L’Utilità del 5G e del Cloud nelle Applicazioni Embedded con Machine Learning

shutterstock_332648915.jpg

Crediti Editoriali: Anton_Ivanov / Shutterstock.com

Al college, quando studiavo a tarda notte, immaginavo di poter avere un impianto cerebrale cibernetico. In questo modo avrei potuto scaricare tutte le informazioni di cui avevo bisogno e le avrei ricordate per sempre. Non avrei più dovuto studiare, non avrei più dimenticato il compleanno della mia ragazza, magari potrei anche guardare Netflix direttamente con la mia testa. Sfortunatamente, gli illustri ingegneri elettrici che mi hanno preceduto hanno preferito progettare dispositivi Internet delle Cose (IoT). In attesa che possa usufruire di una memoria stile computer, i dispositivi attuali sono già diventati quasi intelligenti. Il machine learning e l'intelligenza artificiale (AI) sono argomenti di tendenza, e progettisti come voi probabilmente stanno già cercando di implementarli nei sistemi embedded. C'è solo un problema, le reti neurali usate per il machine learning consumano troppa energia e hanno bisogno di troppa potenza di elaborazione. Con l'avvento del 5G una sua combinazione con il cloud computing potrebbe fornire una soluzione a questo problema. Con il cloud computing persino i sistemi embedded possono essere dotati di intelligenza artificiale utilizzando l'elevata larghezza di banda e la bassa latenza del 5G.

Il Machine Learning nei Sistemi Embedded

Il Machine learning non è proprio una novità, ma i continui progressi nella potenza di elaborazione lo stanno rendendo realtà. L'intelligenza artificiale permetterà ai gadget di interagire con i loro ambienti in modo molto più intelligente.

Il sensore sintetico prodotto da Future Interfaces Group è un ottimo esempio di come il machine learning possa migliorare il funzionamento del sistema. Questo modulo include quasi tutti i sensori più diffusi nei dispositivi "intelligenti", quali rilevazione della temperatura ambiente, EMI e rumore. Si utilizza quindi il machine learning per comprendere l'ambiente circostante. Il Sensore Sintetico riesce persino ad identificare quale fornello si accende o quale elettrodomestico è in funzione. In questo modo gli utenti hanno la possibilità di sapere esattamente cosa succede a casa loro anche da remoto.

I vantaggi di questo tipo di rilevamento intelligente sono enormi per i sistemi embedded. Alcuni dispositivi ne stanno già facendo uso. Per esempio, il termostato Nest riconosce la vostra temperatura preferita e tiene traccia delle modifiche. In questo modo, regola la temperatura della casa in base alla sua comprensione delle vostre preferenze e orari. Si accende quando siete a casa e si spegne quando dovete uscire. Questo genere di programmazione potrebbe rendere le case più efficienti dal punto di vista energetico.

 

 PCB on a human

Risparmiatevi dispositivi intelligenti almeno nelle vostre interiora, per piacere. 

Gli Ostacoli per il Machine Learning

Ma se il machine learning è così fantastico, perché non è stato ancora implementato ovunque? Per le stesse ragioni per cui non ho un cervello bionico: è troppo ingombrante e richiede troppa energia.

Non è così facile installare un supercomputer in un sistema embedded, ma se volete l'intelligenza artificiale è proprio quello che dovete fare. Il Machine learning necessita di un'enorme quantità di potenza di elaborazione, più di quanto sia ragionevole inserire in un sistema embedded. Anche le case automobilistiche dotate di sistema avanzato di assistenza alla guida (ADAS) sono preoccupate di non essere in grado di montare le CPU (unità di elaborazione centrale) necessarie per i sistemi intelligenti. Gli sviluppatori stanno ora impiegando le GPU (unità di elaborazione grafica) per accelerare i processi di machine learning, ma queste sono troppo voluminose per i sistemi embedded.

