NXP double l'apprentissage automatique à la périphérie

Il y a plusieurs choses pour lesquelles le pionnier d'Internet Robert Metcalfe est connu :Co-inventeur d'Ethernet en 1970, co-fondateur du désormais fabricant d'électronique 3Com en 1979 et pour la conception d'un modèle largement cité pour exprimer la valeur d'un réseau de télécommunications. Connue sous le nom de loi de Metcalfe, le principe veut que la valeur d'un réseau de télécommunications peut être calculée comme le carré du nombre d'appareils en réseau. Malgré les critiques selon lesquelles le principe a contribué à alimenter la bulle Internet à la fin des années 1990, le principe continue d'être utilisé pour décrire la valeur de tout, de l'Internet des objets aux réseaux de médias sociaux et aux crypto-monnaies. En 2006, Metcalfe lui-même a reconnu que le principe n'avait pas été « évalué numériquement », contrairement à la loi de Moore, qui avait des décennies de données largement étayées. « La loi de Metcalfe est une vision, écrit-il. « Cela s'applique principalement aux réseaux plus petits approchant la « masse critique ».

Metcalfe a également reconnu qu'il est possible que la valeur d'un réseau diminue après avoir atteint un certain seuil. « Qui n'a pas reçu beaucoup trop d'e-mails ou beaucoup trop de résultats d'une recherche Google ? » il a demandé. "Il peut y avoir des déséconomies d'échelle du réseau qui finissent par faire baisser les valeurs avec l'augmentation de la taille."

À mesure que le marché de l'Internet des objets se développe, le commentaire de Metcalfe souligne la nécessité de libérer de la valeur grâce à un partage optimal des données tout en évitant de se noyer dans les « échappements numériques ».

[ Le monde de l'IoT est l'événement qui amène l'IIoT de l'inspiration à la mise en œuvre, dynamisant les activités et les opérations. Obtenez votre billet maintenant. ]

"Nous nous heurtons à cet obstacle où plus il y a d'appareils connectés, plus il y a de données non filtrées qui entrent dans le réseau", a déclaré Geoff Lees, vice-président senior et directeur général de la division microcontrôleurs de NXP. "Nous sommes tombés sur cette idée fondamentale que la puissance - la valeur économique du réseau est proportionnelle au carré du nombre d'appareils qui sont sur le réseau - la loi de Metcalfe", a poursuivi Lees. Mais à moins que tous les appareils d'un réseau soient capables de partager des données en toute sécurité, "nous n'obtenons pas vraiment la pleine valeur du réseau". Et bien que le cloud soit souvent un emplacement pratique pour le traitement des données, il n'est pas toujours faisable ou possible de transmettre l'IoT à un emplacement distant. "Nous découvrons qu'il existe de nombreuses autres applications dans l'industrie et l'automobile qui n'ont de toute façon jamais été conçues pour télécharger des données dans le cloud", a déclaré Markus Levy, responsable de l'IA chez NXP.

La solution de NXP au problème, qu'il appelle Edge Intelligence Environment (eIQ), est une boîte à outils d'apprentissage automatique qui peut accueillir les stimuli des capteurs des réseaux IoT. eIQ prend en charge TensorFlow Lite et Caffe2, ainsi que d'autres frameworks de réseaux neuronaux et algorithmes d'apprentissage automatique. eIQ prend le concept d'apprentissage automatique à la périphérie et l'applique à des cas d'utilisation ciblant la voix, la vision, la détection d'anomalies, etc. "En installant un modèle d'inférence à la périphérie, nous agrégeons essentiellement les connaissances du réseau et la valeur des données acquises par le réseau", a déclaré Lees. Pour atteindre cet objectif, NXP s'engage à augmenter progressivement les performances de traitement à la périphérie avec chaque génération successive de technologie de semi-conducteurs, tout en aidant également à répondre à la demande croissante des clients en matière de sécurité, de traitement des données et de stockage local. "Au cours des deux dernières années, nous avons vraiment évolué de l'histoire connectée à la façon d'augmenter la capacité de traitement de pointe", a déclaré Lees. « Nous l'appelons : « sécurisé, conscient et connecté. » »

Des exemples d'applications eIQ seraient l'utilisation de la vision par ordinateur pour détecter si les travailleurs industriels portent des casques, font fonctionner une machine de manière incorrecte ou font quelque chose d'indésirable. Surtout pour les applications liées à la sécurité, la latence qui résulte de l'envoi et du retour de données vers le cloud n'est pas tenable.

Le plan de NXP visant à faciliter l'apprentissage automatique à la périphérie pourrait aider les clients de NXP à réaliser des gains d'efficacité significatifs, a déclaré Levy. « Je pense que c'est notre travail en tant que fournisseur de semi-conducteurs de fournir cette capacité d'informatique de pointe/d'apprentissage automatique à nos clients et de faciliter leur déploiement. »

Cet objectif s'applique également à la cybersécurité. NXP fournit à la fois des éléments matériels et logiciels conçus pour rendre la sécurité plus ou moins plug and play. "Du côté de l'apprentissage automatique, nous faisons la même chose", a déclaré Levy. « Nous pouvons fournir un livre de recettes, par exemple, qui explique aux utilisateurs les étapes de déploiement de TensorFlow. [Nos clients] s'attendent à ce que nous résolvions ce problème à leur place et que nous transformions l'ensemble du concept d'apprentissage automatique en une forme d'intergiciel. »

Un autre obstacle à l'adoption de l'apprentissage automatique est le coût, a déclaré Gowri Chindalore, stratège principal pour les solutions intégrées chez NXP. "Beaucoup de nos clients ont en fait du mal à déterminer quel est le coût système qu'ils doivent encourir pour offrir une certaine expérience utilisateur", a déclaré Chindalore. Certains fournisseurs peuvent recommander des unités de traitement graphique haut de gamme pour prendre en charge les applications d'apprentissage automatique. Cependant, leur coût élevé peut convaincre certains implémenteurs de conclure que l'apprentissage automatique est hors de portée.

eIQ permet aux clients NXP de saisir les spécifications qu'ils souhaitent respecter, telles que le temps d'inférence pour calculer le type de processeur qui conviendrait à l'application. "Nous construisons cette option la moins chère pour que votre entreprise fournisse ce dont elle a besoin", a déclaré Chindalore.

L'entreprise travaille également avec des sociétés d'analyse de données pour développer non seulement des modules pouvant être installés dans des environnements industriels existants. "Une plate-forme pétrolière est absolument un exemple classique pour cela", a déclaré Chindalore. Les mines sont un autre exemple. "Beaucoup de mines ont besoin d'une surveillance à l'intérieur pour détecter les gaz toxiques et pour la sécurité des mineurs", a-t-il ajouté. De telles applications nécessitent un traitement de pointe.

La cybersécurité est une autre considération qui pousse le traitement à la périphérie, a déclaré Lees. "Plus la valeur des données que vous détenez de manière centralisée dans le cloud est grande, plus la surface d'attaque est grande, plus la valeur d'attaque pour tous ces pirates ou organisations malveillants est grande", a-t-il expliqué. C'est la raison pour laquelle NXP plaide en faveur de magasins de données distribués avec diverses techniques et attributs d'accès et d'autorisation. "Alors que vous amenez cela à la conclusion logique, vous commencez à réaliser que la distribution ultime est de conserver autant de données que possible à la périphérie", a déclaré Lees.