Estás leyendo la publicación: Aceleradores de hardware en el mundo de Perception AI
“Los sistemas de percepción se pueden definir como una máquina o dispositivo Edge, que tiene inteligencia avanzada incorporada, que puede percibir su entorno, extraer abstracciones significativas y permitirse tomar algunas decisiones en tiempo real”, dijo Pradeep Sukumaran, VP, AI&Cloud en Ignitarium, en el Machine Learning Developers’ Summit (MLDS) en su charla titulada “Hardware Accelerators in the World of Perception AI”.
Los componentes clave del sistema de percepción AI incluyen sistemas de detección como cámara, Lidar, radar y micrófono.
Pradeep dice: “Al observar los parámetros de costo y potencia, y ahora con la llegada de Deep Learning, que es un subconjunto de ML, y la disponibilidad de algunas opciones de hardware muy interesantes, creo que esto ha abierto el uso de Deep Learning. En algunos casos, reemplazando por completo los algoritmos de procesamiento de señales tradicionales, yendo mucho más allá de lo que se hacía anteriormente, en términos de la cantidad de datos que puede procesar y también en algunos casos, hay una combinación de procesamiento de señales tradicional con Deep Learning”.
IA de percepción: casos de uso
Automoción y robótica
Los sensores guían un camión desde el origen hasta el destino en carriles exclusivos en la industria del transporte por carretera. También hay casos de uso final inferior, como la robótica, que se pueden usar para servicios o entregas, donde los robots usan sensores para comprender su entorno y orientarse.
Mantenimiento predictivo
Las empresas usan sensores de vibración conectados a motores para comprender firmas específicas. Y estos generalmente se realizan mediante el reconocimiento de patrones ESP, pero ahora están siendo reemplazados por ML y Deep Learning, que pueden ser utilizados por hardware de bajo consumo.
Vigilancia
La vigilancia se realiza con una combinación de aprendizaje profundo y hardware especializado en los casos de uso multimodal. Ahora, hay múltiples sensores con audio y video combinados, tratando de obtener información del entorno. Las cámaras 2D con LiDARS 3D se pueden utilizar en los cruces de tráfico para controlar el movimiento de vehículos y peatones. A veces, las cámaras 2D pierden muchas imágenes debido a la luz excesiva, la lluvia o las condiciones ambientales que obstruyen las cámaras estándar. 3D LiDAR puede detectar objetos en tales condiciones y usar una combinación de estos dos para obtener el patrón de tráfico para un sistema de gestión de tráfico más inteligente.
Equipo medico
El campo médico también utiliza Deep Learning y FPGA específicamente para cirugía inteligente, equipos quirúrgicos inteligentes, etc.
IA de borde
El hardware de propósito general como la CPU, DSP, GPU está conectado a DNN Engine.
Los modelos de aprendizaje profundo requieren hardware específico para ejecutarlo de manera eficiente. Estos se denominan motores DNN. Así que los están conectando a las CPU, DSP y GPU, básicamente permitiendo que las CPU descarguen parte del trabajo a estos motores que están estrechamente acoplados al mismo chip. El hardware de propósito general ahora está obteniendo variaciones y está ajustado para AI.
Los FPGA son dispositivos programables, y las empresas que proporcionan FPGA desean habilitar la IA en sus aplicaciones clave en todas las industrias. Quieren obtener un alto rendimiento con poca energía donde se puede escribir el código, grabarlo en la FPGA y diseñarlo en el campo. La compensación es la falta de facilidad de uso para los desarrolladores de software. Los desarrolladores tienen que usar hardware para implementar redes neuronales. Sin embargo, las empresas están creando herramientas y SDK que lo hacen más fácil, pero aún queda un largo camino por recorrer.
Los ASIC son básicamente circuitos integrados específicos de aplicaciones diseñados específicamente para cargas de trabajo de IA.
