NXP duplica o aprendizado de máquina no limite

O pioneiro da Internet Robert Metcalfe é conhecido por várias coisas:Co-inventando a Ethernet em 1970, co-fundando o agora fabricante de eletrônicos 3Com em 1979 e por conceber um modelo amplamente citado para expressar o valor de uma rede de telecomunicações. Conhecida como lei de Metcalfe, o princípio sustenta que o valor de uma rede de telecomunicações pode ser calculado como o quadrado do número de dispositivos em rede. Apesar das críticas de que o princípio ajudou a impulsionar a bolha das pontocom no final dos anos 1990, o princípio continua a ser usado para descrever o valor de tudo, desde a Internet das Coisas a redes de mídia social e criptomoedas. Em 2006, o próprio Metcalfe reconheceu que o princípio não tinha sido "avaliado numericamente", ao contrário da lei de Moore, que tinha décadas de dados de amplo suporte. “A Lei de Metcalfe é uma coisa de visão”, escreveu ele. “É aplicável principalmente a redes menores que se aproximam de 'massa crítica'. E é desfeito numericamente pela dificuldade em quantificar conceitos como 'conectado' e 'valor'.”

Metcalfe também reconheceu que é possível que o valor de uma rede diminua após atingir um determinado limite. “Quem não recebeu muitos e-mails ou resultados de uma pesquisa no Google?” ele perguntou. “Pode haver deseconomias de escala de rede que eventualmente reduzem os valores com o aumento do tamanho.”

À medida que o mercado de Internet das Coisas cresce, o comentário de Metcalfe aponta para a necessidade de desbloquear valor por meio do compartilhamento ideal de dados, evitando afogar-se na "exaustão digital".

[ Mundo IoT é o evento que leva IIoT da inspiração à implementação, turbinando negócios e operações. Compre seu ingresso agora. ]

“Estamos enfrentando esse obstáculo em que quanto mais dispositivos conectados houver, mais dados não filtrados entram na rede”, disse Geoff Lees, vice-presidente sênior e gerente geral da divisão de microcontroladores da NXP. “Encontramos esta ideia fundamental de que o poder - o valor econômico da rede é proporcional ao quadrado do número de dispositivos que estão na rede - a lei de Metcalfe”, continuou Lees. Mas, a menos que todos os dispositivos em uma rede sejam capazes de compartilhar dados com segurança, “nós realmente não obtemos todo o valor da rede”. E embora a nuvem seja frequentemente um local conveniente para processamento de dados, nem sempre é viável ou possível enviar IoT para um local remoto. “Estamos descobrindo que existem muitos outros aplicativos industriais e automotivos que nunca foram concebidos para fazer upload de dados para a nuvem”, disse o chefe da AI Markus Levy da NXP.

A solução da NXP para o problema, que ele chama de ambiente de inteligência de borda (eIQ), é um kit de ferramentas de aprendizado de máquina que pode acomodar estímulos de sensor de redes IoT. O eIQ oferece suporte para TensorFlow Lite e Caffe2, bem como outras estruturas de rede neural e algoritmos de aprendizado de máquina. O eIQ leva o conceito de aprendizado de máquina no limite e o aplica a casos de uso voltados para voz, visão, detecção de anomalias e assim por diante. “Ao instalar um modelo de inferência na extremidade, estamos basicamente agregando o conhecimento da rede e o valor dos dados adquiridos da rede”, disse Lees. Para dar suporte a esse objetivo, a NXP promete aumentar progressivamente o desempenho do processamento no limite com cada geração sucessiva de tecnologia de semicondutor, ao mesmo tempo que ajuda a acomodar a crescente demanda dos clientes por segurança, processamento de dados e armazenamento local. “Nos últimos dois anos, realmente evoluímos da história da conexão para a forma de aumentar a capacidade de processamento de borda”, disse Lees. “Nós o chamamos de:‘ seguro, ciente e conectado ’”.

Exemplos de aplicações de eIQ seriam o uso de visão computacional para detectar se os trabalhadores industriais estão usando capacetes, operando uma peça da máquina incorretamente ou estão fazendo algo indesejável. Especialmente para aplicativos relacionados à segurança, a latência resultante do envio de dados para a nuvem e de volta não é sustentável.

O plano da NXP para facilitar o aprendizado de máquina no limite pode ajudar os clientes da NXP a obter ganhos de eficiência significativos, disse Levy. “Acho que é nosso trabalho como fornecedor de semicondutores fornecer essa capacidade de computação de ponta / aprendizado de máquina para nossos clientes e facilitar sua implantação.”

Essa meta também se aplica à segurança cibernética. A NXP está fornecendo elementos de hardware e software projetados para tornar a segurança mais ou menos plug and play. “No lado do aprendizado de máquina, estamos fazendo a mesma coisa”, disse Levy. “Podemos fornecer um livro de receitas, por exemplo, que orienta as pessoas nas etapas de como implantar o TensorFlow. [Nossos clientes] esperam que resolvamos esse problema para eles e, basicamente, transformemos todo o conceito de aprendizado de máquina em uma forma de middleware. ”

Outra barreira para a adoção do aprendizado de máquina é o custo, disse Gowri Chindalore, estrategista-chefe para soluções embarcadas da NXP. “Muitos de nossos clientes realmente têm problemas para descobrir qual é o custo do sistema que eles devem incorrer para fornecer uma determinada experiência de usuário”, disse Chindalore. Alguns fornecedores podem recomendar unidades de processamento gráfico de ponta para oferecer suporte a aplicativos de aprendizado de máquina. Seu alto custo, no entanto, pode convencer alguns implementadores a concluir que o aprendizado de máquina está fora de alcance.

O eIQ oferece aos clientes NXP a capacidade de inserir as especificações que desejam atender, como o tempo de inferência para calcular que tipo de processador seria adequado para a aplicação. “Estamos construindo a opção de menor custo para sua empresa entregar o que eles precisam”, disse Chindalore.

A empresa também está trabalhando com empresas de análise de dados para desenvolver não apenas módulos que podem ser adaptados em ambientes industriais existentes. “Uma plataforma de petróleo é absolutamente um exemplo clássico disso”, disse Chindalore. Minas são outro exemplo. “Muitas minas precisam de monitoramento interno para detectar gases tóxicos e para a segurança do minerador”, acrescentou. Esses aplicativos exigem processamento de ponta.

A segurança cibernética é outra consideração que leva o processamento ao limite, disse Lees. “Quanto maior o valor dos dados que você mantém centralmente na nuvem, quanto maior a superfície de ataque, maior o valor do ataque para todos os hackers ou organizações malévolos”, explicou ele. Essa é a razão pela qual a NXP está defendendo armazenamentos de dados distribuídos com diversas técnicas e atributos de acesso e autorização. “À medida que você leva isso à conclusão lógica, começa a perceber que a distribuição final é manter o máximo de dados possível na borda”, disse Lees.