NXP Menggandakan Pembelajaran Mesin di Edge

Ada beberapa hal yang dikenal oleh pelopor internet Robert Metcalfe:Co-menciptakan Ethernet pada tahun 1970, mendirikan produsen elektronik sekarang 3Com pada tahun 1979 dan untuk merancang model yang dikutip secara luas untuk mengekspresikan nilai jaringan telekomunikasi. Dikenal sebagai hukum Metcalfe, prinsip tersebut menyatakan bahwa nilai jaringan telekomunikasi dapat dihitung sebagai kuadrat dari jumlah perangkat jaringan. Terlepas dari kritik bahwa prinsip tersebut membantu mendorong gelembung dot-com di akhir 1990-an, prinsip tersebut terus digunakan untuk menggambarkan nilai segala sesuatu mulai dari Internet of Things hingga jaringan media sosial dan cryptocurrency. Pada tahun 2006, Metcalfe sendiri mengakui bahwa prinsip tersebut belum “dievaluasi secara numerik”, tidak seperti hukum Moore, yang memiliki data pendukung yang luas selama puluhan tahun. “Hukum Metcalfe adalah sebuah visi,” tulisnya. “Ini berlaku sebagian besar untuk jaringan yang lebih kecil mendekati 'massa kritis.' Dan itu dibatalkan secara numerik oleh kesulitan dalam mengukur konsep seperti 'terhubung' dan 'nilai.'"

Metcalfe juga mengakui ada kemungkinan nilai jaringan bisa turun setelah mencapai ambang batas tertentu. “Siapa yang belum menerima terlalu banyak email atau terlalu banyak klik dari pencarian Google?” dia bertanya. “Mungkin ada disekonomis skala jaringan yang pada akhirnya menurunkan nilai seiring dengan bertambahnya ukuran.”

Seiring pertumbuhan pasar Internet of Things, komentar Metcalfe menunjukkan perlunya membuka nilai melalui berbagi data yang optimal sambil menghindari tenggelam dalam “knalpot digital”.

[ Dunia IoT adalah acara yang mengambil IIoT dari inspirasi hingga implementasi, peningkatan bisnis, dan operasi. Dapatkan tiket Anda sekarang. ]

“Kami menghadapi kendala ini di mana semakin banyak perangkat yang terhubung, semakin banyak data tanpa filter yang masuk ke jaringan,” kata Geoff Lees, wakil presiden senior dan manajer umum divisi mikrokontroler NXP. “Kami menemukan ide mendasar ini bahwa kekuatan — nilai ekonomi jaringan sebanding dengan kuadrat jumlah perangkat yang ada di jaringan — hukum Metcalfe,” lanjut Lees. Tetapi kecuali semua perangkat dalam jaringan mampu berbagi data dengan aman, "kami benar-benar tidak mendapatkan nilai penuh dari jaringan." Dan meskipun cloud sering kali menjadi lokasi yang nyaman untuk pemrosesan data, tidak selalu layak atau tidak mungkin untuk mengirimkan IoT ke lokasi yang jauh. “Kami menemukan bahwa ada lebih banyak aplikasi di industri dan otomotif yang sebenarnya tidak pernah dimaksudkan untuk mengunggah data ke cloud,” kata Head of AI Markus Levy NXP.

Solusi NXP untuk masalah tersebut, yang disebutnya edge intelligence environment (eIQ), adalah toolkit pembelajaran mesin yang dapat mengakomodasi rangsangan sensor dari jaringan IoT. eIQ menawarkan dukungan untuk TensorFlow Lite dan Caffe2 serta kerangka kerja jaringan saraf dan algoritme pembelajaran mesin lainnya. eIQ mengambil konsep pembelajaran mesin di edge dan menerapkannya untuk menggunakan kasus yang menargetkan suara, penglihatan, deteksi anomali, dan sebagainya. “Dengan memasang model inferensi di edge, kami pada dasarnya mengumpulkan pengetahuan jaringan dan nilai data yang diperoleh jaringan,” kata Lees. Untuk mendukung tujuan itu, NXP berjanji untuk secara progresif meningkatkan kinerja pemrosesan di edge dengan setiap generasi teknologi semikonduktor berturut-turut, sambil juga membantu mengakomodasi permintaan pelanggan yang terus meningkat akan keamanan, pemrosesan data, dan penyimpanan lokal. “Dalam beberapa tahun terakhir, kami telah benar-benar berevolusi dari cerita yang terhubung ke cara meningkatkan kemampuan pemrosesan tepi,” kata Lees. “Kami menyebutnya:‘aman, sadar, dan terhubung.’”

