Internet Industriel des Objets IIOT : Bosch HW + Cartesiam SW = Prototypage rapide de l'IA en périphérie – EEJournal

Je viens d'entendre des nouvelles méga passionnantes des gens de Cartesiam.ai, dont la renommée est qu'ils permettent aux développeurs embarqués d'apporter l'intelligence artificielle (IA) et l'apprentissage automatique (ML) aux appareils de périphérie facilement et rapidement.
Avec quelle facilité? À quelle vitesse? La réponse à ces deux questions est «Très!» Alors, quelles sont les nouvelles intéressantes? Eh bien, je vous le dirai dans une minute, mais d’abord…
Vous n’avez probablement pas échappé à l’énorme débat sur l’Internet des objets (IoT) de nos jours. Lorsque nous parlons de l'IoT, beaucoup de gens pensent à des choses proches de chez eux, comme les thermostats intelligents et les haut-parleurs intelligents qui se trouvent dans la maison. En réalité, bien sûr, ce n'est que la pointe de l'iceberg de l'IoT car les appareils connectés prolifèrent dans les automobiles, les villes, les usines … en fait, il peut être plus facile d'écrire une liste d'endroits où l'IoT n'apparaît pas, mais je peux Je ne pense pas à de telles situations du haut de ma tête.
Combien d'appareils IoT y a-t-il? Je n'ai plus la moindre idée. Si vous effectuez une recherche Google sur "Combien d'appareils IoT y a-t-il dans le monde?" les réponses varient de 7 à 50 milliards, alors disons simplement «beaucoup» et passons à autre chose. Une question peut-être plus pertinente serait: "Combien d'appareils IoT pensez-vous qu'il y aura dans le monde?" Je peux facilement répondre à cette question en disant «beaucoup plus», mais je serai ravi d’affiner cette réponse si vous êtes en possession de données plus précises.
Concentrons-nous sur l'IoT industriel (IIoT), qui fait référence à des capteurs, instruments et autres dispositifs interconnectés en réseau avec des ordinateurs et des applications industrielles, y compris la fabrication et la gestion de l'énergie. Cette connectivité permet la collecte, l'échange et l'analyse de données, facilitant potentiellement des améliorations de la productivité et de l'efficacité ainsi que d'autres avantages économiques.
Si vous prenez toutes les usines et autres installations industrielles du monde entier, on estime qu'elles contiennent environ 160 milliards de machines qui, si on leur demandait et si elles étaient sensibles, diraient qu'elles veulent juste faire un meilleur travail (si vous doutez ce nombre, vous pouvez vous sentir libre d'aller là-bas et de les compter; si vous doutez de leur désir, vous pouvez vous sentir libre de leur demander).
Mais comment ces machines peuvent-elles faire un meilleur travail? La réponse est de les équiper à la fois de connectivité IoT et de capacités AI / ML. La combinaison de l'IA / ML et de l'IoT est mutuellement bénéfique. Selon l'IoT Agenda, l'IA ajoute de la valeur à l'IoT grâce aux capacités de ML, tandis que l'IoT ajoute de la valeur à l'IA grâce à la connectivité, à la signalisation et à l'échange de données. Le résultat est de réaliser des opérations plus efficaces, d'améliorer les interactions homme-machine et d'améliorer la gestion et l'analyse des données.
Concentrons encore notre attention sur la maintenance des machines. Comme je l'ai noté dans une colonne précédente – Je viens de créer ma première application AI / ML! – il existe différentes stratégies de maintenance à disposition des personnes en charge des préoccupations industrielles, notamment réactive (exécutez-la jusqu'à ce qu'elle tombe en panne puis corrigez-la), préventive (corrigez-la avant même qu'elle ne pense à l'échec) et prédictive (utilisez l'IA / ML pour surveiller l'état de santé de la machine, rechercher des anomalies ou des tendances et guider l'équipe de maintenance pour résoudre les problèmes potentiels avant qu'ils ne deviennent de réels problèmes).
Je pense que nous sommes tous d'accord pour dire que l'ajout d'IA / ML aux systèmes embarqués peut être très efficace, le seul problème étant que si peu de concepteurs de systèmes embarqués ont un indice AI / ML. Selon l'International Data Corporation (IDC), il y a actuellement environ 22 millions de développeurs de logiciels dans le monde. Seulement environ 1,2 million de ces petits coquins se concentrent sur les systèmes embarqués, et seulement environ 0,2% de ces petits coquins ont même des compétences minimales en IA / ML.

