Analog Devices (ADI) ha presentato AutoML for Embedded, un plugin sviluppato congiuntamente con Antmicro e ora disponibile come parte del framework Kenning, una piattaforma open-source e agnostica dall’hardware in grado di ottimizzare, valutare e implementare modelli AI su dispositivi edge.
Ma perché ADI e Antmicro hanno creato AutoML for Embedded?
L’intelligenza artificiale si sta rapidamente spostando verso l’edge, con un’impennata nella domanda per i dispositivi intelligenti. Tuttavia, molti sviluppatori faticano ancora a integrare modelli potenti all’interno di microcontroller di piccole dimensioni: si trovano dover soddisfare requisiti come una curva di apprendimento ripida, gestire la pre-elaborazione dei dati, la selezione del modello, la sintonizzazione degli iperparametri e le ottimizzazioni specifiche dell’hardware.
La buona notizia è che oggi è possibile realizzare e distribuire modelli di machine learning robusti e ad alta intensità di risorse su dispositivi edge come microcontroller e altre piattaforme con risorse limitate, senza dover lottare con codici complessi o vincoli posti dall’hardware.
AutoML for Embedded è stato creato proprio per rendere l’AI all’edge accessibile, efficiente e scalabile per tutti, dagli ingegneri embedded ai data scientist.
AutoML for Embedded cambia le regole del gioco, automatizzando la pipeline di machine learning end-to-end e consentendo agli sviluppatori meno esperti di costruire modelli di alta qualità mentre aiuta gli specialisti ad accelerare la sperimentazione. Il risultato È quello di ottenere modelli leggeri ed efficienti che offrono prestazioni robuste, senza superare i limiti del proprio dispositivo.
AutoML for Embedded: integrazione perfetta con CodeFusion Studio e Hardware ADI
AutoML for Embedded è un plugin per Visual Studio Code basato sulla libreria Kenning e si integra con CodeFusion Studio e supporta:
- L’MCU ADI MAX78002 AI Accelerator e MAX32690: implementa i modelli direttamente sull’hardware AI edge leader del settore.
- Workflow di Simulazione e RTOS: sfrutta la simulazione basata su Renode e Zephyr RTOS per una prototipazione e test rapidi.
- Strumenti Open-Source di Uso Generale: consente un’ottimizzazione flessibile del modello senza blocco della piattaforma.
Con tutorial passo-passo, pipeline riproducibili e set di dati di esempio, è possibile passare dai dati grezzi all’implementazione dell’AI all’edge in tempi ridottissimi, senza competenze di data science.
Costruito per gli sviluppatori, supportato dai leader del settore
AutoML for Embedded combina una profonda esperienza hardware con l’innovazione open-source. L’obiettivo è fornire strumenti aperti ed estensibili incentrati sull’utente e in grado di accelerare l’adozione dell’AI all’edge in tutti i settori.
Come Funziona AutoML for Embedded?
AutoML for Embedded automatizza la ricerca e l’ottimizzazione del modello utilizzando algoritmi all’avanguardia. Sfrutta lo SMAC (Sequential Model-based Algorithm Configuration) per esplorare in modo efficiente le architetture dei modelli e i parametri di training. Applicando Hyperband con Successive Halving concentra le risorse sui modelli più promettenti, verificando anche la dimensione del modello rispetto alla RAM del dispositivo per consentire un’implementazione di successo. I modelli candidati possono quindi essere ottimizzati, valutati e sottoposti a benchmark utilizzando i flussi standard di Kenning, con report dettagliati su dimensioni, velocità e accuratezza per guidare le decisioni di implementazione.
Impatto nel mondo reale: Casi d’Uso
AutoML for Embedded sta già trasformando il modo in cui gli sviluppatori approcciano l’AI all’edge. In una recente dimostrazione, lo strumento è stato utilizzato per creare un modello di rilevamento delle anomalie per dati di serie temporali sensoriali sul microcontroller ADI MAX32690. Il modello è stato implementato sia su hardware fisico che sul suo gemello digitale nella simulazione Renode, mostrando un’integrazione perfetta e il monitoraggio delle prestazioni in tempo reale.
Altre potenziali applicazioni includono:
- Classificazione di immagini e rilevamento di oggetti su telecamere a basso consumo.
- Manutenzione predittiva e rilevamento delle anomalie nei sensori IoT industriali.
- Elaborazione del linguaggio naturale per l’analisi del testo sul dispositivo.
- Riconoscimento di azioni in tempo reale nello sport e nella robotica.
Dichiarazioni
“Basandoci sulla flessibilità del nostro framework open-source di benchmarking e l’implementazione dell’AI, Kenning, siamo stati in grado di sviluppare un flusso automatizzato e un plugin per VS Code che riduce notevolmente la complessità della creazione di modelli AI edge ottimizzati“, ha affermato Michael Gielda, VP Business Development di Antmicro. “Abilitare flussi di lavoro basati su soluzioni open-source comprovate è la spina dorsale dei nostri servizi di sviluppo end-to-end che aiutano i clienti ad assumere il pieno controllo del loro prodotto. Con una simulazione flessibile utilizzando Renode e un’integrazione perfetta con il sistema operativo Zephyr RTOS, altamente configurabile e standardizzato, la strada per uno sviluppo AI edge trasparente ed efficiente utilizzando AutoML in Kenning”.