Contoh aplikasi eIQ akan menggunakan visi komputer untuk mendeteksi jika pekerja industri memakai helm, mengoperasikan mesin secara tidak benar atau melakukan sesuatu yang tidak diinginkan. Khusus untuk aplikasi yang terkait dengan keamanan, latensi yang dihasilkan dari pengiriman data ke cloud dan kembali tidak dapat dipertahankan.

Rencana NXP untuk memfasilitasi pembelajaran mesin di edge dapat membantu pelanggan NXP membuka keuntungan efisiensi yang signifikan, kata Levy. “Saya pikir itu adalah tugas kami sebagai vendor semikonduktor untuk menyediakan kemampuan komputasi/pembelajaran mesin yang canggih ini kepada pelanggan kami dan memudahkan mereka untuk menerapkannya.”

Tujuan itu juga berlaku untuk keamanan siber. NXP menyediakan elemen perangkat keras dan perangkat lunak yang dirancang untuk membuat keamanan lebih atau kurang plug and play. “Di sisi pembelajaran mesin, kami melakukan hal yang sama,” kata Levy. “Kami mungkin menyediakan buku masak, misalnya, yang membawa orang-orang melalui langkah-langkah bagaimana Anda menerapkan TensorFlow. [Pelanggan kami] mengharapkan kami untuk memecahkan masalah ini untuk mereka, dan pada dasarnya mengubah seluruh konsep pembelajaran mesin menjadi bentuk middleware.”

Hambatan lain untuk adopsi pembelajaran mesin adalah biaya, kata Gowri Chindalore, ahli strategi utama untuk solusi tertanam di NXP. “Banyak pelanggan kami sebenarnya kesulitan mencari tahu berapa biaya sistem yang harus mereka keluarkan untuk memberikan pengalaman pengguna tertentu,” kata Chindalore. Beberapa vendor mungkin merekomendasikan unit pemrosesan grafis kelas atas untuk mendukung aplikasi pembelajaran mesin. Namun, biayanya yang tinggi dapat meyakinkan beberapa pelaksana untuk menyimpulkan bahwa pembelajaran mesin tidak terjangkau.

eIQ memberikan kemampuan bagi pelanggan NXP untuk memasukkan spesifikasi yang ingin mereka penuhi seperti waktu inferensi untuk menghitung jenis prosesor apa yang memadai untuk aplikasi tersebut. “Kami sedang membangun opsi biaya terendah bagi perusahaan Anda untuk memberikan apa yang mereka butuhkan,” kata Chindalore.

Perusahaan juga bekerja sama dengan perusahaan analitik data untuk mengembangkan tidak hanya modul yang dapat dipasang ke lingkungan industri yang ada. “Sebuah rig minyak benar-benar contoh klasik untuk itu,” kata Chindalore. Tambang adalah contoh lain. “Banyak tambang membutuhkan pemantauan di dalam untuk mendeteksi gas beracun dan untuk keselamatan penambang,” tambahnya. Aplikasi seperti itu menuntut pemrosesan tepi.

Keamanan siber adalah pertimbangan lain yang mendorong pemrosesan ke tepi, kata Lees. “Semakin besar nilai data yang Anda simpan secara terpusat di cloud, semakin besar permukaan serangan, semakin besar nilai serangan untuk semua peretas atau organisasi jahat itu,” jelasnya. Itulah alasan NXP membuat kasus untuk penyimpanan data terdistribusi dengan beragam akses dan teknik serta atribut otorisasi. “Ketika Anda membawanya ke kesimpulan logis, Anda mulai menyadari bahwa distribusi utama adalah mempertahankan sebanyak mungkin data di edge,” kata Lees.