Ngày 26 tháng 3 năm 2021
Các thiết bị hạn chế hoạt động với sự xuất sắc vượt trội
The Device Chronicle đã phỏng vấn Jacobo Fanjul, một nhà nghiên cứu Edge làm việc trong Nhóm Nền tảng Kỹ thuật số & IoT tại Ikerlan. Jacobo giải thích nghịch lý của việc phát triển và triển khai các mô hình học máy ngày càng phức tạp để hạn chế các thiết bị.
Trải nghiệm Nvidia Jetson
Một dự án mà Nvidia Jetson được sử dụng là với mạng lưới xe điện đô thị của Thành phố Florence. Vai trò của Ikerlan trong dự án này là giám sát thông tin liên lạc và bảo mật. Nhóm đang phát triển một công cụ yêu cầu phi chức năng để truy xuất tất cả thông tin về hiệu suất mạng, các quy tắc bảo mật và kiểm tra. Bộ dàn nhạc đã được phát triển bởi một đối tác dự án khác - Trung tâm Siêu máy tính Barcelona. Bộ điều phối này lấy các số liệu phi chức năng và điều chỉnh tải tính toán của tất cả các thiết bị Jetson để chúng có thể được điều chỉnh cho phù hợp với các điều kiện thực tế tại hiện trường.
Làm việc với nhiều thiết bị bị hạn chế hơn
Trong khi Jacobo và nhóm của anh ấy rất vui mừng khi có thể sử dụng các khả năng tiên tiến của bộ vi xử lý Nvidia trong dự án Florence, họ cũng phải đưa chuyên môn của mình vào để làm việc với phần cứng kém mạnh hơn nhiều. Jacobo cho biết “Chúng tôi cũng làm việc với những khách hàng muốn chúng tôi thực hiện các mô hình học máy nhỏ và các tác vụ suy luận với các thiết bị giá rẻ hơn. Các đơn vị như vậy có kiến trúc CPU tương đối hạn chế và chúng tôi phải tìm ra cách thực hiện tải tính toán với các CPU có hiệu suất hạn chế. "
Các trường hợp sử dụng suy luận trong các thiết bị cạnh hạn chế
Jacobo cung cấp một ví dụ về trường hợp sử dụng suy luận. Có một cảm biến trong một cơ chế và vai trò của nó là theo dõi và phát hiện sự bất thường hoặc hỏng hóc trong một bộ phận của thiết bị. Toàn bộ chuỗi mẫu được phân tích trong một khoảng thời gian nhất định có lẽ là 5 giây của các mẫu để xem có bất kỳ sự bất thường nào trong tín hiệu này hay không. Mô hình không cần phức tạp, một tập hợp con các mẫu được truyền tới một đám mây để đào tạo và sau đó mô hình đã đào tạo được tải xuống thiết bị biên. Bằng cách này, tiết kiệm thông tin liên lạc và các tác vụ suy luận có thể được thực hiện ở rìa.
Kết nối thiết bị hạn chế
Và thường thì không chỉ các thiết bị bị hạn chế là một thách thức mà còn là hạn chế về kết nối. Jacobo chỉ ra rằng điều này là một thách thức trong nhiều trường hợp sử dụng. “Nhiều khách hàng trong khu vực tư nhân của Ikerlan vẫn đang sử dụng bộ thu phát 3G và GPRS để kết nối mạng với các thiết bị cạnh của họ. Jacobo than thở “Bạn không có đủ băng thông để thực hiện đào tạo gần như thời gian thực hoặc gần như thời gian thực và tải xuống các mô hình suy luận nặng nề từ đám mây. Độ trễ sẽ quá cao để thực hiện điều này do công nghệ truyền thông lạc hậu ”. Vì lý do này, công việc tính toán phải được thực hiện ở rìa. Jacobo giải thích cách nó hoạt động trong một trong những dự án của họ. Để phát triển, các nhà khai thác bảo trì lấy dữ liệu để phát triển từ các thiết bị giao tiếp qua CANbus, có giới hạn về thông lượng. Không phải tất cả các thông tin trung tâm đều có thể được truyền qua xe buýt. Nhân viên vận hành truy xuất dữ liệu và sau đó các mô hình được đào tạo và tải xuống bởi nhóm Ikerlan. Đối với các dự án trong tương lai, Ikerlan muốn thay thế sự can thiệp của con người và thực hiện việc thu thập dữ liệu bằng đường truyền không dây. Jacobo mô tả những gì họ muốn làm “Chúng tôi sẽ sử dụng một thiết bị trong quá trình triển khai với giao diện không dây, sau đó các cảm biến của chúng tôi sẽ gửi dữ liệu đến thiết bị đó. Nó sẽ hoạt động như một cổng vào các thiết bị khác để dữ liệu có thể được sử dụng làm tập dữ liệu đào tạo cho các giai đoạn đào tạo hoặc truyền lên đám mây để các mô hình có thể được đào tạo và tải xuống trở lại biên. ”
3G và GPRS và các thiết bị hạn chế
Bộ thu phát LTE CAT-M băng thông hẹp và IoT là một công nghệ có triển vọng. Nhưng thực tế là nhiều nhà sản xuất vẫn có hàng trăm nghìn bộ thu phát 3G GPRS. Jacobo mô tả đó là vấn đề chi phí khi họ đã đầu tư vào cơ sở hạ tầng này và kết quả là họ đã “kết hôn” với truyền thông 3G trong ít nhất 10 năm trong hầu hết các trường hợp. Câu hỏi hóc búa xảy ra khi một ứng dụng máy tính mới cho một tác vụ máy học hoặc AI được phát hành để sản xuất và khách hàng cần ứng dụng này để hoạt động với các thiết bị đã được triển khai trong lĩnh vực này. Nó phải làm điều đó trong một kênh giao tiếp rất hạn chế.
