência de dados, graças a plataformas de hardware emergentes.

Dispositivos conectados e a Internet das Coisas (IoT) teceram-se no tecido de nossas vidas diárias — seja dentro de casas, veículos ou locais de trabalho. Embora a maioria desses dispositivos dependa de serviços em nuvem para processamento pesado, um novo paradigma, "inteligência na edge", está remodelando como construímos sistemas inteligentes.

Neste artigo, comparamos inteligência baseada em nuvem com inteligência na edge, ilustramos casos de uso reais e mostramos como o hardware da NXP e ecossistema de software eIQ capacitam designers de todos os níveis a implantar machine learning (ML) na edge.

Figura 1. Migrando de cloud computing para edge computing desbloqueia bilhões de dispositivos com ML. Imagem cortesia da NXP.

Termos-Chave de Machine Learning

Cloud Computing

Cloud computing entrega recursos computacionais remotos sob demanda. Provedores mantêm o hardware e garantem disponibilidade, permitindo que clientes paguem apenas pelo que usam. Para a maioria das empresas, serviços em nuvem permanecem a solução padrão para analytics e treinamento em larga escala.

Edge Computing

Edge computing coloca processamento mais próximo da fonte de dados — entre o usuário final e a nuvem. Nós de edge lidam com filtragem, buffering e tarefas de aprimoramento de privacidade, reduzindo latência e uso de largura de banda enquanto cortam custos. Dispositivos edge modernos agora embutem aceleradores de IA que decidem quais dados valem a pena enviar upstream para análise mais profunda.

Machine Learning (ML)

Em seu cerne, ML treina algoritmos para reconhecer padrões. Redes neurais — especialmente arquiteturas convolucionais como MobileNet — democratizaram ML rodando eficientemente em dispositivos com recursos limitados. O resultado é classificação de imagem de alta precisão, reconhecimento de fala e mais, tudo na edge.

ML Além do Domínio da Ciência de Dados

Historicamente, construir sistemas ML exigia expertise profunda em ciência de dados. Hoje, a paisagem mudou dramaticamente. Previsões projetam que até 2025, 98% dos dispositivos edge embutirão ML, traduzindo-se em aproximadamente 18-25 bilhões de dispositivos inteligentes mundialmente. Essa explosão abre possibilidades em visão computacional, análise de fala, processamento de vídeo e análise de sequência.

Exemplos concretos incluem fechaduras inteligentes que usam feeds de câmera para reconhecer usuários autorizados, ou dashboards de gestão de frota que detectam distração do motorista em tempo real. A chave é que essas capacidades não são mais limitadas a especialistas; podem ser montadas por designers com conhecimento modesto de ML.

Plataformas de Hardware que Tornam Edge ML Prático

Algoritmos de rede neural otimizados, combinados com microcontroladores poderosos, permitem cargas de trabalho ML sofisticadas na edge. O i.MX RT1170, por exemplo, oferece arquitetura dual-core — 1 GHz Arm Cortex-M7 mais 400 MHz Cortex-M4 — permitindo inferência em tempo real e execução concorrente de modelos. Seus motores crypto embutidos, gráficos e suporte multimídia o tornam ideal para detecção de distração de motorista, iluminação inteligente, fechaduras inteligentes e sistemas de gestão de frota.

Figura 2. Diagrama de blocos do i.MX RT1170 crossover MCU. Imagem cortesia da NXP.

O i.MX 8M Plus visa aplicações de maior desempenho como visão computacional e automação industrial. Com NPU dedicada entregando até 2,3 TOPS, quatro núcleos Arm Cortex-A53 e suporte opcional a câmera 4K ou dual-HD, ele pode lidar com reconhecimento facial, detecção de objetos e tarefas multimídia avançadas. Um núcleo Cortex-M7 adicional de baixa potência lida com funções de rede em tempo real, incluindo CAN FD e Ethernet Gigabit TSN-capaz.

Figura 3. Diagrama de blocos do i.MX 8M Plus. Imagem cortesia da NXP.

O Toolset eIQ: Do Modelo ao Deployment

O ecossistema ML eIQ da NXP transforma esses dispositivos poderosos em plataformas amigáveis ao desenvolvedor. A suíte inclui engines de inferência, compiladores de rede neural e bibliotecas otimizadas que integram com a IDE MCUXpresso e Yocto BSP. Próximos lançamentos adicionam eIQ Toolkit gráfico e eIQ Portal, suportando workflows tanto "bring your own model" (BYOM) quanto "bring your own data" (BYOD).

Figura 4. eIQ Toolkit e eIQ Portal com workflows BYOD/BYOM e engines de inferência selecionáveis. Imagem cortesia da NXP.

Com BYOM, desenvolvedores podem treinar modelos na nuvem e importá-los para o ambiente eIQ, então escolher o engine de inferência ótimo. Com BYOD, as mesmas ferramentas curam datasets, treinam modelos e os empacotam — tudo dentro da mesma interface gráfica.

Edge ML: Acessível, Seguro e Escalável

Edge computing mantém dados sensíveis locais, reduz custos de largura de banda e corta latência — benefícios amplificados quando combinados com ML. Seja alertas de distração de motorista em tempo real ou controle de acesso automatizado, ML na edge está remodelando como dispositivos interagem com o mundo.

Ao combinar hardware custo-efetivo da NXP com uma stack de software amigável ao desenvolvedor, designers de todos os níveis de experiência podem criar soluções ML robustas e à prova de futuro. Seja construindo um único protótipo ou implantando uma frota de bilhões de dispositivos, as ferramentas e plataformas estão agora ao alcance.

Artigos da Indústria são uma forma de conteúdo que permite parceiros da indústria compartilharem notícias úteis, mensagens e tecnologia com leitores do All About Circuits de uma forma que conteúdo editorial não é bem adequado. Todos os Artigos da Indústria estão sujeitos a diretrizes editoriais rigorosas com a intenção de oferecer aos leitores notícias úteis, expertise técnica ou histórias. Os pontos de vista e opiniões expressos em Artigos da Indústria são do parceiro e não necessariamente do All About Circuits ou seus escritores.