Dalam beberapa tahun terakhir, perangkat yang terhubung dan Internet of Things (IoT) telah hadir di mana-mana dalam kehidupan kita sehari-hari, baik di rumah dan mobil atau di tempat kerja kita. Banyak dari perangkat kecil ini terhubung ke layanan cloud—hampir semua orang dengan smartphone atau laptop saat ini menggunakan layanan berbasis cloud, baik secara aktif atau melalui layanan pencadangan otomatis, misalnya.
Namun, paradigma baru yang dikenal sebagai "kecerdasan tepi" dengan cepat mendapatkan daya tarik dalam lanskap teknologi yang berubah dengan cepat. Artikel ini memperkenalkan kecerdasan berbasis cloud, kecerdasan tepi, dan kemungkinan kasus penggunaan bagi pengguna profesional agar pembelajaran mesin dapat diakses oleh semua orang.
Komputasi awan, sederhananya, adalah ketersediaan sumber daya komputasi jarak jauh kapan pun klien membutuhkannya.
Untuk layanan cloud publik, penyedia layanan cloud bertanggung jawab untuk mengelola perangkat keras dan memastikan bahwa ketersediaan layanan memenuhi standar tertentu dan harapan pelanggan. Pelanggan layanan cloud membayar untuk apa yang mereka gunakan, dan penggunaan layanan tersebut umumnya hanya layak untuk operasi skala besar.
Di sisi lain, komputasi tepi terjadi di suatu tempat antara cloud dan jaringan klien.
Sementara definisi di mana tepatnya tepi node duduk dapat bervariasi dari aplikasi ke aplikasi, mereka umumnya dekat dengan jaringan lokal. Node komputasi ini menyediakan layanan seperti pemfilteran dan buffering data, dan membantu meningkatkan privasi, memberikan peningkatan keandalan, dan mengurangi biaya dan latensi layanan cloud.
Baru-baru ini, AI dan pembelajaran mesin menjadi lebih umum untuk melengkapi node edge-computing dan membantu memutuskan data apa yang relevan dan harus diupload ke cloud untuk analisis lebih dalam.
Pembelajaran mesin (ML) adalah bidang ilmiah yang luas, tetapi belakangan ini, jaringan saraf (sering disingkat NN) telah mendapatkan perhatian paling besar saat membahas algoritme pembelajaran mesin.
Aplikasi ML multikelas atau kompleks seperti pelacakan dan pengawasan objek, pengenalan ucapan otomatis, dan deteksi multi-wajah biasanya memerlukan NN. Banyak ilmuwan telah bekerja keras untuk meningkatkan dan mengoptimalkan algoritme NN dalam dekade terakhir untuk memungkinkannya berjalan pada perangkat dengan sumber daya komputasi terbatas, yang telah membantu mempercepat popularitas dan kepraktisan paradigma komputasi tepi.
Salah satu algoritma tersebut adalah MobileNet, yang merupakan algoritma klasifikasi gambar yang dikembangkan oleh Google. Proyek ini menunjukkan bahwa jaringan saraf yang sangat akurat memang dapat berjalan pada perangkat dengan daya komputasi yang sangat terbatas.
Sampai saat ini, pembelajaran mesin terutama ditujukan untuk pakar ilmu data dengan pemahaman mendalam tentang ML dan aplikasi pembelajaran mendalam. Biasanya, alat pengembangan dan rangkaian perangkat lunak belum matang dan menantang untuk digunakan.
Pembelajaran mesin dan komputasi tepi berkembang pesat, dan minat di bidang ini terus tumbuh setiap tahun. Menurut penelitian saat ini, 98% perangkat edge akan menggunakan pembelajaran mesin pada tahun 2025. Persentase ini berarti sekitar 18-25 miliar perangkat yang para peneliti harapkan memiliki kemampuan pembelajaran mesin.
Secara umum, pembelajaran mesin di tepi membuka pintu untuk spektrum aplikasi yang luas mulai dari visi komputer, analisis ucapan, dan pemrosesan video hingga analisis urutan.
