ไม่ต้องสงสัยเลยว่าคุณเคยอ่านหรือเคยได้ยินเกี่ยวกับมันมาก่อน เนื่องจากจำนวนอุปกรณ์ขอบเครือข่ายได้เพิ่มขึ้น ปริมาณการไหลของข้อมูลจำนวนมากจึงเพิ่มขึ้นอย่างต่อเนื่อง อุปกรณ์เหล่านี้รวมถึงรถยนต์ที่ขับด้วยตนเอง อุปกรณ์ Internet of Things อุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภค แม้แต่แล็ปท็อปและคอมพิวเตอร์ส่วนบุคคล ตามการประมาณการหลายประการ ภายในปี 2025 อุปกรณ์ IoT หลายหมื่นล้านเครื่องจะทำงาน อุปกรณ์เหล่านี้ส่งข้อมูลรูปแบบต่างๆ ไปยังคลาวด์ในรูปแบบของการสตรีมข้อมูลอย่างต่อเนื่อง และอัตราข้อมูลจะแตกต่างกันอย่างมาก โดยทั่วไป อุปกรณ์เหล่านี้จะสร้างข้อมูลดิบจำนวนมาก และปริมาณข้อมูลจะเพิ่มขึ้นเรื่อยๆ เมื่อเวลาผ่านไป
เครื่องบันทึกวิดีโอในกล้องรักษาความปลอดภัย รถยนต์ที่ขับด้วยตนเอง และพีซีสร้างสตรีมวิดีโอที่มีอัตราสูงและความละเอียดสูง อุปกรณ์ IoT สร้างข้อมูลอัตราบิตปานกลางและรวมเป็นสตรีมข้อมูลขนาดใหญ่ เซ็นเซอร์ IoT ประเภทอื่นๆ อีกมากมาย (อุณหภูมิที่วัดอุณหภูมิ ความดัน ตำแหน่ง ระดับแสง ฯลฯ) จะสร้างสตรีมข้อมูลอัตราบิตต่ำ แต่ในไม่ช้า จำนวนเซ็นเซอร์ดังกล่าวจะสูงถึงพันล้าน ดังนั้น แม้แต่สตรีมข้อมูลอัตราบิตต่ำเหล่านี้ก็สามารถรวมเข้ากับสตรีมข้อมูลที่มีอัตราบิตขนาดใหญ่กว่า ก่อนเข้าสู่คลาวด์ได้
การเพิ่มขึ้นของเครือข่ายไร้สาย 5G และเทคโนโลยีเครือข่ายความเร็วสูงอื่นๆ รวมถึง picocells, เครือข่าย IoT ทางไกล (เช่น LoRaWAN) และเครือข่ายดาวเทียมเครือข่ายทั่วโลก (เช่น เครือข่ายบรอดแบนด์ Starlink ที่กำลังขยายตัวของ SpaceX และ IoT Internet ที่ใช้ดาวเทียมของ Swarm Technologies ) ซึ่งให้การเข้าถึงระบบคลาวด์ที่กว้างขวางและรวดเร็ว (หมายเหตุ: Starlink เข้าซื้อกิจการ Swarm Technologies ในเดือนสิงหาคม 2021) เทคโนโลยีการสื่อสารและเครือข่ายเหล่านี้เร่งความเร็วขอบเครือข่ายที่เกิดขึ้นใหม่
. แอปพลิเคชันแบบเรียลไทม์ที่ขอบของเครือข่ายมักไม่ยอมให้มีเวลาในการตอบสนองสูง ดังนั้นต้องถ่ายโอนการประมวลผล การวิเคราะห์ และการตัดสินใจไปยังอุปกรณ์ด้วย อุปกรณ์ขอบเครือข่ายเหล่านี้รวมถึงยานยนต์อัตโนมัติ เซ็นเซอร์ IoT กล้องรักษาความปลอดภัย สมาร์ทโฟน แล็ปท็อป และคอมพิวเตอร์ส่วนบุคคล ดังนั้นศักยภาพของการประมวลผลขอบเครือข่ายจึงมีมาก
ภายใต้น้ำหนักของข้อมูล คลาวด์ไม่สามารถทำทุกอย่างได้
การเติบโตแบบทวีคูณของสมาร์ทโฟนและอุปกรณ์ IoT ได้ส่งเสริมการพัฒนา Edge Computing บนเครือข่าย อุปกรณ์เหล่านี้มีอยู่ทั่วไปและต้องเชื่อมต่อกับอินเทอร์เน็ตเพื่อส่งหรือรับข้อมูลเข้าและออกจากระบบคลาวด์ อุปกรณ์ IoT บางตัว (เช่น กล้อง) สร้างข้อมูลจำนวนมากระหว่างการทำงาน
