Von George Dickey
Technische Innovationen kommen oft in Wellen und verändern das menschliche Leben innerhalb weniger Jahrzehnte: Elektrizität, Computer, Internet. Die jüngste Welle ist die künstliche Intelligenz (KI). Anfangs war KI weitgehend auf große Computerplattformen beschränkt. Die Konvergenz fortschrittlicher Prozessortechnologie und hocheffizienter KI-Netzwerke hat jedoch zu bahnbrechenden Innovationen geführt, die KI in eingebetteten Systemen ermöglichen. Diese Systeme sind oft mit speziellen KI-Prozessoren und Sensoren ausgestattet, die maschinelles Lernen unterstützten. So bieten diese Systeme bisher nie dagewesene Fähigkeiten an der „Edge“.
Diese Funktionen machen prädiktive Instandhaltung auf ganz neuem Niveau möglich. Dank eingebetteter KI-Beschleunigung können Probleme erkannt werden, bevor sie auftreten – ohne menschliches Eingreifen. In diesem Artikel werden mehrere neue Prozessortechnologien vorgestellt, die KI-Algorithmen an der Edge bereitstellen können.
Eingebettete KI-Systeme
KI-fähige Mikrocontroller und MEMS-Sensoren bilden die Speerspitze der KI-Revolution im Bereich der prädiktiven Wartung. Diese Geräte zeichnen sich durch kompakte Größe, geringen Stromverbrauch und die Fähigkeit aus, für die KI relevante mathematische Funktionen zu beschleunigen. Geräte mit herkömmlichen eingebetteten Prozessoren können dank der Kombination mit KI-Kernen und/oder Sensormodulen Zeitreihendaten in Echtzeit analysieren und darauf reagieren. Es gibt mehrere Möglichkeiten, eingebettete KI in Anwendungen für Zeitreihendaten zu implementieren. Aber zunächst …
Was ist KI für Zeitreihendaten?
Zeitreihendaten beziehen sich auf eine Folge von Datenpunkten, die in gleichmäßigen Intervallen erfasst, aufgezeichnet oder gemessen werden. Mithilfe von Zeitreihen-Datenpunkten können Analysten ermitteln, wie sich Daten im Zeitverlauf entwickeln oder ändern.
Die Analyse von Zeitreihendaten berücksichtigt Muster, Trends, Anomalien und Verhalten innerhalb der Daten. Mithilfe von KI können Beobachtungen oder Vorhersagen hinsichtlich künftiger Werte getroffen werden, indem den Daten Erkenntnisse entnommen werden, die als Grundlage für die Entscheidungsfindung dienen. Diese Art der Analyse kann mit KI-Netzwerken durchgeführt werden. Dies setzt das Verständnis und die Auswahl der für die Verarbeitung eingesetzten Hardware voraus.
In Anwendungen wie prädiktiver Wartung, Erkennung von Umweltanomalien, IoT-Geräten, Bewegungen über mehrere Achsen und mehr können Zeitreihendaten verwendet werden, um Muster, Trends und Verhalten in den Daten zu analysieren. Mit KI-Algorithmen wie CNN (Convolutional Neural Networks), RNN (Recurrent Neural Networks), LSTM (Long Short-Term Memory Networks) und GRU (Gated Recurrent Units) können Zeitreihendaten genutzt werden, um gewünschte oder anormale Ergebnisse zu erkennen. Während diese Algorithmen für maschinelles Lernen auf generischer Hardware ausgeführt werden, kann mit Prozessoren und/oder Sensoren mit KI-Kernen die Latenz verringert und die Effizienz gesteigert werden.
Für die KI-Analyse von Zeitreihendaten können verschiedene gebräuchliche Prozessorkerntechnologien genutzt werden, darunter Cortex-M-Kerne, NPU, GPU und eingebettete KI-Sensorbaugruppen. Die Fusion dieser neuen Prozessortechnologien mit dedizierten KI-Algorithmen treibt die Innovationen bei eingebetteten Systemen und Edge-Computing voran. Von Anwendungen in Gesundheitswesen, Automobilindustrie, Fertigung, Landwirtschaft und darüber hinaus bahnen eingebettete KI-Prozessoren den Weg für intelligentere und autonomere Geräte, die Echtzeitdaten mit beispielloser Geschwindigkeit, Genauigkeit und Effizienz analysieren können.
Nanoedge AI Studio stellt Zeitreihendaten aus einer Motorsteuerungsanwendung dar.
Mikrocontroller mit der Fähigkeit maschinellen Lernens
Die Mikrocontroller (MCU) der Cortex-M-Reihe – von M0 bis M85 – dienen häufig als Backbone für die Verarbeitung mit eingebetteten Systemen in unterschiedlichen Anwendungen, unabhängig davon, ob KI ausgeführt wird. Da diese Kerne jedoch für eine stromsparende Datenverarbeitung in Echtzeit ausgelegt sind, eignen sie sich ideal für Lösungen mit eingebetteter KI-Hardware.
Sowohl der STM32L5 von STMicroelectronics als auch der MCX-A von NXP mit Arm Cortex-M33 (32 Bit) sind für den Einsatz in eingebetteten Systemen geeignet, die einfache KI-Netzwerke nutzen. Während diese herkömmlichen Cortex-M-Kerne sich hervorragend für die Handhabung von Sensordaten und einfache KI-Verarbeitung eignen, wollen wir für komplexere Aufgaben im Bereich des maschinellen Lernens Mikrocontroller betrachten, die zusätzliche Kerne zur Unterstützung des maschinellen Lernens enthalten.
