ADVERTISE SUBSCRIBE TECHNICAL ARTICLES EVENTS ETNdigi ABOUT USCONTACT
Oct 29/9 30/9 # Rohde supersquare
6/2-15/5 # Period: start idag om möjligt 6/2—15/5 egen prenannons, över- och  underdeldel

ETNtv

Watch ECF videos

 
ECF22 videos
  • Antti Tolvanen, Etteplan
  • Timo Poikonen, congatec
  • Kimmo Järvinen, Ziphera
  • Sigurd Hellesvik, Nordic Semiconductor
  • Hans Andersson, Acal BFi
  • Andrea J. Beuter, Real-Time Systems
  • Ronald Singh, Digi International
  • Pertti Jalasvirta, CyberWatch Finland
ECF19 videos
  • Julius Kaluzevicius, Rutronik.com
  • Carsten Kindler, Altium
  • Tino Pyssysalo, Qt Company
  • Timo Poikonen, congatec
  • Wolfgang Meier, Data-Modul
  • Ronald Singh, Digi International
  • Bobby Vale, Advantech
  • Antti Tolvanen, Etteplan
  • Zach Shelby, Arm VP of Developers
ECF18 videos
  • Jaakko Ala-Paavola, Etteplan CTO
  • Heikki Ailisto, VTT
  • Lauri Koskinen, Minima Processor CTO
  • Tim Jensen, Avnet Integrated
  • Antti Löytynoja, Mathworks
  • Ilmari Veijola, Siemens

logotypen

 2022  # square  (4)
TMSNet  advertisement
ETNdigi
Mar Apr May Jun # Farnell sajt skyskrapa
Mar 1-9/4 # Ansys sajt
A la carte
AUTOMATION DEVICES EMBEDDED NETWORKS TEST&MEASUREMENT SOFTWARE POWER BUSINESS NEW PRODUCTS
ADVERTISE SUBSCRIBE TECHNICAL ARTICLES EVENTS ETNdigi ABOUT US CONTACT
Tweet

TECHNICAL ARTICLES

Miten tekoäly sulautettuihin?

Tietoja
Kirjoittanut Veijo Ojanperä
Julkaistu: 30.08.2019
  • Devices
  • Embedded

Yhä useampi sovellus hyödyntää jonkinlaista tekoälyä. Usein ajatellaan, että syväneuroverkon opettaminen vaatii palvelinfarmeittain laskentatehoa, mutta tilanne on hiljalleen muuttumassa. Tekoäly on tulossa myös sulautettuihin.

Artikkelin kirjoittaja Cliff Ortmeyer vastaa Premier Farnellin ratkaisujen kehittämisestä. Ortmeyer tuli Farnellin palvelukseen vuonna 2011. Sitä ennen hän työskenteli STMicroelectronicsilla liiketoiminnan kehityksessä yli 13 vuotta. Ortmeyerillä on elektroniikkainsinöörin tutkinto Iowa State Universitystä.

Tekoäly eli AI (Artificial intelligence) nähdään nyt elintärkeäksi osaksi esineiden internetin ja esimerkiksi robottien ja autonomisten ajoneuvojen kehittämisessä.

Monien kotien olohuoneissa pöydällä makaava älykaiutin on hyvä esimerkiksi edistyneen tekoälyn toiminnasta arkipäivässämme. Se kykenee tunnistamaan luonnollista kieltä ja syntesoimaan korkealaatuista puhetta. Tässä onnistuakseen kaiuttimen täytyy siirtää dataa useille tehokkaille tietokoneille etäisissä palvelinfarmeissa. Sulautettu laitteisto nähdään liian rajoittavana kyetäkseen ajamaan niitä syväneuroverkkojen (DNN, deep neural network) algoritmeja, joihin nämä toiminnot perustuvat.

Tekoälyn sovellukset

Tekoälyn ei tarvitse rajoittua käytettäväksi vain huipputehoisissa palvelimissa konesaleissa. Tekoälytekniikoita ehdotetaan nyt tavaksi hallita äärimmäisen monimutkaista 5G NR- eli New Radio -protokollaa. Puhelimien täytyy analysoida niin suuri määrä kanavaparametreja optimoidun datanopeuden saavuttamiseksi, että se on ylittänyt suunnittelijoiden kyvyn kehittää tehokkaita algoritmeja. Kenttätestien aikana kerätyn datan perusteella koulutetut algoritmit ovat tehokas keino tasapainottaa eri asetusten välisiä ominaisuuksia.