อุปกรณ์ IoT อื่นๆ เช่น เซ็นเซอร์อุณหภูมิ สร้างข้อมูลจำนวนเล็กน้อย แต่เนื่องจากเซ็นเซอร์ดังกล่าวมีจำนวนถึงหลายพันล้านตัว จึงทำให้เกิดภาระอย่างมากต่อการประมวลผลบนคลาวด์ ดังนั้น การประมวลผลตามขอบของเครือข่ายจึงมีความจำเป็นอย่างยิ่ง ไม่เพียงแต่เพื่อลดต้นทุนของการสื่อสารเครือข่ายและที่เก็บข้อมูลบนคลาวด์ในระบบคลาวด์ แต่ยังต้องหลีกเลี่ยงช่องสัญญาณข้อมูลบนคลาวด์ที่โอเวอร์โหลดด้วย
นักพัฒนาผลิตภัณฑ์และแอปพลิเคชัน Network Edge กำลังนำอัลกอริธึมปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง (AI/ML) มาใช้มากขึ้น เพื่อจับคู่และจดจำรูปแบบที่ซับซ้อน เพื่อช่วยวิเคราะห์ข้อมูลและตัดสินใจตามสิ่งนี้ ที่จริงแล้วการใช้ AI/ML เทคโนโลยี ได้เติบโตอย่างรวดเร็วมาก
ทุกวันนี้ อัลกอริธึม AI/ML ถือเป็นวิธีที่จำเป็นในการประมวลผลข้อมูลดิบอย่างมีประสิทธิภาพ เนื่องจากสามารถระบุรูปแบบข้อมูลที่ซับซ้อนและมีหลายมิติที่ยากต่อการแยกวิเคราะห์และจดจำโดยโปรแกรมอัลกอริทึมแบบเดิม แอปพลิเคชัน AI/ML เฉพาะบางรายการรวมถึงการตรวจหา การรับรู้ การระบุและการนับคนหรือวัตถุ การติดตามสินทรัพย์และสินค้าคงคลัง การรับรู้ด้านสิ่งแวดล้อม การตรวจจับและจดจำเสียงและเสียง การตรวจสอบสภาพระบบ และกำหนดการบำรุงรักษาระบบ การพัฒนาอุปกรณ์คอมพิวเตอร์และแอพพลิเคชั่น
อุปกรณ์และแอพพลิเคชั่นขอบเครือข่ายที่กำลังเกิดขึ้นใหม่ ได้แก่ ยานยนต์ขับเคลื่อนอัตโนมัติ หุ่นยนต์ การผลิตอัตโนมัติ การตรวจสอบระยะไกล ระบบห่วงโซ่อุปทานและลอจิสติกส์ และการเฝ้าระวังวิดีโอเพื่อรับรองความปลอดภัยสาธารณะและส่วนตัว ความต้องการของตลาดสำหรับระบบขอบเครือข่ายเหล่านี้กำลังเติบโตอย่างรวดเร็ว เนื่องจากสามารถเพิ่มประสิทธิภาพ ลดต้นทุนการดำเนินงาน และปรับปรุงประสบการณ์ผู้ใช้ แต่ไม่ว่าเราจะสร้างโครงสร้างพื้นฐานด้านการสื่อสารแบบไร้สายและแบบมีสายมากเพียงใด ความวุ่นวายของข้อมูลส่วนเกินก็อาจครอบงำหรือปิดกั้นท่อส่งข้อมูลเหล่านี้ไปยังระบบคลาวด์
การประมวลผลแบบโลคัลไลซ์ที่ขอบของเครือข่ายช่วยปลดบล็อกไปป์ไลน์ข้อมูล
แนวโน้มเหล่านี้บ่งชี้ว่าขณะนี้มีความจำเป็นต้องทำการประมวลผลมากขึ้นโดยที่ข้อมูลจะถูกสร้างขึ้นที่ขอบของเครือข่าย และลดปริมาณข้อมูลที่ส่งไปยังระบบคลาวด์ การเติบโตอย่างรวดเร็วของ Internet of Things และอุปกรณ์ที่เชื่อมต่อเครือข่ายอื่น ๆ เป็นแรงผลักดันหลักในการพัฒนาอุปกรณ์ขอบเครือข่ายใหม่ ซึ่งช่วยกระตุ้นการพัฒนาแอปพลิเคชันใหม่ ๆ ต่อไป โดยจะเปลี่ยนข้อมูลดิบให้เป็นข้อมูลที่เป็นประโยชน์และนำไปดำเนินการได้ เพื่อรองรับการตัดสินใจที่รวดเร็ว - ทำ , ตอบสนองต่อสถานการณ์ที่เปลี่ยนแปลงในเวลาจริง
