5 wichtige Überlegungen bei der Auswahl eines eingebetteten Edge-KI-Systems für den intelligenten Einzelhandel

Während das Auftreten der COVID-19-Pandemie zweifellos das Kaufverhalten der Verbraucher geprägt hat, hat es auch die Einzelhandelstrends vor Covid beschleunigt. Trends wie kontaktloses Bezahlen und nicht-traditionelle Einkaufserlebnisse sind nicht aus der Pandemie entstanden; es wird jedoch erwartet, dass ihre Nutzung zunehmen wird.

Nach der Pandemie haben stationäre Einzelhändler keine andere Wahl, als zu reagieren und ihre Einzelhandelsstrategien zu modernisieren oder den Niedergang der Ladenschließungen vor der COVID-19-Pandemie fortzusetzen. Dieser Trend bietet Softwareunternehmen und anderen Anbietern von intelligenten Einzelhandelslösungen, die Einzelhändler unterstützen möchten, eine Chance. Vielversprechende Software-Startups wie Trigo oder Tiliter und sogar der Branchenriese Amazon ermöglichen durch Computer Vision ein reibungsloses Einkaufserlebnis im Einzelhandel, aber hinter diesen Algorithmen steht die Hardware, die alles möglich macht.

Folgen Sie uns, wenn wir uns mit den wichtigsten Überlegungen bei der Auswahl des idealen eingebetteten Edge-KI-Systems für die intelligente Einzelhandelsumgebung befassen.

1. Prozessortyp für KI am Edge

Künstliche Intelligenz liegt allen möglichen Fähigkeiten zugrunde, einschließlich, aber nicht beschränkt auf Objekterkennung, Biometrie, Computer Vision und vieles mehr. Und während ein Whitepaper geschrieben werden kann, um die Vor- und Nachteile jedes Prozessortyps zu diskutieren, werden wir kurz zwei Hauptprozessortypen behandeln, die häufig von führenden Embedded-Herstellern verkauft werden:

CPU

Die Zentraleinheit (CPU) findet sich üblicherweise in den meisten elektronischen Geräten und ist ein Mehrzweckprozessor, der komplexe Rechen-, Logik-, Steuerungs- und Eingabe-/Ausgabeoperationen ausführen kann. Im Vergleich zu GPUs (von FPGAs) ist die CPU-Architektur jedoch durch die begrenzte Anzahl verfügbarer leistungsgesteuerter Kerne für die sequentielle serielle Verarbeitung optimiert.

Bei Aufgaben wie Computer Vision müssen große Datenmengen parallel verarbeitet werden, um Farben, Muster, Formen usw. zu analysieren. Das Datenvolumen kann immens sein, insbesondere wenn mehrere gleichzeitige Quellen für hochauflösende Videostreams betrachtet werden. Aus diesem Grund können GPUs und FPGAs möglicherweise leistungsfähiger sein als CPUs.

GPU

Graphic Processing Units (GPU) sind aus der Forderung nach Hochgeschwindigkeits-Grafik-Rendering entstanden. Später stellte sich heraus, dass neuronale Deep-Learning-Netzwerke mit NVIDIA-GPUs trainiert werden konnten, was zu erheblichen Leistungssteigerungen führte. Der Grund dafür ist, dass GPUs mit einer großen Anzahl paralleler Kerne ausgelegt sind, die parallele Berechnungen für das Training neuronaler Netze und die KI-Inferenz liefern.

Zu den Einschränkungen bei GPUs gehört ein hoher Stromverbrauch (obwohl NVIDIA Jetson SoMs entwickelt wurden, um dieses Problem zu mindern), und obwohl die Leistung im Allgemeinen besser ist als die von CPUs, liefern sie möglicherweise nicht so viel Leistung wie die anwendungsspezifischen ASIC-Prozessoren, aber wo sie dafür ist die Unterstützung robuster SDKs und Frameworks.

2. Thermo

Eine der am wenigsten erwähnten Überlegungen ist wahrscheinlich die der thermischen Leistung. Die Idee ist, dass der Prozessor drosselt und die Leistung reduziert, wenn die interne Temperatur des Systems bis zu einem bestimmten Punkt ansteigt. Wenn das Gehäuse einen Lüfter enthält, kann das beim Hochdrehen des Lüfters entstehende Geräusch wahrnehmbar und in bestimmten Situationen nicht ideal sein.

Obwohl es schwierig ist, die thermische Leistung auf den ersten Blick zu visualisieren, testen und vergleichen Unternehmen häufig konkurrierende Systeme.

