EMB_81

SOFTWARE | MACHINE LEARNING EMBEDDED SETTEMBRE 56 98% dei dispositivi a bordo rete utilizzerà una qualche forma di apprendimento automatico. Sulla base di que- ste proiezioni di mercato, si prevede che per allora 18-25 miliardi di dispositivi includeranno funzionalità di ma- chine learning e deep learning. Entro l’inizio del 2021, le applicazioni di ML/Deep Learning diventeranno comu- ni, poiché sempre più sviluppatori embedded avranno accesso ai dispositivi a basso consumo, alle infrastruttu- re di sviluppo e ai tool software di cui hanno bisogno per ottimizzare i propri progetti di machine learning. Ambienti di sviluppo per l’apprendimento automatico orientati alle esigenze degli sviluppatori comuni Fino a poco tempo fa, gli ambienti di sviluppo per ma- chine learning erano destinati principalmente a sup- portare gli sviluppatori dotati di una solida esperienza nelle applicazioni di ML e deep learning. Tuttavia, per accelerare lo sviluppo delle applicazioni di apprendi- mento automatico su larga scala, occorre rendere il sup- porto al ML più semplice da usare e più ampiamente disponibile per tutti gli sviluppatori embedded. L’av- vento del machine learning a bordo rete è una tendenza relativamente recente, con requisiti applicativi unici % 0 - sorse di alimentazione, dei circuiti integrati e a livello di sistema dei progetti embedded sono più limitate e 3 - tori ML hanno inoltre ideato processi di sviluppo com- pletamente nuovi per applicazioni intelligenti a bordo rete, che includono l’apprendimento basato su modelli, l’utilizzo di motori di inferenza sui dispositivi di desti- nazione e altri aspetti di integrazio- ne a livello di sistema. Dopo aver addestrato, ottimizzato e quantizzato un modello di ML, la fase successiva di sviluppo prevede l’esecuzione del modello su un dispo- sitivo di destinazione, ad esempio una MCU o un processore applica- tivo, consentendo l’esecuzione della funzione di inferenza. Prima di pro- seguire, diamo un’occhiata più da vi- cino a una nuova classe di dispositivi di riferimento per le applicazioni di apprendimento automatico: i micro- controllori (MCU) crossover. Il termi- ne “crossover” si riferisce a dispositivi che combinano prestazioni, funzionalità e risorse di un progetto basato su processori applicativi, ma con la semplicità d’uso, i bassi consumi e l’operatività in tempo reale con bassa latenza di interrupt di un progetto basato su MCU. Una tipica MCU crossover, come ad esempio un dispositivo D˜ E+ (˜# - tex-M che funziona a velocità comprese tra 300 MHz e ; 3. F D C À - prendimento automatico (ad esempio, senza richiedere un ulteriore accelerazione per il ML), unitamente al basso consumo energetico richiesto per le applicazioni a bordo rete con vincoli sui consumi di potenza. Idealmente, gli sviluppatori embedded possono avvaler- si di un ambiente di sviluppo completo per l’apprendi- mento automatico, corredato da tool software, esempi di applicazioni e guide per l’utente per l’esecuzione di motori di inferenza open-source su un dispositivo di de- %F (˜# (( 7((˜ E - time, TensorFlow Lite e per il compilatore di reti neurali 3 3 - " / ,U™7D- - te loro di creare un modello addestrato utilizzando tool basati su cloud pubblici o privati, trasferendo quindi il %F inferenza appropriato e ottimizzato per il silicio. Molti sviluppatori oggi richiedono strumenti e tecno-