NXP verdoppelt maschinelles Lernen am Edge

Es gibt mehrere Dinge, für die der Internetpionier Robert Metcalfe bekannt ist:1970 Miterfindung von Ethernet, 1979 Mitbegründer des heutigen Elektronikherstellers 3Com und für die Entwicklung eines vielzitierten Modells, um den Wert eines Telekommunikationsnetzwerks auszudrücken. Das als Metcalfesche Gesetz bekannte Prinzip besagt, dass der Wert eines Telekommunikationsnetzes als Quadrat der Anzahl der vernetzten Geräte berechnet werden kann. Trotz der Kritik, dass das Prinzip Ende der 1990er Jahre dazu beigetragen hat, die Dotcom-Blase voranzutreiben, wird das Prinzip weiterhin verwendet, um den Wert von allem zu beschreiben, vom Internet der Dinge bis hin zu Social Media-Netzwerken und Kryptowährungen. Im Jahr 2006 räumte Metcalfe selbst ein, dass das Prinzip nicht „numerisch bewertet“ wurde, im Gegensatz zum Mooreschen Gesetz, das über Jahrzehnte umfassend unterstützende Daten enthielt. „Metcalfes Gesetz ist eine Visionssache“, schrieb er. „Es ist hauptsächlich auf kleinere Netzwerke anwendbar, die sich der ‚kritischen Masse‘ nähern. Und es wird numerisch durch die Schwierigkeit, Konzepte wie ‚verbunden‘ und ‚wert‘ zu quantifizieren, zunichte gemacht.“

Metcalfe räumte auch ein, dass es möglich ist, dass der Wert eines Netzwerks sinkt, nachdem es einen bestimmten Schwellenwert erreicht hat. „Wer hat nicht schon viel zu viele E-Mails oder viel zu viele Treffer von einer Google-Suche erhalten?“ er hat gefragt. „Die Netzwerkgröße kann Nachteile haben, die mit zunehmender Größe schließlich die Werte senken.“

Da der Markt für das Internet der Dinge wächst, weisen die Kommentare von Metcalfe auf die Notwendigkeit hin, durch optimalen Datenaustausch Wert zu erschließen und gleichzeitig zu vermeiden, im "digitalen Abgas" zu ertrinken.

[ IoT-Welt ist die Veranstaltung, die das IIoT von der Inspiration zur Implementierung führt und das Geschäft und den Betrieb beschleunigt. Hol dir jetzt dein Ticket. ]

„Wir stoßen auf dieses Hindernis, denn je mehr verbundene Geräte es gibt, desto mehr ungefilterte Daten gelangen in das Netzwerk“, sagte Geoff Lees, Senior Vice President und General Manager der Mikrocontroller-Abteilung von NXP. „Wir sind auf diese grundlegende Idee gestoßen, dass die Leistung – der wirtschaftliche Wert des Netzwerks proportional zum Quadrat der Anzahl der Geräte im Netzwerk ist – das Gesetz von Metcalfe“, fuhr Lees fort. Aber wenn nicht alle Geräte in einem Netzwerk in der Lage sind, Daten sicher auszutauschen, „gewinnen wir wirklich nicht den vollen Wert des Netzwerks“. Und obwohl die Cloud oft ein bequemer Ort für die Datenverarbeitung ist, ist es nicht immer möglich oder möglich, das IoT an einen entfernten Standort zu übertragen. „Wir stellen fest, dass es in der Industrie und im Automobilbereich noch viel mehr Anwendungen gibt, die eigentlich sowieso nie dazu gedacht waren, Daten in die Cloud hochzuladen“, sagt Markus Levy, Head of AI bei NXP.

Die Lösung des Problems von NXP, die Edge Intelligence Environment (eIQ) genannt wird, ist ein Toolkit für maschinelles Lernen, das Sensorstimuli von IoT-Netzwerken aufnehmen kann. eIQ bietet Unterstützung für TensorFlow Lite und Caffe2 sowie andere neuronale Netzwerk-Frameworks und maschinelle Lernalgorithmen. eIQ übernimmt das Konzept des maschinellen Lernens am Edge und wendet es auf Anwendungsfälle an, die auf Sprache, Sehvermögen, Anomalieerkennung usw. abzielen. „Durch die Installation eines Inferenzmodells am Edge aggregieren wir im Wesentlichen das Wissen des Netzwerks und den erfassten Datenwert des Netzwerks“, sagte Lees. Um dieses Ziel zu unterstützen, verspricht NXP, die Verarbeitungsleistung am Edge mit jeder folgenden Generation der Halbleitertechnologie schrittweise zu steigern und gleichzeitig dazu beizutragen, die wachsende Kundennachfrage nach Sicherheit, Datenverarbeitung und lokalem Speicher zu erfüllen. „In den letzten Jahren haben wir uns wirklich von der vernetzten Geschichte dahingehend entwickelt, wie wir die Edge-Bearbeitungskapazität erhöhen können“, sagte Lees. „Wir nennen es:‚sicher, bewusst und verbunden‘.“

