Claire Swedberg
Os pesquisadores estão provando que trazer a IA para a tecnologia IoT no limite tem o potencial de identificar tendências e responder a elas de novas maneiras que estavam, até recentemente, fora de alcance.
Para esse fim, sensores IoT que realizam aprendizado de máquina de IA integrado estão sendo testados para aplicações que vão desde a detecção de incêndios florestais até a identificação de insetos – na verdade, um sensor reconheceu as batidas das asas de um mosquito para ajudar a prevenir a propagação de doenças como malária ou dengue. em um projeto de pesquisa global.
O sistema IoT, testado em 2023, descarrega repelente de mosquitos quando um mosquito anófeles é detectado em uma sala. Ele consegue isso classificando os sons brutos das batidas das asas dos mosquitos para identificar os mosquitos e sua proximidade.
Oportunidades abundam
Pesquisas como essa podem abrir oportunidades para sistemas IoT de menor custo e que consomem menos energia, de acordo com pesquisadores de um consórcio de universidades.
Participantes da Universidade de Columbia, do Centro Internacional Abdul Salam de Física Teórica (ICTP), da Universidade Federal de Itajuba (UNIFEI) e da Universidade de Harvard, entre outros, estabeleceram a iniciativa de educação aberta de aprendizagem TinyML4D Ledu (TinyMLedu) – um consórcio com o objetivo de disponibilizar recursos educacionais para incorporando aprendizado de máquina disponível em todo o mundo. A rede acadêmica Tiny ML4D foi lançada em 2021.
O objetivo da equipe de pesquisa do Tiny ML4D é educar – tornando o ensino de aprendizado de máquina incorporado (ML) escalonável globalmente por meio de currículo de código aberto e workshops introdutórios. A equipe espera que a educação possa capacitar desenvolvedores e pesquisadores em todo o mundo para construir soluções de IA relevantes localmente em hardware de baixo custo.
Reduzindo o fluxo de dados
Os desenvolvedores comerciais, bem como as equipes universitárias, já estão trabalhando para permitir que dispositivos IoT processem dados de IA, ajudando a reduzir o fluxo de dados que precisam ser transmitidos para um servidor. Com técnicas de compressão, os desenvolvedores estão habilitando a computação de IA em dispositivos RFID e IoT de baixo custo e baixo consumo de energia.
Há uma variedade de técnicas de compressão que podem ser aplicadas, incluindo classes de quantização de algoritmos: Quantização Pós-Treinamento (PTQ) e Treinamento Consciente de Quantização (QAT), Destilação de Conhecimento, Poda, Fatoração de Baixo Rank, Fast-Conv e Redes de Atenção Seletiva.
Internet da Inteligência
Marcelo Rovai, professor de engenharia da UNIFEI, disse que o aprendizado de máquina embarcado em dispositivos de baixo consumo permite uma variedade de aplicações que poderiam potencialmente resolver problemas do mundo real.
Com o que ele chama de Internet do mundo físico, a proliferação da IoT atingiu o ponto em que os custos de processamento em nuvem são demasiado elevados para muitas aplicações, impedindo-as de escalar para os volumes de dispositivos necessários que estão à frente.
O RFID Journal publicou anteriormente Examining The Interdependence of AI and RFID como parte de nossa cobertura sobre o que a IA significa para as indústrias de RFID e IoT.
“Estamos obtendo muitos dados e precisamos usá-los para obter insights. Mas o problema é a procura por conectividade e energia”, disse Rovai. Para o sensor que utiliza tecnologia IoT, “se estou muito perto de onde os dados são gerados, preciso de menos energia”, disse Rovai, acrescentando que os dados também são mais seguros.
Os usos dos sensores
Um exemplo dessa IA integrada pode ser encontrado em todos os bolsos ou bolsas. Os smartphones realizam reconhecimento facial para autorizar um usuário reconhecido a acessar o telefone, enquanto os dados necessários para detectar o rosto desse indivíduo podem ser armazenados no próprio telefone, em vez de na nuvem.
Tomando esse esforço e aplicando-o ao mundo dos dispositivos IoT de baixo custo, o objetivo é treinar um chip de sensor – desde um dispositivo de registro de dados de temperatura até um localizador RTLS – para identificar uma ação, bem como aprender com os dados ao longo do tempo. Isso pode significar identificar informações ópticas ou vibração, temperatura ou outras condições e, em seguida, determinar a resposta apropriada sem o suporte da nuvem.
“Até agora, esses modelos dependiam das informações disponíveis na Internet, [enquanto] objetos como dispositivos vestíveis podem gerar dados que informarão um modelo totalmente diferente”, disse Rovai. Atualmente, os desenvolvedores estão permitindo que algoritmos de IA sejam armazenados em dispositivos muito pequenos que utilizam miliwatts de energia.
