Suelten el kraken: Cómo llevar fácilmente la inteligencia artificial a cualquier sistema industrial

Existe un interés generalizado en implementar aplicaciones de IA (inteligencia artificial) y AA (aprendizaje automático) en entornos industriales para aumentar la productividad y la eficiencia al mismo tiempo que se obtienen ahorros en los costos operativos. Sin embargo, como cualquier ingeniero o gerente de ingeniería le dirá, hay tres problemas principales que se deben abordar con respecto a agregar "inteligencia" a una base instalada de máquinas "elementales", desde motores hasta sistemas de HVAC.

En primer lugar, no hay suficientes personas con experiencia en IA y AA para satisfacer la demanda, y los expertos disponibles son costosos. En segundo lugar, faltan conjuntos de datos calificados con los que formar los sistemas de IA y AA, y cualquier conjunto de datos disponible está celosamente guardado. En tercer lugar, los sistemas de IA y AA tradicionalmente han exigido plataformas de procesamiento de alta gama para ejecutarse.

Lo que se requiere es una forma de permitir que los ingenieros y los desarrolladores existentes sin experiencia en IA y AA creen rápidamente sistemas de este tipo y los implementen en plataformas de microcontroladores eficientes y de bajo costo. Una interesante iniciativa llamada Cartesiam.AI está abordando todos estos temas con su NanoEdge AI Studio. Permítanme explicarles cómo.

Cuantificación del aumento de IA y AA

A mediados de 2020, y dependiendo de la fuente, se espera que haya entre 20 y 30 mil millones de dispositivos periféricos en todo el mundo, ^{1, 2} en los que el término "dispositivo periférico" se refiere a dispositivos y sensores conectados ubicados en el borde de Internet donde interactúan con el mundo real. De estos, solo alrededor del 0.3% con capacidades de IA y AA. Se estima además que habrá entre 40 y 75 mil millones de dispositivos de este tipo para el año 2025, ^{3, 4}momento en el que se espera que al menos el 25% esté equipado con capacidades de IA y AA.

Un factor importante con respecto a las implementaciones industriales es tomar las máquinas "elementales" existentes y hacerlas "inteligentes" al agregarles capacidades de IA y AA. Aquí, es difícil exagerar el potencial; por ejemplo, se estima que hay solo $6.8 mil millones de infraestructura y maquinaria elemental (heredada) existente solo en los EE. UU.⁵

Cómo hacer que la IA y el AA sean más eficientes en el borde

El IoT (Internet de las cosas) y el IIoT (Internet de las cosas industrial) ya están generalizados, y los objetos ya se están conectando; el próximo desafío es hacer que estos objetos sean inteligentes.

La forma tradicional de crear una aplicación de AI/AA es definir una arquitectura de red neuronal, incluido el número de capas neuronales, el número de neuronas por capa y las formas en que las diferentes neuronas y capas se conectan entre sí. El siguiente paso es acceder a un conjunto de datos calificado (que puede haber tomado una gran cantidad de tiempo y recursos para crearse). El conjunto de datos se usa para entrenar a la red en la nube (es decir, usar grandes cantidades de servidores de alta gama con capacidades de informática gigantescas). Finalmente, la red formada se traduce en un formulario adecuado para su implementación en el dispositivo periférico.

Según el informe Quant Crunch Report de IBM,⁶ el término DSA (ciencia y análisis de los datos) ya no es una palabra de moda; más bien, se ha transformado en una herramienta comercial esencial. Sin embargo, existe una creciente preocupación de que el suministro de personas con habilidades de DSA quede peligrosamente por detrás de la demanda, con una escasez de científicos de datos actual de 130,000 solo en los EE. UU.

Desafortunadamente, la falta de acceso a científicos de datos con experiencia y conjuntos de datos calificados son obstáculos para la creación rápida y asequible de objetos inteligentes habilitados para IA/AA. Según Cisco,⁷ la tasa de falla para los proyectos de IoT en general es de alrededor del 74%, y esta tasa de falla aumenta con respecto a los proyectos habilitados para IA/AA.

Según IDC,⁸ hay alrededor de 22 millones de desarrolladores de software en el mundo. De estos, aproximadamente 1.2 millones se enfocan en sistemas integrados, y de estos, solo alrededor del 0.2% tienen habilidades mínimas de IA/AA.

