Nelle applicazioni Internet of Things (IoT), i chip che elaborano workload AI direttamente a livello edge promettono di consentire la realizzazione di soluzioni IoT più intelligenti. L’intelligenza artificiale può accelerare le attività di test e misura di semiconduttori e sistemi elettronici, e migliorare il funzionamento dei sistemi BMS di gestione batterie. Ecco le soluzioni presentate al recente Publitek Connect 2024
Intelligenza artificiale (AI) ed AI generativa (GenAI) si trovano oggi alla base di una rivoluzione tecnologica che sta impattando fortemente l’information technology (IT), con applicazioni di prossima generazione che hanno il potenziale di creare nuovo valore per il business e il mondo industriale. In questa rivoluzione, però, la componente hardware assume un ruolo quanto mai cruciale. Per fornire agli utenti finali un funzionamento fluido, efficiente, e supportare le nuove applicazioni, AI e GenAI richiedono chip, semiconduttori, acceleratori hardware con maggior potenza di calcolo, oltre che modelli e algoritmi di analisi dei dati sempre più sofisticati. Questo potenziamento della capacità computazionale non riguarda tuttavia la sola infrastruttura dei cloud data center globali gestiti dai grandi hyperscaler, dove in genere viene eseguito il training dei modelli di AI e ML (machine learning), ma si estende sempre più anche gli apparati e dispositivi di edge computing. Questi device operano nell’infrastruttura edge, la periferia della rete, portando l’intelligenza di elaborazione il più vicino possibile alla fonte dove i dati vengono generati, con l’obiettivo di ridurre la dipendenza dal cloud, la latenza, i costi, e aumentare la protezione sui dati stessi.
System-on-chip ‘AI-Native’ per gestire l’inferenza AI nell’infrastruttura IoT edge
L’inferenza per la AI generativa è destinata a diventare la “killer application”, quindi l’applicazione vincente, per l’edge computing: lo prevede, nel Technology Report 2024, la società di consulenza Bain & Company. Le aziende, spiega Bain, cercano di gestire i fornitori, proteggere i dati e controllare il costo totale di possesso (TCO). Latenza, sicurezza e costo diventano quindi sempre più importanti per i carichi di lavoro di inferenza che necessitano di elaborazione real-time e utilizzano i dataset posseduti da tali organizzazioni. La previsione di Bain è in accordo con quanto sta accadendo, ad esempio, nell’area delle applicazioni Internet of Things (IoT), dove implementare un’infrastruttura IoT edge che elabori i workload di inferenza AI direttamente a livello locale, e in tempo reale, diventa sempre più strategico per raggiungere i suddetti obiettivi di riduzione della latenza, abbattimento dei costi e mantenimento di elevati requisiti di sicurezza e privacy.
La gestione dell’inferenza AI nell’IoT edge per realizzare una IoT cognitiva (cognitive Internet of Things), è stato un tema centrale anche al recente Publitek Connect 2024 di Monaco di Baviera, un evento dove le diverse aziende partecipanti hanno presentato alcune tra le loro più innovative soluzioni nel settore dell’industria elettronica, che includono chip, schede di valutazione, kit di sviluppo.
A Publitek Connect, Synaptics, azienda californiana tradizionalmente nota per lo sviluppo di interfacce uomo-macchina (HMI) su varie tipologie di device, ha illustrato il proprio approccio ‘AI-Native’ per il mercato IoT edge, che si fonda sulla piattaforma Astra. Introdotta sul mercato lo scorso aprile, Astra è imperniata sulla famiglia di processori embedded SL-Series, costituita da SoC (system-on-chip) AI-native e corredata da kit di sviluppo, framework e strumenti software standard-based. Questi processori sono AI-native, spiega Synaptics, perché integrano l’intelligenza nella propria architettura, trasformandosi in dispositivi non solo dotati di connettività, ma anche di capacità di apprendimento e prese decisionali autonome.