Compreendendo as condições nas remessas
Um exemplo demonstrável é a logística, onde uma empresa de transporte global pode obter informações relevantes sobre envios com base na análise de IA de sensores implantados em contentores. Se a empresa de transporte estiver rastreando contêineres carregados viajando para o exterior, a IA baseada na borda pode ajudar a permitir a medição e o acesso remoto de informações importantes.
“Digamos que eu queira monitorar contêineres em todo o mundo. Quero ver como está sendo tratada a movimentação desses contêineres. Posso treinar um pequeno dispositivo com acelerômetro e giroscópio, por exemplo”, disse Rovai
O dispositivo pode então usar aprendizado de máquina incorporado (TinyML) para identificar o movimento vertical, digamos, uma empilhadeira transportando o contêiner, ou entender quando algo catastrófico ocorreu, como o rolamento do contêiner.
Dispositivos de treinamento para identificar eventos
Uma empresa poderia treinar dispositivos TinyML baseados em IA para identificar quatro ou cinco estados com base em milhares de pontos de dados das próprias medições do sensor. Quando o contêiner chega ao alcance de um receptor IoT ou RFID, esse sensor pode enviar informações específicas, com base em IA, para que grandes volumes de informações capturadas pelos sensores não precisem ser processados na nuvem.
“Posso enviar um pequeno pacote de dados com todas essas informações, em vez de dados brutos”, disse Rovai.
Outros possíveis casos de uso no setor de transporte marítimo podem ser a detecção de que um contêiner foi aberto no local errado, momento em que o sensor poderia identificar o problema e enviar alertas relevantes conforme treinado.
Esses sistemas estão em uso agora para aplicações médicas, nas quais dispositivos vestíveis detectam alterações, como medições de batimentos cardíacos por ecocardiograma (ECG). O wearable pode treinar ao longo do tempo para detectar quando um possível problema cardíaco está acontecendo.
Agricultura e implantações remotas
A equipe acadêmica do TinyML está agora pesquisando como essa IoT baseada na borda poderia beneficiar comunidades ou pessoas em locais remotos.
Um piloto é um aplicativo que detecta um tipo específico de formiga que é destrutivo para as plantações. Para capturar dados do campo, a equipe está experimentando um trator que possui um sensor óptico baseado em IoT integrado. O trator passa por um campo ou vinhedo enquanto o sensor identifica condições nas plantações que podem indicar a presença da espécie de formiga preocupante.
Tal solução pode utilizar a tecnologia LoRaWAN, com transmissões de baixo consumo de energia e longo alcance do sensor óptico para a nuvem, através de um gateway, fornecendo alertas caso a formiga esteja presente.
Na Escandinávia, outro projeto visa rastrear linhas de transmissão de energia com pequenos dispositivos de monitoramento de condições conectados a torres que capturam temperatura, vibração e outras informações para detectar problemas na torre ou potencialmente um incêndio.
Caso tal situação seja detectada e identificada, os dispositivos poderão então enviar um alerta via LoRaWAN. Helicópteros em áreas remotas, como montanhas nevadas, podem usar um dispositivo sem fio com TinyML para detectar incêndios florestais.
“Vimos uma oportunidade de fazer o mesmo em África para a detecção da vida selvagem ou para proteger animais como os elefantes”, disse Rovai. Neste caso, os drones poderiam ser enviados sobre áreas florestais para capturar dados, realizar análises a bordo e, como resultado, enviar dados relevantes se um problema for detectado.
Reduzindo o Impacto Ambiental
A Renesas Electronics, por exemplo, lançou recentemente seu MPU RZ/V2H de chip único, projetado para permitir que engenheiros processem aplicativos de IA em dispositivos de IA de ponta. Isso é conseguido com a tecnologia de aceleração de IA, disse Daryl Khoo, vice-presidente da 1ª divisão de negócios de processamento incorporado da empresa. O acelerador acelera o processamento para aprimorar a computação de IA, bem como os algoritmos de processamento de imagem.
Os sistemas de aprendizado de máquina baseados em edge também diminuem o impacto ambiental das instalações de IoT, diz Rovai. O uso de IA na nuvem sobrecarrega os data centers e requer energia adicional. Simplesmente fazer uma pergunta ao seu alto-falante inteligente, destacou Rovai, depende de energia e água para gerenciar os dados na nuvem.
“O que estamos trabalhando hoje é pegar esses modelos e reduzi-los a um bit, para que no futuro vejamos o mesmo dispositivo que exigia uma grande quantidade de energia para realizar IA no Edge”, disse Rovai.
Olhando para o futuro, previu ele, “veremos algumas coisas surpreendentes: aumentar o poder dos dispositivos, o poder do seu processamento, utilizando cada vez menos energia. Os modelos estão se tornando menores e mais potentes.”