Algunos sistemas de IA y AA, como la visión artificial que realiza la detección y la identificación de objetos, exigen el uso de dispositivos informáticos especiales de alta gama, incluidas GPU (unidades de procesamiento de gráficos) o FPGA (arreglos programables de puertas en campo). Sin embargo, los nuevos desarrollos en las tecnologías de IA/AA significan que la gran mayoría de las aplicaciones de este tipo fuera del campo de la visión se puede implementar en los microcontroladores de nivel relativamente bajo que son prominentes en los sistemas integrados.

En 2020, según Statista,⁹ se espera que los envíos globales de microcontroladores asciendan a aproximadamente 28 mil millones de unidades (eso es alrededor de 885 por segundo), lo que hace que las plataformas basadas en microcontroladores sean el hardware más dominante en el mercado. Con su bajo costo y bajo consumo de energía, los microcontroladores son la plataforma perfecta para llevar la inteligencia al borde.

Incluso para las grandes organizaciones empresariales con acceso a científicos de datos, conjuntos de datos y presupuestos básicamente ilimitados, es difícil dominar el campo de la IA y el AA. Para las empresas más pequeñas, puede ser imposible. Si la situación se mantiene "como está", no hay forma de que el 25% de los dispositivos periféricos se incrementen con capacidades de IA/AA para 2025. Si solo los desarrolladores existentes de sistemas integrados basados en microcontroladores estuvieran preparados para desarrollar aplicaciones de IA/AA...

Una forma simple, rápida y económica de desarrollar objetos inteligentes habilitados para IA/AA

La plataforma informática más ubicua para aplicaciones integradas en entornos industriales es el microcontrolador, y ningún microcontrolador es más omnipresente que los de la familia Cortex-M de Arm, especialmente los M0, M0+, M3, M4 y M7.

Figura 1: La V2M-MPS2-0318C es una potente plataforma de desarrollo para aplicaciones basadas en Cortex-M de Arm con muchas E/S y una pantalla LCD. (Fuente de la imagen: Arm)

Una cosa a la que las empresas sí tienen acceso son los desarrolladores integrados tradicionales. Lo que se requiere es alguna forma de hacer que estos desarrolladores actúen como expertos en IA/AA sin tener que formarlos. La solución ideal sería brindar a los desarrolladores integrados tradicionales la capacidad de crear, de manera rápida y fácil, máquinas autoconscientes que puedan aprender y comprender su entorno automáticamente, identificar patrones y detectar anomalías, predecir problemas y resultados, y hacer todo esto en plataformas asequibles basadas en un microcontrolador en el borde en el que se generen y capturen los datos.

La solución, como lo mencioné anteriormente, es NanoEdge AI Studio de Cartesiam.AI. Con este IDE (entorno completo de desarrollo integrado), que se ejecuta en Windows 10 o Ubuntu, el desarrollador integrado primero selecciona el microcontrolador de destino, que puede ir desde un Cortex M0 a un M7 de Arm. Además, el desarrollador o diseñador especifica la cantidad máxima de RAM que se asignará a la solución. Si está un poco oxidado o es nuevo en todo esto, un buen lugar para (volver a) comenzar es con el sistema de creación de prototipos Cortex-M V2M-MPS2-0318C+ de Arm (Figura 1).

El V2M-MPS2-0318C forma parte de la gama de placas de desarrollo Versatile Express de Arm. Viene con un FPGA (arreglo programable de puertas en campo) relativamente grande para la creación de prototipos de diseños basados en Cortex-M. Para ese fin, viene con las implementaciones de FPGA cifradas fijas de todos los procesadores Cortex-M. Además, tiene bastantes periféricos útiles, como memoria PSRAM, Ethernet, pantalla táctil, audio, un LCD con arreglo VGA, SPI (interfaz periférica serial) y GPIO (entrada y salida de uso general).

A continuación, el desarrollador debe seleccionar el número y los tipos de sensores que se utilizarán. La belleza del enfoque de Cartesiam.AI es que no hay limitaciones estrictas en los sensores que se pueden utilizar. Por ejemplo, pueden incluir lo siguiente:

• Acelerómetros de uno, dos y tres ejes (básicamente cualquier frecuencia para análisis de vibraciones)
• Sensores magnéticos
• Sensores de temperatura
• Micrófonos (para reconocimiento de sonido)
• Sensores de efecto Hall para el control del motor
• Sensores de monitoreo de corriente

Es importante tener en cuenta que no se requiere que el desarrollador defina números de pieza específicos, solo los tipos de sensores generales.