Mitä tulee etäisissä kohteissa toimivien teollisuuslaitteiden kunnon ylläpitämiseen, sulautetulla raudalla ajettavat koneoppimisalgoritmit ovat tulossa tehokkaaksi vaihtoehdoksi. Perinteiset algoritmit kuten Kalman-suotimet käsittelevät jo erilaisten datasyötteiden, kuten paineen, lämpötilan ja tärinän lineaarisia suhteita. Silti ongelmista varoittaminen etukäteen tapahtuu usein tunnistamalla muutoksia suhteissa, jotka eivät ole pääosin lineaarisia.

Tekoälytoteutukset

Järjestelmiä voidaan opettaa terveistä ja pettävistä laitteista peräisin olevalla datalla tunnistamaan potentiaalisia ongelmia, kun niihin syötetään reaaliaikaista toimintadataa. Tässä kohtaa neuraaliverkko, vaikka onkin suosittu valinta nykyään, ei ole ainoa mahdollinen tekoälyratkaisu. On olemassa monia algoritmeja, joita voidaan hyödyntää ja vaihtoehtoinen ratkaisu voi olla kaikkein sopivin käsillä olevan ongelman ratkaisemiseksi.

Yksi mahdollinen ratkaisu voi löytyä sääntöperustaisesta tekoälystä. Tämä hyödyntää erikoisalueen asiantuntijoiden osaamista suoraan koneoppimisen sijaan enkoodaamalla asiantuntijoiden tietoa sääntökannassa. Päättely- eli inferenssimoottori analysoi dataa sääntöjä vastaan ja yrittää löytää parhaan vastaavuuden kohtaamilleen olosuhteille. Sääntöperustainen järjestelmä ei vaadi valtavasti laskentatehoa, mutta kehittäjät voivat kohdata ongelmia, mikäli olosuhteita on vaikea kuvata yksinkertaisin lausekkein tai syötedatan ja toiminnan suhteita ei ymmärretä hyvin. Viimeksi mainittu pätee puheeseen ja kuvantunnistukseen, mikä koneoppiminen on osoittanut loistavansa.

Koneoppiminen on läheisessä suhteessa optimointiprosesseihin. Annetuilla tietokannan elementtien syötteillä koneoppimisalgoritmi yrittää löytää sopivimman tavan niiden luokitteluun tai järjestämiseen. Lineaarisen regressioanalyysin kaltaisiin tekniikoihin perustuvaa käyrän sovitusalgoritmia voidaan pitää koneoppimisalgoritmin yksinkertaisimpana muotona: se käyttää datapisteitä formuloidakseen parhaiten sopivan polynomin, jota voidaan käyttää määrittelemään todennäköisin tuotos annetulle syötedatalle. Käyrän sovitus sopii vain järjestelmiin, joissa on hyvin vähän ulottuvuuksia. Todelliset koneoppimissovellukset voivat käsitellä monimutkaista moniulotteista dataa.

Ryhmittäminen menee pidemmälle luokittelemalla datan ryhmiin. Tyypillinen algoritmi perustuu painopisteisiin, mutta myös monia muita klusterianalyysejä käytetään koneoppimisessa. Painopistepohjainen järjestelmä käyttää geometristä etäisyyttä datapisteiden välillä sen määrittelemiseen, mihin ryhmään ne kuuluvat. Klusterianalyysi on usein iteratiivinen prosessi, jossa erilaisia kriteereitä käytetään määrittelemään, missä rajata ryhmine/klusterien välillä muodostuvat ja kuinka läheisiä datapisteiden täytyy olla suhteessa toisiinsa yksittäisessä klusterissa. Tekniikka on kuitenkin tehokas niiden kuvioiden löytämisessä datasta, joita domain-asiantuntijat eivät löytäisi. Toinen tapa erotella data luokkiin on SVM-moottori (support vector machine), joka jakaa moniulotteisen datan luokkiin hypertasoilla, jotka luodaan optimointitekniikoilla.

Kuva 1. Klusterointi käyttää mekanismeja kuten etäisyyttä lähimmästä painopisteestä datan luokitteluun.

