Menjembatani Kesenjangan: Membuat Machine Learning Terjangkau di Edge
Kecerdasan edge kini dapat dijangkau desainer tanpa pelatihan formal ilmu data, berkat platform perangkat keras yang muncul.
Perangkat terhubung dan Internet of Things (IoT) telah menyatj dalam benang kehidupan sehari-hari kita—baik di dalam rumah, kendaraan, atau tempat kerja. Sementara sebagian besar perangkat ini bergantung pada layanan cloud untuk beban berat, paradigma baru, “kecerdasan edge,” sedang mengubah cara kita membangun sistem cerdas.
Dalam artikel ini kita membandingkan kecerdasan berbasis cloud dengan kecerdasan edge, mengilustrasikan kasus penggunaan dunia nyata, dan menunjukkan bagaimana ekosistem perangkat keras dan perangkat lunak eIQ NXP memberdayakan desainer dari semua tingkat keterampilan untuk menerapkan machine learning (ML) di edge.
Gambar 1. Bergerak dari komputasi cloud ke komputasi edge membuka miliaran perangkat yang didukung ML. Gambar dengan hormat NXP.
Istilah Kunci Machine Learning
Cloud Computing
Cloud computing menyediakan sumber daya komputasi jarak jauh sesuai permintaan. Penyedia layanan memelihara perangkat keras dan menjamin ketersediaan, memungkinkan pelanggan membayar hanya untuk apa yang mereka gunakan. Untuk sebagian besar perusahaan, layanan cloud tetap menjadi solusi utama untuk analitik dan pelatihan skala besar.
Edge Computing
Edge computing menempatkan pemrosesan lebih dekat ke sumber data—antara pengguna akhir dan cloud. Node edge menangani filtering, buffering, dan tugas yang meningkatkan privasi, mengurangi latensi dan penggunaan bandwidth sambil memotong biaya. Perangkat edge modern kini menyematkan akselerator AI yang memutuskan data mana yang layak dikirim ke atas untuk analisis yang lebih dalam.
Machine Learning (ML)
Pada intinya, ML melatih algoritma untuk mengenali pola. Jaringan syaraf—terutama arsitektur konvolusi seperti MobileNet—telah demokratisasi ML dengan berjalan efisien pada perangkat dengan sumber daya terbatas. Hasilnya adalah klasifikasi gambar yang akurat, pengenalan ucapan, dan lainnya, semua di edge.
ML di Luar Bidang Ilmu Data
Secara historis, membangun sistem ML memerlukan keahlian dalam ilmu data. Hari ini, lanskap telah berubah secara dramatis. Peramalan memproyeksikan bahwa pada 2025, 98 % perangkat edge akan menyematkan ML, yang berarti sekitar 18-25 miliar perangkat cerdas di seluruh dunia. Explosi ini membuka kemungkinan di seluruh visi komputer, analisis ucapan, pemrosesan video, dan analisis urutan.
Contoh konkret termasuk kunci pintar yang menggunakan feed kamera untuk mengenali pengguna yang berwenang, atau dasbor manajemen armada yang mendeteksi gangguan pengemudi secara real-time. Kunci adalah bahwa kemampuan ini tidak lagi terbatas pada spesialis; mereka dapat dirakit oleh desainer dengan pengetahuan ML yang modest.
Platform Perangkat Keras yang Membuat ML di Edge Praktis
Algoritma jaringan syaraf yang dioptimalkan, dikombinasikan dengan mikrokontroler yang kuat, memungkinkan beban kerja ML yang canggih di edge. i.MX RT1170, misalnya, menawarkan arsitektur dual-core—1 GHz Arm Cortex-M7 ditambah 400 MHz Cortex-M4—memungkinkan inferensi real-time dan eksekusi model bersamaan. Mesin kripto built-in, grafik, dan dukungan multimedia membuatnya ideal untuk deteksi gangguan pengemudi, pencahayaan cerdas, kunci pintar, dan sistem manajemen armada.
Gambar 2. Diagram blok i.MX RT1170 crossover MCU. Gambar dengan hormat NXP.
i.MX 8M Plus menargetkan aplikasi performa lebih tinggi seperti visi komputer dan otomatisasi industri. Dengan NPU yang memberikan hingga 2,3 TOPS, empat inti Arm Cortex-A53, dan dukungan kamera 4K atau dual-HD opsi, ia dapat menangani pengenalan wajah, deteksi objek, dan tugas multimedia canggih. Inti Arm Cortex-M7 daya rendah tambahan menangani fungsi jaringan real-time, termasuk CAN FD dan Gigabit Ethernet yang mampu TSN.
Gambar 3. Diagram blok i.MX 8M Plus. Gambar dengan hormat NXP.
Alat eIQ: Dari Model ke Deployment
Ekosistem ML eIQ NXP mengubah perangkat canggih ini menjadi platform yang ramah pengguna. Suite ini mencakup mesin inferensi, compiler jaringan syaraf, dan perpustakaan yang dioptimalkan yang terintegrasi dengan MCUXpresso IDE dan Yocto BSP. Rilis mendatang menambahkan Toolkit eIQ grafis dan eIQ Portal, yang mendukung alur kerja “bring your own model” (BYOM) dan “bring your own data” (BYOD).
Gambar 4. eIQ Toolkit dan eIQ Portal dengan alur kerja BYOD/BYOM dan mesin inferensi yang dapat dipilih. Gambar dengan hormat NXP.
Dengan BYOM, pengembang dapat melatih model di cloud dan mengimpornya ke dalam lingkungan eIQ, lalu memilih mesin inferensi yang optimal. Dengan BYOD, alat yang sama mengkurasikan dataset, melatih model, dan memaketkannya—semua dalam antarmuka grafis yang sama.
ML di Edge: Terjangkau, Aman, dan Scalable
Edge computing menjaga data sensitif secara lokal, mengurangi biaya bandwidth, dan memotong latensi—manfaat yang diperkuat saat dikombinasikan dengan ML. Baik itu peringatan gangguan pengemudi real-time atau kontrol akses otomatis, ML di edge sedang mengubah cara perangkat berinteraksi dengan dunia.
Dengan memadukan perangkat keras hemat biaya NXP dengan stack perangkat lunak yang ramah pengembang, desainer dari semua tingkat pengalaman dapat menciptakan solusi ML yang kuat dan tahan masa depan. Baik Anda membangun satu prototipe atau menerapkan angkat miliaran perangkat, alat dan platform kini dapat dijangkau.
Industry Articles adalah bentuk konten yang memungkinkan mitra industri untuk berbagi berita, pesan, dan teknologi yang berguna dengan pembaca All About Circuits dengan cara yang tidak cocok untuk konten editorial. Semua Industry Articles tunduk pada pedoman editorial yang ketat dengan niat untuk menawarkan berita yang berguna, keahlian teknis, atau cerita bagi pembaca. Pandangan dan pendapat yang diekspresikan dalam Industry Articles adalah dari mitra dan tidak harus merupakan pandangan All About Circuits atau penulisnya.