Se anche fossero disponibili dei chip appropriati, dovreste comunque occuparvi del fabbisogno energetico delle IA. Nel 1989 alcuni ricercatori del Carnegie Melon hanno realizzato un'auto che guidava da sola utilizzando tecniche di deep learning. La vettura si chiamava ALVINN e la sua CPU da 100 MFLOP era alimentata da un generatore da 5.000 W. Gli attuali chip consumano meno energia, ma ancora troppa. Per i sistemi embedded di grandi dimensioni, come un'auto abilitata ADAS, potreste disporre di abbastanza spazio; ma, per elettrodomestici e dispositivi portatili, lo spazio disponibile è troppo ristretto.

Per quanto siano difficili da superare, un giorno forse riusciremo a sopraffare i nostri problemi. Ciononostante, l'unica soluzione a breve termine per introdurre l'IA nei sistemi embedded è il 5G e il cloud computing. 

Cloud Computing e 5G

Il cloud è una cosa misteriosa. Mi piace immaginarlo come il mondo di Tron, speriamo senza alcun conflitto. Se abbinato al 5G, il cloud computing potrebbe essere sufficientemente intelligente da aiutarmi a creare il mio mondo computerizzato.

Il cloud computing può risolvere i suddetti limiti di potenza e di elaborazione. I calcoli possono essere eseguiti in una postazione esterna con una potenza di calcolo praticamente infinita e una connessione alla rete. Il cloud viene attualmente utilizzato per il calcolo decentralizzato, per cui non c'è motivo per cui i sistemi embedded non dovrebbero fare lo stesso. Ecco perché Google, Amazon ed altri hanno iniziato ad offrire servizi di cloud machine learning. Utilizzando la potenza di calcolo di una computer farm remota, basta preoccuparsi solamente di alimentare un'antenna. Ed è qui che entra in gioco il 5G.

Il Machine learning esige moltissimi dati, che attualmente sono difficili da trasmettere in wireless. Intel stima, che le auto abilitate ADAS dovranno elaborare almeno 1 GB di dati al secondo. È una mole di dati troppo grande per essere trasmessa tramite una connessione WiFi o 4G. Si dà il caso che 5G supporti velocità di trasmissione dati fino a 10 Gbps con latenze inferiori a 10 ms. Questo significa che il dispositivo sarà in grado di trasferire i dati richiesti e ricevere quasi istantaneamente un'interpretazione. Le aziende stanno anche lavorando su antenne 5G a bassa potenza in modo che le vostre schede possano prendere decisioni intelligenti consumando meno elettricità.

 

cloud above a tablet computer

Foto di gruppo con machine learning e cloud computing.

Il Machine learning ha un campo applicativo vastissimo, che migliorerà enormemente i sistemi embedded. Il cloud computing è capace di soddisfare i requisiti elettrici e di elaborazione delle IA e il 5G soddisferà i requisiti per il trasferimento dei dati.  

Una volta che il machine learning diventerà una realtà per i sistemi embedded, avrete bisogno di qualcosa come un androide per aiutarvi con tutto il lavoro di progettazione. Non ho a mia disposizione un androide ma, posso consigliarvi il suo sostituto migliore. Il software di progettazione di PCB Altium Designer® vi aiuterà a progettare schede per qualsiasi tipo di sistema embedded. La sua vasta gamma di strumenti eccellenti vi farà sentire un progettista di PCB sovrumano.

Avete qualche domanda sul machine learning o sui sistemi embedded? Contattate un esperto di Altium.

About the Author

Altium Designer

PCB Design Tools for Electronics Design and DFM. Information for EDA Leaders.

Visit Website More Content by Altium Designer
Previous Article
Susy Webb: l’Autoformazione, il Successo e le Conferenze sulla Progettazione di PCB
Susy Webb: l’Autoformazione, il Successo e le Conferenze sulla Progettazione di PCB

Susy Webb, affermata progettista PCB, ha questo consiglio .

Next Article
Major League Hacking alimenta la passione per gli studenti d'ingegneria
Major League Hacking alimenta la passione per gli studenti d'ingegneria

Jonathan Gottfried è cofondatore della Major League Hacking (MLH), leggi qui.