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 un plugin sviluppato congiuntamente da Analog Devices (ADI) e Antmicro, ed è 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. AutoML for Embedded è stato creato per rendere l'AI all'edge accessibile, efficiente e scalabile per tutti, dagli ingegneri embedded ai data scientist.
AutoML for Embedded automatizza la pipeline di machine learning end-to-end e consente 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 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.
