NXP beschleunigt Edge AI mit eIQ Toolkit

Internet-Pionier Robert Metcalfe ist bekannt für die Co-Erfindung von Ethernet, die Gründung von 3Com und die Formulierung von Metcalfes Gesetz, wonach der Wert eines Netzwerks mit dem Quadrat seiner verbundenen Geräte skaliert. Kritiker warnten, das Gesetz habe die Dotcom-Blase der späten 1990er aufgebläht, doch es bleibt ein nützlicher Rahmen für die Bewertung von IoT, Social Media und Kryptowährungs-Netzwerken. Metcalfe selbst bemerkte die Schwierigkeit, „Vernetzung“ zu quantifizieren, und das Potenzial für Diseconomies, sobald ein Netzwerk eine kritische Masse überschreitet.

Mit wachsendem IoT-Markt hängt die Wertfreisetzung von optimaler Datenteilung ab, während „digitaler Abgas“ gemindert wird. NXPs Senior VP Geoff Lees hebt hervor, dass der wahre ökonomische Wert eines Netzwerks nur materialisiert, wenn jedes Gerät sicher Daten austauschen kann. Cloud-zentrische Verarbeitung, obwohl bequem, ist nicht immer machbar – besonders für industrielle und automotive Anwendungen, die niedrige Latenz und hohe Zuverlässigkeit fordern.

Edge Intelligence Environment (eIQ): ML-Toolkit für On-Device-Inferenz

Um dies zu adressieren, hat NXP seine Edge Intelligence Environment (eIQ) eingeführt, ein Machine-Learning-Toolkit, das TensorFlow Lite, Caffe2 und andere Neural-Network-Frameworks unterstützt. eIQ ermöglicht On-Device-Inferenz für Use Cases wie Spracherkennung, Computer Vision und Anomalieerkennung, effektiv Netzwerkwissen am Edge aggregierend.

„Durch lokales Installieren von Inferenz-Modellen bewahren wir den Datenwert des Netzwerks und reduzieren Latenz“, erklärt Lees. NXP plant, Edge-Verarbeitungskraft mit jeder Halbleiter-Generation kontinuierlich zu steigern, während Sicherheit, Datenverarbeitung und lokaler Speicher betont werden. Das Unternehmens-Mantra – „secure, aware, and connected“ – spiegelt diese Evolution wider.

Praxisnahe eIQ-Anwendungen

Praktische eIQ-Anwendungen umfassen Computer-Vision-Systeme, die erkennen, ob Industriearbeiter Helme tragen, unsichere Maschinenbedienung identifizieren oder andere Sicherheitsbedenken flaggen. In sicherheitskritischen Szenarien ist die Latenz des Sendens von Daten in die Cloud inakzeptabel.

Markus Levy, NXPs Head of AI, betont, dass Edge-Computing- und ML-Fähigkeiten so unkompliziert bereitgestellt werden sollten wie das Einstecken einer Komponente. NXP liefert auch Hardware und Software, die Sicherheit Plug-and-Play machen, und entwickelt „Cookbooks“, die Kunden durch Deployment von TensorFlow und anderen ML-Frameworks führen.

Kosten bleiben eine Barriere. Gowri Chindalore, NXPs Lead Embedded-Solutions-Strategist, merkt an, dass viele Kunden Schwierigkeiten haben, den Systemkosten für eine gewünschte User Experience zu berechnen. eIQ bietet einen kosteneffektiven Pfad, indem Kunden Performance-Ziele – wie Inferenz-Latenz – spezifizieren und Guidance zum optimalen Prozessor erhalten.

NXP partnerschaftlich mit Data-Analytics-Firmen, um bestehende industrielle Umgebungen nachzurüsten, und nennt Ölbohrplattformen und Minen als Prime-Beispiele, wo Edge-Verarbeitung essenziell für Monitoring gefährlicher Gase und Minensicherheit ist.

Abschließend betont Lees, dass Zentralisierung wertvoller Daten in der Cloud die Angriffsfläche erweitert. Verteilte Datenspeicher mit granularen Zugriffskontrollen reduzieren Risiko weiter und stärken das Argument, Daten wann immer möglich lokal zu halten.

[IoT World ist das Event, das IIoT von der Inspiration zur Implementierung bringt, Business und Operations supercharged. Ticket jetzt sichern.]