Päättelypuu tuottaa tapoja käyttää klusteroitua/ryhmiteltyä dataa sääntökannassa. Päättelypuun ansiosta tekoälyalgoritmi voi työstää datasyötteitä vastauksen kehittämiseksi. Jokainen koodihaara puussa voidaan määritellä syötedatan klusterianalyysillä. Järjestelmä voi esimerkiksi käyttäytyä eri tavoin tietyn lämpötilan yläpuolella niin, että painelukema on hyväksyttävä muissa olosuhteissa. Tämä voi vihjata ongelmaan. Päättelypuu voi käyttää näiden olosuhteiden yhdistelmiä löytääkseen sopivimman sääntökokoelman ko. tilanteelle.

Kuva 2. Päättelypuu antavat keinon strukturoida dataa luokittelusääntöjen ja erilaisten seurausten todennäköisyyksien perusteella.

Vaikka syväneuroverkot yleisesti edellyttävät suorituskykyistä laitteistoa reaaliaikaiseen prosessointiin, on olemassa yksinkertaisempia rakenteita kuten vastakkaisia (adversarial) neuroverkkoja, joita on menestyksellä sovellettu 32- ja 64-bittisiin prosessoreihin perustuvissa mobiiliroboteissa, jollainen löytyy esimerkiksi Raspberry Pi -alustoista. Syväneuroverkkojen avainetu on sen suuressa kerrosten määrässä. Kerrostettu rakenne mahdollistaa sen, että neutronit voivat enkoodata yhteyksiä moniulotteisten dataelementtien välillä, jotka voivat olla tilallisesti ja ajallisesti kaukana toisistaan, mutta joiden välillä on koulutusprosessin aikana paljastuneita tärkeitä suhteita.

Se lisäksi, että edellyttää tehokasta laitteistoa, syväneuroverkkojen huono puoli on se valtava datamäärä, joka sen opettamiseen tarvitaan. Tässä muut algoritmit kuten Gaussian-prosesseihin perustuvat tulevat tekoälytutkijoiden kiinnostuksen kohteeksi. Ne käyttävät datan todennäköisyysanalyysiä rakentaakseen mallin, joka toimii neuroverkon tavoin mutta käyttää paljon vähemmän koulutusdataa. Lyhyellä tähtäimellä syväneuroverkkojen menestys tekee niistä kuitenkin pääehdokkaan monimutkaisten moniulotteisten syötteiden käsittelyyn, kuten kuvien, videon tai audio- ja prosessidatavirtojen käsittelyyn.

Yksi vaihtoehto monimutkaisten vaatimusten sovelluksissa on käyttää yksinkertaista tekoälyalgoritmia sulautetussa laitteessa etsimään syötedatasta poikkeavuuksia ja sen jälkeen pyytää palvelua pilvestä katsotaan dataa yksityiskohtaisemmin tarkemman vastauksen löytämiseksi. Tällainen jako helpottaisi reaaliaikasuorituskyvyn säilyttämisessä, rajoittaisi pitkien matkojen yli siirrettävän datan määrää ja varmistaisi toiminnan jatkumisen jopa satunnaisten verkkokatkosten aikana. Mikäli yhteys menetetään, sulautettu järjestelmä voi tallentaa epäilyttävän datan välimuistiin, kunnes tulee jälleen mahdollisuus tarkistaa se pilvipalvelussa.

Tekoälytoimittajat

Amazon Web Services (AWS) ja IBM kuuluvat niihin yrityksiin, jotka nyt tarjoavat pilvipohjaisia tekoälypalveluja asiakkailleen. AWS antaa pääsyn laajaan valikoimaan koneoppimiseen sopivia laitealustoja, kuten yleiskäyttöiset palvelinkortit, GPU-kiihdyttimet ja FPGA-piirit. Pilvessä ajettavat syväneuroverkot voidaan rakentaa avoimen koodin kehyksillä kuten Caffe ja TensorFlow, joita tekoälykehittäjät nyt laajasti käyttävät.

IBM on rakentanut suorat liitännät Watson-tekoälyalustaansa esimerkiksi Raspberry Pi -kortille, joten sillä on helppo prototypoida koneoppimissovelluksia ennen kuin lyö lopullisen arkkitehtuurin lukkoon. Arm tarjoaa vastaavanlaisen liitännän Watsoniin oman mbed IoT -alustansa kautta.