Beberapa contoh konkret untuk aplikasi yang memungkinkan adalah kunci pintu cerdas yang dipadukan dengan kamera. Perangkat ini dapat secara otomatis mendeteksi seseorang yang menginginkan akses ke sebuah ruangan dan mengizinkan orang tersebut masuk jika perlu.
Karena pengoptimalan yang telah dibahas sebelumnya dan peningkatan kinerja algoritme jaringan saraf, banyak aplikasi ML sekarang dapat berjalan pada perangkat tertanam yang didukung oleh MCU crossover seperti i.MX RT1170. Dengan dua inti pemrosesannya (Arm Cortex M7 1GHz dan inti Arm Cortex-M4 400 MHz), pengembang dapat memilih untuk menjalankan implementasi NN yang kompatibel dengan mempertimbangkan batasan waktu nyata.
Karena desain dual-core-nya, i.MX RT1170 juga memungkinkan eksekusi beberapa model ML secara paralel. Mesin kripto internal tambahan, fitur keamanan canggih, dan kemampuan grafis dan multimedia membuat i.MX RT1170 cocok untuk berbagai aplikasi. Beberapa contohnya termasuk deteksi gangguan pengemudi, sakelar lampu pintar, kunci cerdas, manajemen armada, dan banyak lagi.
i.MX 8M Plus adalah rangkaian prosesor aplikasi yang berfokus pada ML, visi komputer, aplikasi multimedia canggih, dan otomatisasi industri dengan keandalan tinggi. Perangkat ini dirancang dengan mempertimbangkan kebutuhan perangkat pintar dan aplikasi Industri 4.0 dan dilengkapi dengan NPU (unit pemrosesan saraf) khusus yang beroperasi hingga 2,3 TOPS dan hingga empat inti prosesor Arm Cortex A53.
Pemroses sinyal gambar internal memungkinkan pengembang menggunakan dua sensor kamera HD atau satu kamera 4K. Fitur-fitur ini membuat rangkaian perangkat i.MX 8M Plus layak untuk aplikasi seperti pengenalan wajah, deteksi objek, dan tugas ML lainnya. Selain itu, perangkat dari keluarga i.MX 8M Plus hadir dengan kemampuan akselerasi grafis 2D dan 3D yang canggih, fitur multimedia seperti dukungan encode dan decode video termasuk H.265), dan 8 input mikrofon PDM.
Inti Arm Cortex M7 800 MHz berdaya rendah tambahan melengkapi paket ini. Inti khusus ini melayani aplikasi industri real-time yang memerlukan fitur jaringan yang kuat seperti dukungan CAN FD dan komunikasi Gigabit Ethernet dengan kemampuan TSN.
Dengan perangkat baru, muncul kebutuhan akan ekosistem pengembangan yang mudah digunakan, efisien, dan mumpuni yang memungkinkan pengembang membangun sistem ML modern. Lingkungan pengembangan perangkat lunak eIQ ML NXP yang komprehensif dirancang untuk membantu pengembang dalam membuat aplikasi berbasis ML.
Lingkungan alat eIQ mencakup mesin inferensi, kompiler jaringan saraf, dan pustaka yang dioptimalkan untuk memungkinkan bekerja dengan algoritme ML pada mikrokontroler NXP, MCU crossover i.MX RT, dan keluarga SoC i.MX. Teknologi ML yang dibutuhkan dapat diakses oleh pengembang melalui SDK NXP untuk MCUXpresso IDE dan Yocto BSP.
eIQ Toolkit yang akan datang menambahkan GUI yang dapat diakses; Portal eIQ dan alur kerja, memungkinkan pengembang dari semua tingkat pengalaman untuk membuat aplikasi ML.
Pengembang dapat memilih untuk mengikuti proses yang disebut BYOM (bawa model Anda sendiri), di mana pengembang membangun model terlatih mereka menggunakan alat berbasis cloud dan kemudian mengimpornya ke lingkungan perangkat lunak eIQ Toolkit. Kemudian, yang tersisa untuk dilakukan adalah memilih mesin inferensi yang sesuai di eIQ. Atau pengembang dapat menggunakan alat berbasis GUI Portal eIQ atau antarmuka baris perintah untuk mengimpor dan menyusun kumpulan data dan menggunakan alur kerja BYOD (bawa data Anda sendiri) untuk melatih model mereka di dalam eIQ Toolkit.