SoC che facilitano sviluppo e implementazione di soluzioni IoT cognitive
La piattaforma Astra, ha spiegato Nebu Philips, Senior Director Strategy and Business Development di Synaptics, ha l’obiettivo di aiutare le aziende utenti a integrare capacità di gestione di workload di inferenza AI direttamente all’interno degli apparati IoT edge, per consentire lo sviluppo e l’implementazione di soluzioni IoT in grado di rispondere agli attuali requisiti di latenza e protezione dei dati. Rispetto al training dei modelli AI, gestito nel cloud, i workload di inferenza AI richiedono meno risorse computazionali, e poterli gestire direttamente a livello di IoT edge, tramite i processori embedded Astra, consente di risparmiare banda, ridurre la latenza, e alleviare il carico sulla nuvola. Le applicazioni della piattaforma Astra spaziano nel mondo consumer, aziendale, e nelle applicazioni IoT ‘industrial edge’, come i sistemi di controllo industriale.
I SoC (system-on-chip) multi-core, Linux o Android, della serie SL (SL1680, SL1640, SL1620) sono basati su CPU Arm Cortex-A, e includono acceleratori hardware per inferenza nell’edge, ed elaborazione multimediale di immagini, video, visione, audio, voce, parlato. In aggiunta a questi SoC, costruiti appositamente per la IoT, la piattaforma Astra facilita l’attività di progettazione attraverso kit di sviluppo come Astra Machina Foundation Series, opzioni di connettività wireless, framework e tool AI open-source e cross-platform, e facendo leva su un ecosistema di partner che include ODM (original design manufacturer), ISV (independent software vendor), service provider e integratori di sistemi.
AI generativa per potenziare i sistemi di test e misura
L’impatto della AI generativa sul business si manifesta anche nell’ingegnerizzazione dei sistemi di test di nuova generazione: è il messaggio chiave che NI, oggi parte del nuovo gruppo aziendale Test & Measurement di Emerson, comunica a Publitek Connect, dove la novità in primo piano annunciata in anteprima è costituita da NI mioDAQ, un dispositivo di acquisizione dati via USB che fornisce prestazioni di misura potenziate, grazie a un software più evoluto e a una maggior semplicità di configurazione. Un prodotto in cui l’elemento di differenziazione è il software, come in tutta la gamma di sistemi NI, sottolinea Kevin Schultz, CTOe leader del Technology and Innovation Office all’interno del team NI Product R&D.
NI mioDAQ è anche uno strumento che concretizza la missione della società: una mission, come ha ricordato lo stesso Schultz, sempre concentrata sul fornire a ingegneri e aziende sistemi che permettano di accelerare la produttività, l’innovazione, la scoperta. E la AI generativa può costituire uno straordinario acceleratore per i sistemi di test e misura: nei sistemi elettronici, le moderne sfide di collaudo sono molte, e vanno, dall’aumentata complessità dei dispositivi sotto test (DUT - device under test), alla necessità di adattare l’apparecchiatura ai rapidi cambiamenti dei requisiti di prodotto, alla capacità di sfruttare gli insight per un miglioramento continuo del sistema di test. Da questi punti di vista, la piattaforma NI, oltre ad accelerare l’automazione del test, l’analisi dei dati, e ad adattarsi ai nuovi e mutevoli requisiti grazie a un hardware modulare e aggiornabile, promette anche di ridurre il time-to-market, tramite hardware e software strettamente integrati, e attraverso l’introduzione responsabile della AI.
In particolare, la GenAI aggiunge una marcia in più alle tradizionali tecnologie di AI/ML. Mentre queste ultime eccellono soprattutto nella classificazione di grandi volumi di dati di test, e, applicando funzionalità di analisi predittiva, identificano schemi e anomalie, la GenAI, in ragione della capacità di creare nuovi contenuti, può a sua volta migliorare le procedure di test e la test automation sotto molteplici aspetti. Ad esempio, in un ambiente di test, gli strumenti di GenAI possono contribuire alla stabilizzazione della qualità e all’ottimizzazione dei costi, ricercando codice esistente per un successivo riutilizzo, traducendo i requisiti di progetto in procedure di test, o anche individuando quali dispositivi o strumenti sono adatti a soddisfare i requisiti del sistema di collaudo.