Jacobo nhận xét viễn cảnh này hoàn toàn trái ngược với thị trường điện thoại thông minh, nơi những gì bạn có thể làm với phần cứng và băng thông có sẵn lớn hơn nhiều so với nhu cầu của nhiều ứng dụng di động hiện nay. Trong các trường hợp sử dụng IoT và edge, điều ngược lại thường là tiêu chuẩn khi phần cứng và băng thông kém tiên tiến hơn nhiều so với ứng dụng phần mềm có sẵn để chạy trên chúng.
IoT đi kèm với các cân nhắc về chi phí cho các thiết bị bị hạn chế
Ikerlan làm việc với các khách hàng khu vực tư nhân bao gồm các nhà sản xuất xe lửa và các công ty thang máy. Ở đây thường các thực tế của kinh tế học có nghĩa là có thể là một thách thức để nhanh chóng nắm bắt tất cả những gì IoT cung cấp. Nếu bạn lấy ví dụ về một đội thang máy với hàng trăm nghìn chiếc tại hiện trường. Mỗi đơn vị thang máy này có thể có từ 7 đến 12 thiết bị có kết nối IoT. Giám đốc sản phẩm và các nhà thiết kế phải suy nghĩ về việc nâng cấp các thành phần này lên LTE và CAT-M và phần cứng nhúng tiên tiến mới trong đó một thành phần có thể có giá 400 €. Họ tự nhiên thận trọng trong cách tiếp cận các khoản đầu tư này bất chấp lời hứa. Nhà sản xuất thang máy có thể có cơ chế mở cửa với chi phí hàng hóa nhất định và sau đó bạn nói rằng cửa cần kết nối vì cảm biến cần cung cấp dữ liệu cho một thiết bị khác sẽ dự đoán sự bất thường. Điều này có thể được nhiều người mua hiểu khi họ đang suy nghĩ về quản lý tổng chi phí của đơn vị thang máy. “Chi phí tăng từ 5% lên 15% dành riêng cho các thiết bị được kết nối và điều này có vẻ lớn đối với toàn bộ hệ thống thang máy.”
Phương pháp tiếp cận mô-đun cạnh trong các thiết bị hạn chế
Nhóm của Jacobo đã phát triển kiến trúc microservices tiên tiến của riêng mình. Nền tảng này đã được thiết kế với các thành phần cốt lõi như bộ điều phối triển khai và dịch vụ xuất cho báo cáo MQTT. Phần còn lại của nền tảng được tùy chỉnh cho các nhu cầu cụ thể của khách hàng. “Ikerlan cung cấp một khuôn khổ để tất cả các thành phần có thể giao tiếp với nhau. Nó là một nền tảng rất nhẹ dựa trên tính mô-đun. Điểm bắt đầu là các trường hợp sử dụng tương đối đơn giản liên quan đến hai đến ba nhiệm vụ. Với cách tiếp cận này, các thành phần mới có thể được thêm vào theo yêu cầu từ xa từ đám mây. Điều này rất hữu ích, chẳng hạn như bạn đang làm việc với ứng dụng giám sát CAN để truy xuất các biến từ CANbus, sau đó một thiết bị mới được thêm vào trong quá trình triển khai và sử dụng modbus hoặc OPC thay vì CANbus. Bạn triển khai một thành phần mới. Nếu thành phần mới sau đó không còn cần thiết nữa, nó có thể dễ dàng bị loại bỏ và bạn quay lại triển khai đơn giản hơn. Trong một trường hợp khác, bạn muốn thay đổi nền tảng đám mây và trong trường hợp này, tất cả những gì cần cập nhật là thành phần xuất. Trong tình huống cuối cùng, bạn có thể muốn chuyển từ MQTT sang một giao thức M2M nhẹ và điều này có thể được thực hiện rất dễ dàng. Ikerlan cung cấp nền tảng Konnekt của mình cho khách hàng nhưng cũng hoạt động trên các dự án khách hàng liên quan đến AWS IoT Core và Azure IoT Hub. Jacobo chỉ ra “Khách hàng muốn một nền tảng cạnh và họ muốn nó hoạt động với AWS IoT Core chẳng hạn”.
