Notizie

Sebbene le NPU siano state introdotte per il TinyML nei dispositivi personali e lavorativi, solo di recente hanno iniziato a penetrare nel settore delle applicazioni IoT.

I produttori di chipset embedded stanno concentrando sempre di più le proprie risorse sulle unità di elaborazione neurale (NPU) per le applicazioni Internet of Things (IoT), grazie alla capacità dell’architettura di eseguire in modo efficiente i carichi di lavoro delle reti neurali. Man mano che gli utenti richiedono maggiore approfondimento e intelligenza ai margini della rete, le NPU rappresenteranno una quota crescente delle spedizioni complessive a scapito dei microcontrollori (MCU) esistenti. Secondo ABI Research, i ricavi dei chipset per chip specifici per l’intelligenza artificiale destinati alle applicazioni IoT supereranno i 7,3 miliardi di dollari entro il 2030.
“Le NPU per applicazioni TinyML nei dispositivi personali e lavorativi (PWD) sono ormai ben consolidate. Tuttavia, al di fuori di questo segmento di dispositivi, si trovano ancora nella fase iniziale, con grandi vendor come STMicroelectronics, Infineon e NXP Semiconductors che stanno appena introducendo questo tipo di ASIC nei propri portafogli di prodotti embedded”, ha dichiarato Paul Schell, analista del settore presso ABI Research. “L’analisi dei PWD fornisce approfondimenti più dettagliati sulla modellazione delle applicazioni IoT attraverso 15 verticali, tra cui i settori più importanti come la smart home e il manufacturing.”

Dal lato software, toolchain MLOps complete sono ora un requisito fondamentale per vendor di tutte le dimensioni, incluse startup come Syntiant, GreenWaves, Aspinity e Innatera. Per form factor di maggiori dimensioni, gli investimenti nei prodotti software sono spesso accompagnati dalla R&D hardware, con il vendor Eta Compute che collabora con NXP per licenziare la propria piattaforma software Aptos. Queste innovazioni democratizzano anche il deployment del TinyML, riducendo la necessità di talenti interni specializzati in data science.

L’integrazione di architetture ad alte prestazioni, come NPU e alcuni FPGA, nei dispositivi embedded amplierà la gamma di applicazioni eseguibili sui dispositivi, passando dal rilevamento di oggetti alla semplice classificazione degli oggetti per casi d’uso di machine vision, fino ad alcune applicazioni di NLP per l’analisi basata sull’audio. “Con la tendenza verso form factor edge più grandi, come PC e gateway, ciò contribuirà alla scalabilità dell’AI riducendo i costi di rete e la dipendenza dal cloud. Di conseguenza, ci aspettiamo che il mercato del TinyML cresca grazie a queste innovazioni, trainato principalmente dall’aggiornamento delle implementazioni IoT da parte delle principali basi industriali, dall’aumento dell’intelligenza dei veicoli e dai dispositivi smart home.”

Ripubblicato da: International Electronic Commerce, tradotto automaticamente da Google