Les développeurs embarqués et les data scientists vivent dans des mondes différents (Source de l'image: Cartesiam)

Et nous revenons donc aux gars et aux chapesses de Cartesiam, qui sont les fiers créateurs de NanoEdge AI Studio. Juste pour rafraîchir votre mémoire, il s'agit d'un programme qui s'exécute sur un PC. Lorsque vous lancez NanoEdge AI Studio, vous pouvez soit ouvrir un projet existant, soit en créer un nouveau. Si vous créez un nouveau projet, vous serez invité à répondre à quelques questions simples, y compris le microcontrôleur que vous utiliserez (les options actuelles sont ARM Cortex M0, M0 +, M3, M4 et M7), le nombre et les types de capteurs que vous souhaitez utiliser (pas de références spécifiques, juste des types généraux comme «accéléromètre 3 axes»), et la quantité maximale de RAM que vous souhaitez consacrer à votre solution AI / ML.

Préparation à la création d'un nouveau projet dans NanoEdge AI Studio (Source de l'image: Cartesiam)
Ensuite, vous capturez des exemples de données à partir de l'appareil en question, où ces données incluent à la fois des signaux normaux (bons) et anormaux (mauvais). Maintenant, c'est l'une des parties les plus intelligentes car – en utilisant les informations que vous avez fournies – NanoEdge AI Studio générera la meilleure solution AI / ML sur environ 500 millions de combinaisons possibles. La solution résultante, fournie sous forme de bibliothèque C facilement intégrable dans votre programme de microcontrôleur principal, est ensuite compilée et téléchargée dans votre système embarqué.
Indépendamment de toute autre chose, les bibliothèques résultantes sont presque incroyablement petites. Dans le cas de ma propre application AL / ML que j'ai mentionnée plus tôt, la bibliothèque ne faisait que 2 Ko, ce qui déroutait le peu qu'il me reste de ce que j'appelle en riant mon esprit.
À ce stade, vous disposez d'une bibliothèque générique. L'étape suivante consiste à entraîner cette bibliothèque sur une machine spécifique. Une façon d'envelopper votre cerveau est la suivante: supposons que vous achetiez deux pompes essentiellement identiques pour une utilisation dans une usine. Une pompe peut être montée sur un sol en béton dans une partie chaude et sèche de l'usine, reliée à tout ce qu'elle pompe via de courtes longueurs de tuyau en PVC. L'autre peut être monté sur un plancher suspendu dans un endroit froid et humide, connecté à tout ce qu'il pompe via de longues séries de tubes métalliques. Dans un tel cas, les deux machines – bien que physiquement similaires – peuvent avoir des caractéristiques de fonctionnement très différentes en termes de bruit et de vibrations, par exemple, ce qui explique pourquoi chacune est mieux entraînée indépendamment.
Bien sûr, ce qui est vraiment cool à noter ici, c'est que vous n'avez pas à créer vous-même d'énormes ensembles de données d'entraînement, car la bibliothèque générée par NanoEdge AI Studio s'entraîne en surveillant la machine à laquelle elle est associée en action.
Les gens de Cartesiam font manifestement quelque chose de bien. Ils ont lancé NanoEdge AI Studio pour la première fois le 25 février 2020. À l'époque, ils n'avaient qu'un seul client bêta. Maintenant, à peine neuf mois plus tard, alors que j'écris ces mots, ils ont un portefeuille de clients enviable et en constante expansion, y compris certains noms très connus.

