Generación de modelos de inteligencia artificial
A medida que aumenta el número de sistemas de la vida cotidiana que cuentan con algún nivel de interacción de Aprendizaje Automático (AM), comprender este mundo se convierte en algo vital para que ingenieros y desarrolladores planifiquen el futuro de las interacciones con los usuarios.
La mayor oportunidad de la Edge AI es el ML, que compara patrones basándose en un algoritmo estadístico.
Los patrones pueden consistir en detectar la presencia de un ser humano, que alguien acaba de pronunciar una «palabra de activación» (por ejemplo, Alexa o «Oye Siri») para un asistente doméstico inteligente, o que un motor empieza a tambalearse. Para el asistente doméstico inteligente, las «palabras de activación» son modelos que se ejecutan en el borde y no necesitan enviar su voz a la nube. Activa el dispositivo y le avisa de que es hora de enviar más órdenes.
Existen varias vías para generar un modelo ML: bien con un entorno de desarrollo integrado (como TensorFlow o PyTorch) o utilizando una plataforma SaaS (como Edge Impulse). Así, la mayor parte del «trabajo» para construir un buen modelo de ML consiste en crear un conjunto de datos representativo y etiquetarlo bien.
En la actualidad, el modelo de ML más popular para la Edge AI es un modelo supervisado, que es un tipo de entrenamiento basado en datos de muestra etiquetados y etiquetados, donde el resultado es un valor conocido que se puede comprobar si es correcto, como si un tutor revisara y corrigiera el trabajo a lo largo del camino.
Este tipo de entrenamiento se utiliza normalmente en aplicaciones como el trabajo de clasificación o la regresión de datos. La formación supervisada puede ser útil y muy precisa, pero depende en gran medida del conjunto de datos etiquetados y puede ser incapaz de manejar nuevas entradas.
Hardware para ejecutar cargas de trabajo de inteligencia artificial avanzada
En DigiKey, estamos bien posicionados para ayudar en las implementaciones de Edge AI, ya que generalmente se ejecutan en microcontroladores, FPGA y computadoras de placa única (SBC).
DigiKey se asocia con los mejores proveedores para proporcionar varias generaciones de hardware que ejecutan modelos ML en el borde.
Como ejemplo, este año hemos visto el lanzamiento de nuevo hardware, incluida la serie MCX-N de NXP Semiconductors, y pronto tendremos en stock la serie STM32MP25 de ST Microelectronics.
En los últimos años, las placas de desarrollo de la comunidad de creadores han sido populares para ejecutar Edge AI, incluyendo la placa de desarrollo de borde Apollo3 Blue de SparkFun, EdgeBadge de AdaFruit, Arduino Nano 33 BLE Sense Rev 2 y Raspberry Pi 4 o 5.
Las unidades de procesamiento neuronal (NPU) están ganando terreno en la Edge AI. Las NPU son CI especializados diseñados para acelerar el procesamiento de aplicaciones de ML e IA basadas en redes neuronales, estructuras basadas en el cerebro humano con muchas capas y nodos interconectados llamados neuronas que procesan y transmiten información.
Se está creando una nueva generación de NPU con procesamiento matemático dedicado, como la serie MCX N de NXP y la MAX78000 de ADI.
También estamos viendo aceleradores de IA para dispositivos periféricos, un espacio que aún está por definir, con empresas destacadas como Google Coral y Hailo.