La GenAI può anche essere usata per correlare i dati generati dagli strumenti di progettazione con quelli dei tool di misura, e dar vita così ad analisi più sofisticate. Inoltre, la GenAI, sfruttando la tecnologia NLP (natural language processing) contribuisce a potenziare le facoltà della AI tradizionale, migliorando la presentazione e visualizzazione dei dati tramite la generazione di nuovi insight, e consentendo a ingegneri e collaudatori di porre domande e richieste utilizzando il linguaggio naturale. Allo stesso tempo, chiarisce NI, l’adozione della GenAI nei sistemi di test va attuata adottando policy indirizzate a mantenere un controllo guidato dalla supervisione umana, in quanto la GenAI, non essendo una tecnologia perfetta e utilizzando modelli in continua evoluzione, può talvolta incorrere in vari tipi di allucinazioni ed errori.
Più dati a disposizione per i BMS con la tecnologia ‘Chip-on-Cell’
Un’altra innovazione con il potenziale di aumentare i dati disponibili a livello di cella per i sistemi di gestione di batterie (BMS – battery management system) - ad esempio nei pacchi batteria dei veicoli elettrici - e di potenziare l’intelligenza di gestione degli stessi BMS attraverso l’uso di algoritmi di analisi predittiva basati su AI e ML, è la soluzione ‘chip-on-cell’ presentata a Publitek Connect da Dukosi. La società, che sviluppa tecnologie per migliorare prestazioni, efficienza e safety dei sistemi di batterie, ha annunciato l’avvio in produzione del sistema DKCMS (Dukosi Cell Monitoring System), il cui hardware è stato sottoposto a numerosi test di qualificazione, in conformità alla norma AEC-Q100, soddisfacendo i severi requisiti e le aspettative di durata dei veicoli elettrici (EV) e dei sistemi stazionari di accumulo di energia a batteria (battery energy storage system - BESS).
Nel settore automotive, ha spiegato Joseph Notaro, Vice President Global Sales & Marketing di Dukosi, gli OEM sono oggi sotto crescente pressione per rispettare il regolamento Ue relativo alle batterie e ai rifiuti di batterie, che impone la tracciabilità delle stesse lungo tutta la catena di approvvigionamento, ma devono anche ridurre peso, costo, e aumentare prestazioni, safety e sostenibilità delle stesse. Le tradizionali soluzioni di acquisizione dati sulle singole celle utilizzano però dispendiosi, complessi e ingombranti sistemi di cablaggi e sensori, e anche le soluzioni wireless alternative, basate su Bluetooth o Wi-Fi, sono soggette a malfunzionamenti dovuti a interferenze o a mancanza di linea di vista (line of sight - LOS) tra le celle.
La soluzione contactless chip-on-cell, invece, chiarisce Notaro, rende più semplice, sicura e intelligente la gestione delle batterie, grazie al montaggio diretto su ciascuna cella di batteria di un ‘cell monitor’ in grado di fornire un preciso monitoraggio di tutti i parametri operativi chiave (tensione, temperatura, ecc.), assieme alle altre, necessarie funzionalità diagnostiche. Più in dettaglio, il sistema DKCMS è costituito dal chip di monitoraggio cella DK8102-AQ-25, dal chip DK8202-AR-25, che funziona come hub di sistema, dalla API (application programming interface) di Dukosi e dal protocollo di comunicazione proprietario C-SynQ. Quest’ultimo è utilizzato dal system hub (DK8202-AR-25) per gestire e sincronizzare il trasferimento dati bidirezionale tra tutti i cell monitor e il BMS.