Cập nhật phần mềm OTA và các thiết bị cạnh hạn chế
Ikerlan cũng đã suy nghĩ về cách tiếp cận tốt nhất để cập nhật phần mềm OTA cho các thiết bị nhúng. Họ đã chuyển từ cách tiếp cận SSH ngược (sẽ yêu cầu một cổng mở) sang đăng ký MQTT để yêu cầu các thiết bị ngoài hiện trường thăm dò ý kiến của máy chủ để tải xuống bản cập nhật. Với Mender.io, không cần cổng mở để thực hiện cập nhật.
Dự án đàn hồi cho IoT, AI và Thị giác máy tính
Ikerlan đang ở vị trí hàng đầu của giao diện vận tải khối lượng lớn trong Dự án đàn hồi. Chúng đang phục vụ các trường hợp sử dụng để bảo trì dự đoán và phát hiện chướng ngại vật. Họ xem xét sự tương tác giữa phương tiện giao thông công cộng như xe điện và phương tiện giao thông cá nhân, người đi bộ và người đi xe đạp. Các mô hình học máy, thị giác máy tính và thiết bị cạnh được sử dụng để phát hiện chướng ngại vật ở ngã tư đường, để đồng bộ hóa với đèn giao thông, để theo dõi hồ sơ về tình trạng của đường đua, bao gồm cả việc kiểm tra sự bất thường.
Mô hình chức năng và phi chức năng
Đối với Jacobo, có hai mô hình trong dự án này - một mô hình chức năng và một mô hình khác không chức năng. Một là quản lý phân phối tải tính toán hoặc điều phối. Điều này liên quan đến việc giám sát các yêu cầu chức năng như phân phối tác vụ, sử dụng CPU và đáp ứng thời hạn cho tất cả các tác vụ thời gian thực cần được thực hiện.
Mô hình phi chức năng thứ hai là quản lý một công cụ báo cáo để giám sát:
- Truyền thông(Communications) - mạng có hoạt động như mong đợi không?
- Giám sát bảo mật(Security monitoring) - nếu một số nút chưa được cập nhật hoặc không đáp ứng một tập hợp các quy tắc và yêu cầu bảo mật, thì bạn sẽ không muốn phân phối tải hoạt động cho các nút có khả năng dễ bị tấn công
- Tiêu thụ năng lượng(Energy consumption) - cân bằng mức tiêu thụ năng lượng giữa các nút, nếu một nút tiêu thụ nhiều năng lượng, bạn sẽ phân phối lại tải cho các nút khác
- Yêu cầu về thời gian thực(Real time requirements) - để đánh giá việc hoàn thành thời hạn và giám sát để đảm bảo các tác vụ thị giác máy tính đang được thực hiện đúng lúc.
Những mô hình này phục vụ cho các kết quả được cải thiện trong bảo trì dự đoán. Các công ty tiết kiệm tiền và cứu mạng người thông qua việc giảm các bộ phận hỏng hóc, lao động của con người và lỗi của con người. “Bạn có thể phát hiện sự bất thường và tiết kiệm chi phí, những khoảng thời gian nghỉ ngơi lớn và cuối cùng là ngăn ngừa tai nạn”.
Lãi cao hơn đầu tư
Mối quan tâm đến lợi thế và IoT đang ở mức cao. Nhưng mức đầu tư vẫn chưa cao bằng mức lãi. Đối với Jacobo, điều này thường quay trở lại các khoản đầu tư lịch sử mà các công ty đã thực hiện vào các thiết bị có cạnh hạn chế cao. “Các công ty muốn tiết kiệm nhiều chi phí với việc bảo trì, sử dụng các mô hình suy luận tiên tiến và vẫn tiếp tục sử dụng các thiết bị được chỉ định thấp hơn của họ. Những thiết bị này có giới hạn thấp hơn đối với những gì chúng có thể cung cấp khi nói đến AI ”. Cuối cùng, các công ty cần phải thấy ROI đã được chứng minh để họ có thể phân bổ tỷ lệ ngân sách lớn hơn cho các thiết bị IoT cũng như sự tiến bộ và đổi mới trong lĩnh vực này.
Bạn đã sẵn sàng liên hệ với chúng tôi? Nhấn vào đây
Source :
Source :
