NXP удваивает объем машинного обучения на периферии

Пионер Интернета Роберт Меткалф известен несколькими вещами:Со-изобрел Ethernet в 1970 году, стал соучредителем теперь уже производителя электроники 3Com в 1979 году и разработал широко цитируемую модель, отражающую ценность телекоммуникационной сети. Этот принцип, известный как закон Меткалфа, гласит, что ценность телекоммуникационной сети можно рассчитать как квадрат количества подключенных к сети устройств. Несмотря на критику в отношении того, что этот принцип способствовал возникновению пузыря доткомов в конце 1990-х годов, этот принцип по-прежнему используется для описания ценности всего, от Интернета вещей до социальных сетей и криптовалют. В 2006 году Меткалф сам признал, что этот принцип не был «оценен численно», в отличие от закона Мура, по которому были получены обширные подтверждающие данные за несколько десятилетий. «Закон Меткалфа - это видение, - писал он. «Это применимо в основном к более мелким сетям, приближающимся к« критической массе ». И это нивелируется численно из-за сложности количественной оценки таких понятий, как« взаимосвязь »и« ценность »».

Меткалф также признал, что ценность сети может упасть после достижения определенного порога. «Кто не получал слишком много писем или слишком много обращений из поиска Google?» он спросил. «Масштаб сети может отрицательно сказаться на экономичности, что в конечном итоге приведет к снижению стоимости с увеличением размера».

По мере роста рынка Интернета вещей комментарий Меткалфа указывает на необходимость раскрыть ценность за счет оптимального обмена данными, избегая при этом «цифрового выхлопа».

[ Мир Интернета вещей - это событие, которое превращает IIoT от вдохновения к реализации, стимулируя бизнес и операции. Получите билет прямо сейчас. ]

«Мы сталкиваемся с этим препятствием, когда чем больше подключенных устройств, тем больше нефильтрованных данных поступает в сеть», - сказал Джефф Лис, старший вице-президент и генеральный менеджер подразделения микроконтроллеров NXP. «Мы натолкнулись на фундаментальную идею о том, что мощность - экономическая ценность сети пропорциональна квадрату количества устройств в сети - закон Меткалфа, - продолжил Лис. Но если все устройства в сети не способны безопасно обмениваться данными, «мы действительно не сможем получить полную ценность от сети». И хотя облако часто является удобным местом для обработки данных, не всегда возможно или возможно передать IoT в удаленное место. «Мы обнаруживаем, что существует гораздо больше приложений в промышленности и автомобилестроении, которые на самом деле никогда не предназначались для загрузки данных в облако», - сказал Маркус Леви, глава отдела искусственного интеллекта NXP.

Решение NXP, которое она называет средой периферийного интеллекта (eIQ), представляет собой набор инструментов машинного обучения, который может обрабатывать сенсорные стимулы из сетей IoT. eIQ предлагает поддержку TensorFlow Lite и Caffe2, а также других фреймворков нейронных сетей и алгоритмов машинного обучения. eIQ берет на вооружение концепцию машинного обучения и применяет ее к случаям использования, нацеленным на голос, зрение, обнаружение аномалий и т. д. «Устанавливая модель логического вывода на периферии, мы, по сути, как бы агрегируем информацию о сети и ценность полученных ею данных», - сказал Лиз. Для достижения этой цели NXP обещает постепенно повышать производительность обработки на периферии с каждым последующим поколением полупроводниковой технологии, а также помогать удовлетворять растущие потребности клиентов в безопасности, обработке данных и локальном хранилище. «За последние пару лет мы действительно прошли путь от истории, связанной с подключениями, к тому, как увеличить возможности обработки кромок», - сказал Лиз. «Мы называем это« безопасным, осведомленным и подключенным »»

Примерами приложений eIQ могут быть использование компьютерного зрения для определения того, носят ли промышленные рабочие шлемы, неправильно ли эксплуатируют оборудование или иным образом делают что-то нежелательное. Задержка, возникающая при отправке данных в облако и обратно, особенно для приложений, связанных с безопасностью, неприемлема.

По словам Леви, план NXP по развитию машинного обучения на периферии может помочь клиентам NXP добиться значительного повышения эффективности. «Я думаю, что наша задача как поставщика полупроводников - предоставить нашим клиентам возможности периферийных вычислений / машинного обучения и упростить их развертывание».

Эта цель также применима к кибербезопасности. NXP предоставляет как аппаратные, так и программные элементы, предназначенные для обеспечения безопасности в большей или меньшей степени по принципу plug and play. «Что касается машинного обучения, мы делаем то же самое, - сказал Леви. «Мы можем предоставить, например, поваренную книгу, которая знакомит людей с этапами развертывания TensorFlow. [Наши клиенты] ожидают, что мы решим эту проблему за них и фактически превратим всю концепцию машинного обучения в форму промежуточного программного обеспечения ».

По словам Гоури Чиндалора, ведущего стратега по встраиваемым решениям в NXP, еще одним препятствием для внедрения машинного обучения является стоимость. «У многих наших клиентов действительно возникают проблемы с определением стоимости системы, которую они должны понести, чтобы обеспечить определенный пользовательский опыт», - сказал Чиндалор. Некоторые поставщики могут рекомендовать графические процессоры более высокого уровня для поддержки приложений машинного обучения. Однако их высокая стоимость может убедить некоторых разработчиков сделать вывод, что машинное обучение недостижимо.

eIQ предоставляет клиентам NXP возможность вводить спецификации, которым они хотят соответствовать, например, время вывода, чтобы вычислить, какой тип процессора будет подходить для приложения. «Мы создаем самый дешевый вариант для вашей компании, чтобы доставить то, что им нужно», - сказал Чиндалор.

Компания также работает с компаниями, занимающимися аналитикой данных, не только над разработкой модулей, которые можно модернизировать в существующих промышленных средах. «Нефтяная вышка - классический пример этого», - сказал Чиндалор. Другой пример - мины. «Многие шахты нуждаются в внутреннем мониторинге для обнаружения ядовитых газов и безопасности шахтеров», - добавил он. Такие приложения требуют обработки кромок.

По словам Лиса, кибербезопасность - еще одно соображение, которое продвигает обработку данных на пределе возможностей. «Чем больше ценность данных, которые вы храните централизованно в облаке, тем больше поверхность атаки, тем выше ценность атаки для всех злонамеренных хакеров или организаций», - пояснил он. По этой причине NXP делает ставку на распределенные хранилища данных с различными методами и атрибутами доступа и авторизации. «По мере того, как вы доводите это до логического завершения, вы начинаете понимать, что окончательное распределение должно поддерживать как можно больше данных на границе», - сказал Лиз.