Grafikprozessoren (GPU)
Obwohl GPU in erster Linie zur Steigerung der 2D-Grafikleistung (und gelegentlich der 3D-Grafikleistung) gedacht sind, werden sie zunehmend mit Cortex-M-MCU für eingebettete KI-Anwendungen eingesetzt. Diese parallelen Verarbeitungseinheiten können für Deep-Learning-Algorithmen wie CNN (Convolutional Neural Networks) im Bereich der Bild- und der Objekterkennung eingesetzt werden. So enthält beispielsweise der STM32U5 einen Cortex-M33 und eine NeoChrome-GPU und eignet sich daher für HMI-Anwendungen oder eingebettete KI-Lösungen in Industrie-, Smart-City-, Smart-Home- und IoT-Anwendungen.
Neural Processing Units (NPU)
NPU (Neural Processing Units) sind hochspezialisierte Kerne, die für die Beschleunigung der Berechnungen in neuronalen Netzwerken optimiert sind. Das ermöglicht die Programmierung für maschinelles Lernen und selbstständige Reprogrammierung. Diese Kerne, die häufig zusammen mit Cortex-M-Prozessoren implementiert werden, können komplexere Algorithmen für neuronale Netzwerke als herkömmliche Cortex-M-Kerne allein ausführen.
Der MCX-N von NXP kombiniert beispielsweise einen Arm Cortex-M33 und die spezielle neuronale Verarbeitungseinheit eIQ. Die Ensemble-Familie von Alif Semiconductor besteht aus Mikrocontrollern für den industriellen Einsatz, die eine CPU des Typs Arm Cortex-M55 mit dedizierter Edge-KI-Beschleunigung kombinieren, ermöglicht durch die NPU ARM Ethos-U55. Die Komponenten der Familie sind mit einem oder zwei Cortex-M55, einem oder zwei Ethos-U55 und optional einem oder zwei MPU-Kernen des Typs Cortex-A32 erhältlich.
Durch die Auslagerung der KI-Tasks an NPU können eingebettete Systeme Echtzeitinferenzen im neuronalen Netzwerk erreichen und dabei Strom, Größe und Ressourcen sparen.
Sensoren mit eingebetteten KI-Kernen
Wie bereits erwähnt, nutzen eingebettete KI-Anwendungen für die Berechnungen im Rahmen der Datenverarbeitung häufig eine Standard-MCU. Mit neuen Sensortechnologien wurde die KI-Verarbeitung aus der MCU verlagert und eingebettete KI-Verarbeitungskerne wurden in den Sensor integriert. Sie werden als MLC (Machine Learning Cores) und ISPU (Intelligent Sensor Processing Units) bezeichnet.
Sensoren mit einem eingebetteten MLC (Machine Learning Core) können darauf trainiert werden, Aktionen auszulösen, wenn ein bestimmtes Ereignis erkannt wird. Dadurch sind sie in der Lage, Änderungsszenarien präzise zu erkennen. Im Ergebnis kann die Rechenlast der MCU reduziert werden, für eine Architektur mit geringem Stromverbrauch und besserer Systemleistung. Der LSM6DSV16BXTR ist beispielsweise eine IMU mit einem 3-Achsen-Beschleunigungsmesser und einem 3-Achsen-Gyroskop, das einen MLC enthält, um KI-Funktionen zu ermöglichen.
Alternativ können Sensoren mit ISPU ausgestattet sein, also intelligenten Sensorprozessoren mit hoher Verarbeitungskapazität zur Unterstützung des maschinellen Lernens und der Datenverarbeitung für neuronale Netzwerke in der ISPU. Diese Core-Architektur ermöglicht die KI-gestützte Verarbeitung interner und externer Sensoren, ohne dass für die aufwendigeren Berechnungen eine externe MCU erforderlich wäre. Das ermöglicht automatische Kalibrierung, Sensorfusion und Anomalieerkennung über eine Vielzahl von Sensoreingängen, ohne dass eine externe MCU erforderlich ist. Stattdessen können kleinere MCU für allgemeine Mikrocontrollerlasten genutzt werden.
Fazit
Die Anwendung künstlicher Intelligenz auf Zeitreihendaten ist ein spannender Entwicklungsbereich mit dem Potenzial, Anwendungen in der Industrie, im Gesundheitswesen und im Verbraucherbereich intelligenter zu gestalten. Bei der Entwicklung einer KI-Lösung müssen viele Faktoren berücksichtigt werden. Die Auswahl des Prozessors ist nur einer davon.
Für weitere Informationen und Anleitungen können Sie eine Beratung mit KI-Experten von Arrow buchen und unserer KI-Webinarreihe folgen.
KI-Beratung mit Arrow-Experten
Verwandte Produkte:
Ähnliches Produkt:
Ähnliches Produkt:
Ähnliches Produkt:
Ähnliches Produkt:
Weitere Ressourcen zum KI-Engineering:
Alif Semiconductor
MCX: Allzweck-Mikrocontroller
EMEA: Vertikale autonome Maschinen
EDGE KI-Webinare
