EMB_90

EMBEDDED 90 • NOVEMBRE • 2023 24 IN TEMPO REALE | MACHINE LEARNING costosa, può risultare difficoltosa da ottenere nelle località remote e può introdurre latenze. Quando la tecnologia IoT muoveva i primi passi, la tendenza predominante preve- deva l’invio di tutte le informazioni al cloud per ottenere una risposta. Oggi, invece, l’esecuzione dell’inferenza alla periferia è divenuta una consuetudine. L’adozione di que- sto approccio, oltre ai vantaggi di costi operativi già men- zionati, è stata favorita anche dai miglioramenti apportati a livello di sicurezza e privacy. Un altro fattore da tenere in considerazione è la neces- sità o meno di qualche forma di connettività. Nel caso di un dispositivo completamente autonomo, non è necessa- ria una connessione wireless e neppure un’antenna, con una conseguente riduzione degli ingombri del modulo e del costo della distinta base. Ancora una volta, bisognerà tener conto della particolare applicazione considerata. Ad esempio, un sensore per interruttori intelligenti che uti- lizza una telecamera e un microfono per rilevare i gesti delle mani e i comandi vocali non richiede alcun tipo di connettività. In assenza di connettività, i pericoli legati alla sicurezza e alla privacy saranno minori. Indubbia- mente, l’apprendimento automatico effettuato alla perife- ria può garantire numerosi vantaggi. Senza dimenticare che la disponibilità di microcontrollori a basso consumo che integrano acceleratori per reti neurali sta favorendo la diffusione dell’uso dell’apprendimento automatico alla periferia, consentendo l’esecuzione di algoritmi relativa- mente semplici su dispositivi standard. EMB: Quali sono le principali sfide che gli svilup- patori devono affrontare per eseguire l’apprendi- mento automatico alla periferia? MP: La progettazione di un dispositivo a bordo rete che integra l’apprendimento automatico richiede l’esame di numerosi aspetti. Le specifiche iniziali delineate dal mar- keting per un determinato prodotto rappresentano un va- lido ausilio per definire i requisiti essenziali. Nella fase iniziale, è essenziale comprendere la complessità degli al- goritmi di apprendimento automatico coinvolti, in quanto essa influisce direttamente sulla scelta del dispositivo di elaborazione più idoneo. I principali aspetti del progetto hardware da considerare sono la sorgente di alimentazio- ne, la presenza o meno di un’interfaccia utente, i tipi di sensori coinvolti e, se richiesti, i metodi di connettività più adatti. A partire da questi elementi, i team coinvolti nel progetto hardware possono iniziare a delineare l’ar- chitettura ad alto livello del prodotto al fine di definire la distinta base iniziale. Nello sviluppo di ogni nuovo pro- dotto le tempistiche sono essenziali e influenzeranno pa- recchie decisioni di progetto. Il progetto della sezione a ra- diofrequenza, ad esempio, oltre a richiedere competenze specialistiche, deve risultare conforme alle normative in vigore in ogni Paese e area in cui il prodotto finale verrà venduto. Si tratta di un compito lungo e oneroso che può essere semplificato optando per l’utilizzo di un modulo wi- reless prequalificato. Un’altra tendenza interessante è il ricorso sempre più dif- fuso a moduli sensore che prevedono un circuito integrato dedicato all’apprendimento automatico. L’integrazione di un sensore intelligente e di un microcontrollore a basso consumo in un unico modulo compatto rappresenta un ap- proccio molto valido per la prototipazione e la produzione in bassi volumi. Un esempio di dispositivo “production-re- ady” è il modulo Arduino Pro Nicla Sense ME . Di di- mensioni compatte, pari a soli 22,86 x 22,86 mm, questo modulo ospita quattro sensori di produzione Bosch, inclu- so il sensore BHI260AP che supporta il software di au- toapprendimento basato sull’intelligenza artificiale (AI) utilizzato per monitoraggio della forma fisica, l’analisi del nuoto, la stima della posizione dei pedoni e l’orientamento assoluto e relativo. Parecchi produttori di microcontrollori ora supportano sviluppi di applicazioni basate sull’edge computing con dispositivi dotati di acceleratori per ML. Un esempio è il SoC (System-on-Chip) EFR32MG24B3 di Silicon Labs con connettività Bluetooth, che integra acceleratori per AI/ML. La scheda di sviluppo xG24-DK2601B per que- sto SoC, ricca di funzionalità, è un altro ottimo esempio. Equipaggiata con sensori ambientali, a effetto Hall e iner- ziali a 6 assi e supportata da un’ampia gamma di risorse software, la scheda rappresenta la piattaforma ideale per la prototipazione di un progetto ML. EMB: In linea generale, gli sviluppatori di software embedded dovranno acquisire maggiore familiari- tà con la complessità tipica degli algoritmi di ap- prendimento automatico. Quali sono i tool disponi- bili per semplificare questo processo? MP: Lo sviluppo di algoritmi ML è un compito complesso e non sono molti i progettisti che possono vantare espe- rienze in questo settore. Tuttavia, sono disponibili parec- chi tool e architetture software in grado di semplificare notevolmente questa attività. Poiché nel mondo embed- ded è opinione comune che lo sviluppo di algoritmi ML richieda un approccio collaborativo, l’ecosistema disponi- bile di tool, architetture e risorse è in continua espansio- ne. La maggior parte dei produttori di microcontrollori ha adottato il concetto di TinyML per le rispettive gamme di