Beispiele für eIQ-Anwendungen wären die Verwendung von Computer Vision, um zu erkennen, ob Industriearbeiter einen Helm tragen, eine Maschine falsch bedienen oder anderweitig etwas Unerwünschtes tun. Gerade bei sicherheitsrelevanten Anwendungen ist die Latenz, die durch das Senden von Daten in die Cloud und zurück entsteht, nicht haltbar.

Der Plan von NXP, maschinelles Lernen am Edge zu erleichtern, könnte den Kunden von NXP dabei helfen, erhebliche Effizienzgewinne zu erzielen, sagte Levy. „Ich denke, es ist unsere Aufgabe als Halbleiterhersteller, unseren Kunden diese Edge-Computing-/Machine-Learning-Funktionalität zur Verfügung zu stellen und ihnen die Bereitstellung zu erleichtern.“

Dieses Ziel gilt auch für die Cybersicherheit. NXP bietet sowohl Hardware- als auch Softwareelemente, die darauf ausgelegt sind, Sicherheit mehr oder weniger Plug-and-Play zu ermöglichen. „Auf der Seite des maschinellen Lernens machen wir dasselbe“, sagte Levy. „Wir stellen zum Beispiel möglicherweise ein Kochbuch zur Verfügung, das die Leute durch die Schritte führt, wie Sie TensorFlow bereitstellen. [Unsere Kunden] erwarten von uns, dass wir dieses Problem für sie lösen und im Grunde das gesamte Konzept des maschinellen Lernens in eine Art Middleware verwandeln.“

Ein weiteres Hindernis für die Einführung von maschinellem Lernen sind die Kosten, sagte Gowri Chindalore, leitender Stratege für eingebettete Lösungen bei NXP. „Viele unserer Kunden haben tatsächlich Schwierigkeiten herauszufinden, welche Systemkosten sie tragen müssen, um eine bestimmte Benutzererfahrung zu bieten“, sagte Chindalore. Einige Anbieter empfehlen möglicherweise höherwertige Grafikverarbeitungseinheiten, um Anwendungen für maschinelles Lernen zu unterstützen. Ihre hohen Kosten können jedoch einige Implementierer davon überzeugen, dass maschinelles Lernen unerreichbar ist.

eIQ bietet NXP-Kunden die Möglichkeit, die Spezifikationen einzugeben, die sie erfüllen möchten, z. B. die Inferenzzeit, um zu berechnen, welcher Prozessortyp für die Anwendung geeignet wäre. „Wir bauen die kostengünstigste Option für Ihr Unternehmen, um das zu liefern, was es braucht“, sagte Chindalore.

Das Unternehmen arbeitet auch mit Datenanalyseunternehmen zusammen, um nicht nur Module zu entwickeln, die in bestehende Industrieumgebungen nachgerüstet werden können. „Eine Bohrinsel ist dafür absolut ein klassisches Beispiel“, sagte Chindalore. Minen sind ein weiteres Beispiel. „Viele der Minen müssen im Inneren überwacht werden, um giftige Gase zu erkennen und die Sicherheit der Bergleute zu gewährleisten“, fügte er hinzu. Solche Anwendungen erfordern eine Kantenbearbeitung.

Cybersicherheit ist ein weiterer Aspekt, der die Verarbeitung an den Rand treibt, sagte Lees. „Je größer der Wert der Daten, die Sie zentral in der Cloud speichern, desto größer ist die Angriffsfläche, desto größer ist der Angriffswert für all diese böswilligen Hacker oder Organisationen“, erklärte er. Aus diesem Grund plädiert NXP für verteilte Datenspeicher mit unterschiedlichen Zugriffs- und Autorisierungstechniken und -attributen. „Wenn Sie dies zu der logischen Schlussfolgerung führen, wird Ihnen klar, dass die ultimative Verteilung darin besteht, so viele Daten wie möglich am Rand zu speichern“, sagte Lees.