Vaikka tekoäly saattaa näyttää laskennan uudelta rintamalta, suorituskykyisten mutta edullisten Raspberry Pin kaltaisten korttien saatavuus sekä pääsy pilvipohjaisiin koneoppimispalveluihin tarkoittaa, että sulautettujen kehittäjillä on suoraviivainen pääsy koneoppimisalgoritmien kirjoon, joka parin viimeisen vuosikymmenen aikana on kehitetty. Kun yhä edistyneempiä tekniikoita kehitetään, kortti- ja pilvilaskennan yhdistelmä varmistaa sen, että sulautettujen sovellusten kehittäjät pysyvät kehityksen vauhdissa mukana ja voivat kehittää älykkäimpiä mahdollisia ratkaisuja.

back to top
MORE NEWS

Vuoden teknologiajohtajat Wärtsilästä ja kvanttitietokoneyrityksestä

Suomalaisista teknologiavaikuttajista koostuva tuomaristo valitsi vuoden 2023 teknologiajohtajiksi Wärtsilän Juha Kytölän (kuvassa) ja IQM Quantum Computersin Kuan Yen Tanin. Vuoden 2023 innovaatioprofessorin palkinto myönnettiin Tampereen yliopiston Mircea Guinalle.

Tekoäly tulee perustason valvontakameraan

Piilaaksosta ponnistava Arbarella on jo saanut nimeä energiatehokkaista kuvantamispiireistään, joilla voidaan ajaa myös koneoppimismalleja. Yhtiön uusin tulokas on CV72S-järjestelmäpiiri, joka tuo tekoälyn myös perustason valvontakameroihin.

Oskilloskooppitietoa ilmaiseksi

Kuinka käytetään oskilloskoopin mittapäitä? Mikä on paras tapa suunnitella tehoelektroniikan suotimet? Miten virranlaatu vaikuttaa signaalin eheyteen? Mitä työkaluja voidaan käyttää virheenkorjaukseen? Nämä ja paljon muuta selviävät huhtikuussa Rohde & Schwarzin ilmaisissa Oscilloscope Days -virtuaalitapahtumassa.

Silicon Labs kutisti Bluetooth-radion

Teksasilainen Silicon Labs on esitellyt kaksi uutta piiriperhettä, jotka on suunniteltu markkinoiden pienimpien IoT-laitteiden toteutukseen. Uutuudet ovat xG27-radiopiiri ja BB50-mikro-ohjainyksikkö. Sirujen koot vaihtelevat kahdesta neliömillistä viiteen.

CanSat-tölkkisatelliitteja kilometrin korkeuteen

ESERO Finland ja Tiedekeskus Heureka järjestävät nuorille suunnatun CanSat-kilpailun, jossa lähetetään tölkkisatelliitteja pienoiskantoraketin kyydissä ensimmäistä kertaa kilometrin korkeuteen. CanSat on juomatölkkiin koottu täysin toimiva satelliitin pienoismalli, joka yläilmoissa kerää tutkimuksellista havaintotietoa ilmakehän ilmiöistä.

Ohjaa Raspberry Pi -korttia ajatuksen voimalla

Lontoolaisen Imperial Collegen tutkimusassistentti Ildar Rakhmatulin on työstänyt Raspberry Pi -korttiin lisäosan, jonka avulla korttia voidaan käyttää EEG-mittaukseen. Kovimmissa visioissa suosittua Pi-korttia voidaan käyttää laitteiden ohjaamiseen ajatuksen voimalla.

Nämä kiintolevyt pettävät useimmin

Uudessa läppärissä data tallennetaan jo pääosin flash-piireihin perustuville SSD-levyille, mutta esimerkiksi varmuuskopioinnissa tai edullisemmassa lisätallennustilassa perinteinen mekaaninen HDD-levy on edelleen suosittu. Mutta ovatko ne kestäviä? Uusimman selvityksen mukaan levyissä on selviä eroja ja osa pettää selvästi muita useammin.

Yhä tarkempi ohjaus kännykkälataamiseen

Navitas Semiconductor tunnetaan huippunopeiden galliumnitridi-pohjaisten laturipiirien kehittäjänä. Yhtiö on nyt esitellyt APEC 2023 -tapahtumassa uuden ohjainpiiriperheen GaNSense Control -sarjaan. Ne lisäävät latauspiirien suorituskykyä ja nostavat laitteiston integrointiastetta entisestään.