Il est bon de voir un portefeuille de clients en expansion (Source de l'image: Cartesiam)
J'étais particulièrement intéressé de voir Bosch là-haut, car j'ai récemment utilisé une carte de dérivation Fusion (BOB) 9DOF (neuf degrés de liberté) d'Adafruit pour contrôler mon réseau de balles de ping-pong 12 × 12 (voir cette vidéo). Ce BOB comprend un dispositif MEMS Bosch BNO055 contenant un accéléromètre à 3 axes, un gyroscope à 3 axes et un magnétomètre à 3 axes. Encore mieux pour un ours d'un petit cerveau comme celui du vôtre, le BNO055 contient également un Arm Cortex-M0 + 32 bits qui effectue une fusion de capteurs et vous présente les résultats sous une forme que vous pouvez utiliser sans que votre cerveau ne s'échappe de vos oreilles. Mais nous nous écartons…
Tout cela nous ramène au fait que, il y a deux jours au moment d'écrire ces lignes, les gens de Cartesiam ont annoncé la dernière version de NanoEdge AI Studio. En plus de pouvoir détecter les anomalies et repérer les tendances, cette nouvelle version vous permet de créer une bibliothèque de classification. En fait, vous pouvez désormais utiliser plusieurs bibliothèques dans votre solution.

NanoEdge AI Studio V2 permet à votre système d'IA de passer de "J'ai détecté une anomalie" à "J'ai détecté une anomalie et je sais ce qui la cause" (Source de l'image: Cartesiam)
Ce que cela signifie dans le monde réel, c'est qu'au lieu de vous dire des choses comme «ce lave-vaisselle ne se vide pas correctement» ou «cette pompe est sur le point de cesser de fonctionner», votre système d'IA peut maintenant reconnaître et classer le problème et vous présenter des informations exploitables telles que «ce lave-vaisselle ne se vidange pas correctement car sa courroie d'entraînement principale montre des signes d'usure» ou «cette pompe est sur le point de cesser de fonctionner en raison d'une défaillance d'un roulement à billes dans l'ensemble d'arbre d'entraînement.»
Mais attendez, il y a plus, car Cartesiam a également annoncé un nouveau partenariat avec Bosch Connected Devices and Solutions, qui prévoit de déployer la plate-forme Cartesiam dans un large éventail de projets internes et externes. Par exemple, les deux sociétés travaillent actuellement en étroite collaboration sur une intégration de NanoEdge AI Studio avec le Bosch XDK, qui pourrait être décrite comme «un dispositif de capteur programmable et une plateforme de prototypage pour presque tous les cas d'utilisation de l'IoT que vous pouvez imaginer.»

Découvrez le Bosch XDK (Source de l'image: Cartesiam)
Quand j'ai vu l'image ci-dessus pour la première fois, j'ai eu du mal à déterminer le sens de l'échelle. "Quelle est la taille de ce petit coquin?" Je me demandais. J'ai donc demandé à l'un des gars de Cartesiam de m'envoyer une photo de lui en tenant une, et il a répondu avec l'image ci-dessous.

Autre vue d'un Bosch XDK (Source de l'image: François de Rochebouët)
Hou la la! C'est beaucoup plus petit que ce que je pensais au départ. C'est suffisamment petit pour être utile dans une grande variété de déploiements, et il a certainement plus que suffisamment de capteurs pour me tenir occupé pendant un certain temps. Je peux voir pourquoi Bosch et Cartesiam combinent leurs forces à ce sujet – la combinaison du XDK avec NanoEdge AI Studio ouvrira les vannes aux développeurs de systèmes embarqués, leur permettant de prototyper rapidement et facilement leurs propres périphériques de périphérie équipés d'IA / ML pour une large une variété de déploiements grand public, commerciaux et industriels. Ce que vous dites? Comme toujours, je suis heureux de vos commentaires, questions et suggestions.

en relation

Laisser un commentaire