3. Umfangreiche E/A-Ports

Die Bestimmung des IO-Ports und der erforderlichen Menge mag trivial erscheinen, aber dies ist ein weiterer wichtiger Aspekt bei der Auswahl eines Edge-KI-Embedded-Systems. Bevor wir jedoch eine schnelle Entscheidung treffen, müssen wir zunächst die Anwendung und die Umgebungsgröße berücksichtigen. Die Anforderungen an einen Convenience Store unterscheiden sich von denen eines Hypermarkts und eines Supermarkts. Die Anzahl der erforderlichen Ports wächst mit der Größe der Verkaufsfläche, und daher muss das eingebettete System die erforderliche Anzahl von Sensoren sowie einige mehr unterstützen, wenn Sie die Lösung zukunftssicher machen möchten.

Was den spezifischen erforderlichen IO-Port betrifft, so handelt es sich nach unserer Erfahrung im Bereich des intelligenten Einzelhandels bei den meisten Kameras im Allgemeinen um IP- oder USB-Kameras.

4. Branding

Das Embedded-System Edge AI repräsentiert die Marke Ihres Unternehmens und kann einen unvergesslichen Eindruck hinterlassen. Ihre Marke ermöglicht es Ihnen, sich von Mitbewerbern abzuheben und die Darstellung dessen, was Ihre Marke repräsentiert, zu gestalten. Ob das Gerät gut sichtbar ist oder hinter einer Blende versteckt ist, es wäre ideal, die Farbe und das Design Ihrer Marke mit dem des Systems abzustimmen. Wollen Sie schließlich wirklich die Standardfarben eines Herstellers in Blau oder Beige über Ihre eigenen Markenfarben zeigen?

5. Unerschütterliche Unterstützung

Entlang des Lebenszyklus Ihres KI-Projekts werden sich zwangsläufig Herausforderungen ergeben, insbesondere wenn Sie mit einem unbekannten SDK oder BSP arbeiten. Um diese Hürden schnell zu überwinden, ist es wichtig, einen kompetenten Partner zu haben, der zeitnahe Unterstützung bietet. Nichts ist lästiger, als eine Woche auf eine Antwort Ihres Partners warten zu müssen und das Projekt möglicherweise zu verzögern.

Die Wahl eines Partners mit nachweislicher Erfahrung im Umgang mit diesen technischen Problemen kann den Unterschied zwischen einer rechtzeitigen und einer verzögerten Bereitstellung ausmachen. Darüber hinaus variiert die Beziehung zwischen Chipherstellern und ihren Partnern je nach Partnerschaftsstufe, was sich auf die Geschwindigkeit auswirkt, mit der Sie eine Antwort von Ihrem Hardwarepartner erwarten können. Beispielsweise kann ein NVIDIA Elite-Partner Ihr Problem innerhalb weniger Tage lösen, während ein NVIDIA Preferred-Partner eine Woche dauern kann.

Wie funktioniert das in der Praxis?

Nachdem wir nun ein grundlegendes Verständnis der Überlegungen zur Auswahl eines Edge-KI-Embedded-Systems haben, sehen wir uns an, wie dies in der Praxis funktioniert.

Für eine Situation, in der die Verkaufsfläche eines Zielkunden ein Convenience-Store war, der ein reibungsloses Einkaufserlebnis mit drei vorhandenen IP-Kameras ermöglichen möchte, können Sie ein Edge-KI-System wie AVerMedias NX215B in Betracht ziehen, das ein NVIDIA® Jetson Xavier™ NX-Modul enthält. Dieser Multicore-Prozessor mit hoher Inferenz unterstützt mehrere Sensoren und ist gleichzeitig energieeffizient.

Das eingebettete System umfasst eine Reihe von Ethernet-Anschlüssen (zusätzlich zu HDMI, USB3.0 und einem 20-Pin-Anschluss), eine SSD und WLAN bei gleichzeitig geringem Platzbedarf, ideal für kleinere Verkaufsflächen. Und als NVIDIA Elite-Partner ist ihr Support garantiert rechtzeitig für alle auftretenden Unannehmlichkeiten.

Wenn Sie diese leuchtende neongrüne Markenfarbe benötigen, können sie diese natürlich auch für Sie anpassen.

Jeremy Juan, Senior Marketing Manager von AVerMedia, verfügt durch seine langjährige Tätigkeit bei namhaften Unternehmen der Branche über umfangreiche Erfahrung in verschiedenen Aspekten der IPC-Branche, einschließlich Embedded Edge AI und Rugged Computing. Er hat die Einführung einer Reihe preisgekrönter Flaggschiffprodukte auf den wichtigsten globalen Märkten persönlich geleitet und durchgeführt.