Valmis työkalupaketti RISC-V-kehitykseen

Yksi viime viikon Embedded World -messujen kuumia puheenaiheita oli avoin RISC-V-arkkitehtuuri ja sen kasvava tarjonta sulautetuissa sovelluksissa. Kehitystyökaluja tarjoava Imperas esitteli messuilla paketin, jolla voidaan kehittää RISC-V-pohjainen suunnittelu konseptista piille.

100 wattia useasta portista

Latureista tulee yhä tehokkaampia ja monikäyttöisempiä. Sandiegolainen Silanna Semiconductor on nyt esitellyt laitevalmistajille referenssialustan, jonka avulla voidaan ensimmäistä kertaa suunnitella moniporttisia 100 watin USB-latureita.

 2022  # mobilbox
TMSNet  advertisement
6/2—15/5 # egenannons mobilbox ecf
Mar Apr May Jun # Rohde mobilbox
Mar Apr May Jun  # Farnell  mobilbox f skyskrapa
Mar 1-9/4 # Ansys sajt

© Elektroniikkalehti

 
 

TECHNICAL ARTICLES

Valitse langaton teknologia oikein - osa 1

Nykyisin on käytössä useita erilaisia langattoman tiedonsiirron standardeja ja protokollia, jolloin saattaa olla vaikea valita oikeanlainen, tiettyyn sovellukseen soveltuva teknologia. Tässä artikkelissa tuodaan esiin eräitä tärkeimpiä kriteerejä, joita on syytä ottaa tarkastelun kohteeksi, kun valittavana on neljä suosittua vaihtoehtoa: Wi-Fi, Bluetooth Low Energy, valmistajakohtainen RF-tekniikka ja Connectivity Standards Alliancen protokolla Green Power.

Lue lisää...

OPINION

Poliitikot eivät kykene ratkaisemaan autoalan verotusta

Autoalan tiedotuskeskus järjesti tänään Nollasta sataan -paneelikeskustelun, jossa poliitikot keskustelivat sekä liikenteen päästöistä että sen verottamisesta. Paneeli osoitti ennen kaikkea, että poliitikoilla tulee olemaan suuria vaikeuksia laatia kestäviä, tasapuolisia ja järkeviä ratkaisuja ongelmiin.

Lue lisää...

LATEST NEWS

  • Vuoden teknologiajohtajat Wärtsilästä ja kvanttitietokoneyrityksestä
  • Tekoäly tulee perustason valvontakameraan
  • Oskilloskooppitietoa ilmaiseksi
  • Silicon Labs kutisti Bluetooth-radion
  • CanSat-tölkkisatelliitteja kilometrin korkeuteen

NEW PRODUCTS

  • Lähes gigatavu sekunnissa muistikorteille
  • 65 watin laturiproto nopeasti
  • Intelin ARC-näytönohjaimen saa nyt Rutronikilta
  • Sovellus lataa sähköauton automaattisesti halvimmalla sähkönhinnalla
  • Farnellilta nyt tekoälyä verkon reunalle
 

NEWSFLASH

twitter
ETN_fi @ETN_fi
ETN_fi RT @joeprkns: Last night I used GPT-4 to write code for 5 micro services for a new product. A (very good) dev quoted £5k and 2 weeks. G…
maalis 17 • reply • retweet • favorite
ETN_fi This is why Nokia lost the game in mobile phones - an insiders view https://t.co/NB5Wndkx5p
joulu 12 • reply • retweet • favorite
ETN_fi @OnePlus_FI lahjoittaa Pelastusarmeijalle 50 puhelinta jouluapuun. Iso- Britanniassa samanlainen lahjoitus tehdään… https://t.co/LKdl2Pywie
joulu 07 • reply • retweet • favorite
ETN_fi Finnish PM Sanna Marin: We need to cut our dependence on China. https://t.co/598gQXKvlj #Slush2022 #China #electronics #semiconductors
marras 17 • reply • retweet • favorite
ETN_fi https://t.co/ugg6A09vln Need cm level accuracy in your positioning device? Now you can explore this with #ublox two… https://t.co/5rQNxsAu5V
loka 07 • reply • retweet • favorite
web design services
 

Section Tapet