El siguiente paso es cargar datos contextuales del sensor; es decir, datos genéricos asociados con cada sensor para darle al sistema una idea de lo que va a tratar.

NanoEdge AI Studio está equipado con un amplio conjunto de "bloques de construcción" de IA/AA que se puede utilizar para crear soluciones para el 90% o más de las tareas industriales de este tipo. Una vez que se le haya informado del microcontrolador objetivo, el número y los tipos de sensores, y el tipo genérico de datos de sensores que puede esperar ver, generará la mejor solución de biblioteca de IA/AA de entre 500 millones de combinaciones posibles.

Si el desarrollador lo desea, esta solución se puede probar opcionalmente en la misma PC que ejecuta el IDE de NanoEdge AI Studio por medio de un emulador incluido, después de lo cual se integra dentro del programa principal del microcontrolador, se compila y se descarga en el sistema basado en microcontrolador que se asociará con la máquina de destino.

Solo para proporcionar un ejemplo, supongamos que tenemos dos máquinas elementales que deseamos hacer inteligentes. Una de estas máquinas podría ser una bomba, mientras que la otra podría ser un generador. Además, en este ejemplo, supongamos que estamos creando una solución única con un sensor de temperatura y un acelerómetro de 3 ejes, y que la misma solución se implementará en ambas máquinas (Figura 2).

Figura 2: Después de que el IDE de NanoEdge AI Studio se haya utilizado para crear y (opcionalmente) probar una biblioteca de IA/AA, esa biblioteca se incrusta dentro del programa principal, se compila y se descarga en el sistema basado en microcontrolador que se asociará con las máquinas de destino. Después de una fase de aprendizaje (generalmente una semana de funcionamiento las 24 horas del día), se puede utilizar el motor de inferencia para detectar e informar anomalías y predecir resultados futuros. (Fuente de la imagen: Max Maxfield)

Por supuesto, estas dos máquinas tendrán características completamente diferentes. En realidad, dos máquinas idénticas pueden tener características muy diferentes según su ubicación y entorno. Por ejemplo, dos bombas idénticas ubicadas a 20 metros de distancia en la misma habitación de la misma fábrica pueden exhibir diferentes perfiles de vibración según dónde estén montadas (una en concreto, la otra sobre las vigas de piso de madera) y las longitudes (y formas y materiales) de las tuberías a las que están conectadas.

La clave de todo el proceso es que las soluciones de IA/AA se forman individualmente en máquinas buenas conocidas, donde esta capacitación generalmente toma una semana de funcionamiento sin parar las 24 horas al día, lo que permite al sistema aprender de las fluctuaciones de temperatura y los patrones de vibración. Por supuesto, se pueden realizar sesiones de capacitación adicionales en fechas posteriores a fin de ajustar los modelos para tener en cuenta las variaciones ambientales asociadas con diferentes estaciones (para aplicaciones externas) y otras variables esperadas.

Una vez que se han capacitado las soluciones, estas pueden comenzar a hacer inferencias a partir de cualquier dato nuevo que ingrese, identificando patrones y detectando anomalías, prediciendo problemas y resultados, y presentando sus conclusiones en un panel para el análisis técnico y administrativo, según sea necesario.

Conclusión

Considero que NanoEdge AI Studio representa un "gran cambio". Es intuitivo y permitirá a los diseñadores de sistemas integrados, que utilizan microcontroladores Cortex-M de Arm de baja potencia y bajo costo, que están integrados en miles de millones de dispositivos en todo el mundo, integrar IA/AA de manera rápida, fácil y económica en sus sistemas industriales transformando máquinas elementales en máquinas inteligentes; esto resultará en un aumento de la productividad y la eficiencia, al mismo tiempo que se logran ahorros muy esperados en los costos operativos.

Referencias

1: https://www.vxchnge.com/blog/iot-statistics

2: https://securitytoday.com/articles/2020/01/13/the-iot-rundown-for-2020.aspx

3: https://www.helpnetsecurity.com/2019/06/21/connected-iot-devices-forecast/

4: https://securitytoday.com/articles/2020/01/13/the-iot-rundown-for-2020.aspx

5: https://www.kleinerperkins.com/perspectives/the-industrial-awakening-the-internet-of-heavier-things/

6: https://www.ibm.com/downloads/cas/3RL3VXGA

7: https://newsroom.cisco.com/press-release-content?articleId=1847422

8: https://www.idc.com/getdoc.jsp?containerId=US44363318

9: https://www.statista.com/statistics/935382/worldwide-microcontroller-unit-shipments/