Sebagian besar konsumen modern akrab dengan komputasi awan. Namun, dalam beberapa tahun terakhir paradigma baru yang dikenal sebagai komputasi tepi telah melihat peningkatan minat.
Dengan paradigma ini, tidak semua data diunggah ke cloud. Sebagai gantinya, node tepi, yang terletak di suatu tempat antara pengguna akhir dan cloud, memberikan kekuatan pemrosesan tambahan. Paradigma ini memiliki banyak manfaat, seperti peningkatan keamanan dan privasi, pengurangan transfer data ke cloud, dan latensi yang lebih rendah.
Baru-baru ini, pengembang sering meningkatkan node tepi ini dengan kemampuan pembelajaran mesin. Melakukannya membantu mengkategorikan data yang dikumpulkan dan menyaring hasil yang tidak diinginkan dan informasi yang tidak relevan. Menambahkan ML ke edge memungkinkan banyak aplikasi seperti deteksi gangguan pengemudi, sakelar lampu pintar, kunci cerdas, manajemen armada, pengawasan dan kategorisasi, dan banyak lagi.
Aplikasi ML secara tradisional dirancang secara eksklusif oleh pakar ilmu data dengan pemahaman mendalam tentang ML dan aplikasi pembelajaran mendalam. NXP menyediakan serangkaian perangkat yang murah namun kuat, seperti i.MX RT1170 dan i.MX 8M Plus, dan lingkungan pengembangan perangkat lunak eIQ ML untuk membantu membuka ML bagi desainer mana pun. Perangkat keras dan perangkat lunak ini bertujuan untuk memungkinkan pengembang membangun aplikasi ML masa depan di tingkat pengalaman apa pun, terlepas dari seberapa kecil atau besar proyek tersebut nantinya.
Artikel Industri adalah bentuk konten yang memungkinkan mitra industri untuk berbagi berita, pesan, dan teknologi yang bermanfaat dengan pembaca All About Circuits dengan cara yang tidak sesuai dengan konten editorial. Semua Artikel Industri tunduk pada pedoman editorial yang ketat dengan tujuan menawarkan kepada pembaca berita, keahlian teknis, atau cerita yang bermanfaat. Sudut pandang dan pendapat yang diungkapkan dalam Artikel Industri adalah dari mitra dan belum tentu dari All About Circuits atau penulisnya.
Teknologi Internet of Things
Pada hari-hari awal komputer, para ilmuwan terutama menggunakannya untuk melakukan operasi matematika dan logika sederhana. Kemudian, komputer perlahan berevolusi untuk melakukan perhitungan yang rumit, memecahkan masalah yang rumit, dan membentuk tulang punggung informasi dunia. Bergerak di luar li
Kecerdasan buatan (AI) adalah salah satu kata kunci terbesar untuk tahun 2020 dan hanya akan terus menjadi lebih populer di masa depan saat kami mulai memanfaatkan potensinya sepenuhnya. Bagi mereka yang baru mengenal subjek ini, Anda mungkin bertanya-tanya mengapa Anda hampir selalu melihat konsep
Pembelajaran mesin adalah bagian dari kecerdasan buatan dan terdiri dari mesin yang belajar dari data nyata tanpa diprogram secara langsung untuk itu. Dalam postingan ini, kita akan melihat cara menggunakan keuntungan yang dapat dibawa algoritme ini ke industri. Pembelajaran mesin Pembelajaran me
Sekarang semua orang telah mendengar tentang Machine Learning dan bagaimana hal itu akan mengubah segalanya. Tetapi sangat sedikit yang memiliki ide bagaimana memulai untuk mengubah segalanya. Saya harap ketika Anda mencoba langkah-langkah di blog ini, atau bahkan membacanya, akan membantu Anda mema
