EMB_80

EMBEDDED MAGGIO 22 IN TEMPO REALE | AI/ML te cui un sistema computerizzato, facendo leva sulle capacità di elaborazione delle deep neural network (DNN), può essere addestrato, ad esem- pio, ad eseguire in automatico il riconoscimento del parlato (riconoscimento vocale), oppure a ri- conoscere immagini e oggetti, per applicazioni À! %! !( vision). Anche in quest’area, GVR, a titolo d’e- sempio, richiama la recente partnership (marzo 2018) stipulata tra NVIDIA e Arm per portare l’inferenza deep learning su miliardi di disposi- tivi mobile, device di elettronica di consumo e di- spositivi IoT. Una collaborazione che ha puntato a integrare l’architettura open source NVDLA (NVIDIA Deep Learning Accelerator) nella piat- taforma Project Trillium di Arm, ora nota come Arm AI Platform, per il machine learning. Arm AI Platform, spiega Arm, è una piattaforma di elaborazione eterogenea, che include ben con- solidate CPU Arm Cortex, GPU Mali, NPU Ethos e microNPU, per consentire appli- cazioni di machine learning in use case evoluti. Tra questi, nel settore verticale heathcare, c’è, ad esempio, il caso della startup danese Corti , che, tramite il dispositivo edge Orb, aiuta i servizi di emergenza sanita- ria a migliorare la capacità d’identi- À! ' ! ! < ospedalieri: in sostanza, il disposi- tivo Orb, eseguendo complessi mo- delli di machine learning, è in grado d’individuare malattie critiche in tempo reale, in modo rapido ed ef- À! !( ! ! - mento intempestivo della patologia, da parte dell’operatore, abbassi le probabilità di sopravvivenza del paziente. Al cuore di Orb è integrato un modulo Jetson TX2 di NVIDIA, gestito da un processore Arm Cortex-A57 caratterizzato da elevate prestazioni À! ' - ! Á !( telefonica al servizio di emergenza, Orb, usan- do i modelli di ML direttamente a livello locale, senza necessità di connessione al cloud, fornisce À - do e riconoscendo in tempo reale sintomi critici e suoni non verbali indicatori di imminente arresto cardiaco. Machine vision, i benefici dell’apprendimento approfondito Alla diffusione delle applicazioni di visione ba- sate su DL hanno contribuito i rapidi progres- si compiuti dall’elettronica nella realizzazione di dispositivi sempre più evoluti in termini di ! À! energetica, ed anche l’adozione di sensori d’im- magine e ottiche con prestazioni crescenti a livello di risoluzione e potenza e, al contempo, disponibili a costi convenienti. In campo industriale, il deep learning consente ai sistemi di machine vision (MV) di analizzare, ! ! ! À! '' “apprenden- do” dall’esperienza, quindi dall’analisi dei dati acquisiti, senza richiedere la necessità di pro- ' ! À! 2 ! C À! ' À! - zionali: siccome la rete neurale viene addestra- ta, e non programmata, per eseguire il riconoscimento degli oggetti, sono richie- ste minori competenze spe- cializzate per lo studio e lo sfruttamento dei dati neces- sari (immagini, video) a rea- lizzare l’applicazione. In aggiunta, il sistema di DL è in grado di fornire '' Á quanto i modelli di appren- dimento automatico possono essere riaddestrati utiliz- zando dataset personaliz- zabili per ogni singolo caso d’uso, a differenza dei classici algoritmi di visio- ne industriale, che tendono ad essere sviluppati con regole di riconoscimento programmate, di volta in volta, per un preciso settore e campo applicativo. Ancora, in applicazioni come l’ispezione di qua- lità, il DL permette di superare le limitazioni che i tradizionali algoritmi manifestano nella gestione della variabilità, quindi nella capacità di distinguere difetti, anomalie, deviazioni, in oggetti o parti molto simili, quando, ad esempio, cambiano le condizioni d’illuminazione, il colore '' ! À! - golazione da cui viene osservato e ispezionato. Fig. 4 – Il sistema embedded BoltGPU 10-31, sviluppato da Eurotech (Fonte: Eurotech)