ในช่วงเริ่มต้นของการพัฒนา Network Edge Computing บริษัทต่างๆ ให้ความสำคัญกับค่าใช้จ่ายในการส่งข้อมูลไปยังศูนย์ข้อมูลในระยะทางไกล ในขั้นต้น คุณลักษณะที่สำคัญของแอปพลิเคชันขอบเครือข่ายคือความจำเป็นในการเข้าถึงข้อมูลที่จัดเก็บไว้ในระบบคลาวด์และคอมพิวเตอร์เครื่องอื่นๆ ที่เชื่อมต่อกับระบบคลาวด์ แอปพลิเคชันช่วงแรกๆ เหล่านี้มักไม่ใช่แอปพลิเคชันแบบเรียลไทม์ ยอมรับเวลาตอบสนองหลายร้อยมิลลิวินาทีหรือวินาที อย่างไรก็ตาม การพัฒนาอุปกรณ์ Internet of Things และความต้องการที่เพิ่มขึ้นสำหรับการประมวลผล การวิเคราะห์ และการตอบสนองตามเวลาจริงที่ขอบเครือข่ายได้ส่งเสริมการพัฒนาเทคโนโลยีขอบเครือข่ายที่ทรงพลัง พร้อมกับความท้าทายด้านการออกแบบที่มากขึ้น
การประมวลผลขอบเครือข่ายทำให้การประมวลผลและการจัดเก็บข้อมูลใกล้กับอุปกรณ์ที่รวบรวมข้อมูลมากขึ้นเรื่อยๆ แทนที่จะวิเคราะห์และตัดสินใจในศูนย์ข้อมูลที่อยู่ห่างออกไปหลายพันไมล์
รูปที่ 1 แนวโน้มในการประมวลผลขอบเครือข่าย (แหล่งรูปภาพ: Lattice)
แอปพลิเคชั่นขอบเครือข่ายจำนวนมากที่สามารถใช้ประโยชน์จากความสามารถของ AI/ML จำเป็นต้องทำงานภายใต้ข้อจำกัดด้านการใช้พลังงานที่เข้มงวดอย่างยิ่ง อุปกรณ์ที่มีการกระจายอย่างกว้างขวางเหล่านี้มักต้องอาศัยพลังงานแบตเตอรี่ การใช้งานดังกล่าวมีอยู่มากมายในสภาพแวดล้อม Edge เครือข่ายต่างๆ รวมถึงโรงงาน ฟาร์ม อาคารสำนักงาน ร้านค้าปลีก โรงพยาบาล โกดัง ถนน และที่อยู่อาศัย เมื่อจำนวนเพิ่มขึ้น อุปกรณ์เหล่านี้จำเป็นต้องทำงานเป็นเวลานาน แม้จะเป็นเดือนหรือเป็นปี ด้วยการชาร์จเพียงครั้งเดียวหรืออาศัยการรวบรวมและการจัดเก็บพลังงานเพียงอย่างเดียว
ดังนั้น อุปกรณ์จำนวนมากจึงต้องอยู่ในสถานะสลีปหรือไฮเบอร์เนตเป็นส่วนใหญ่ และวงจรส่วนใหญ่ควรอยู่ในโหมดสแตนด์บายที่ใช้พลังงานต่ำเมื่ออุปกรณ์อยู่ในสถานะไม่ได้ใช้งาน จากนั้นเหตุการณ์การเปิดใช้งานจะเริ่มต้นอุปกรณ์เมื่อจำเป็น ในแอปพลิเคชันประเภทนี้พื้นฐาน วงจรไฟฟ้า ระบบปฏิบัติการที่ใช้พลังงานต่ำมากจะต้องอยู่ในโหมดสแตนด์บาย รอการเปิดใช้งาน จากนั้นเปิดเครื่องส่วนที่เหลือตามต้องการ
FPGA ตระหนักถึง AL/ML ด้วยการใช้พลังงานต่ำ
ข้อกำหนดสำหรับการใช้พลังงานในการดำเนินงานต่ำและการใช้อัลกอริทึม AI/ML ดูเหมือนจะขัดแย้งกับข้อกำหนดสำหรับการออกแบบอุปกรณ์ขอบเครือข่ายที่ใช้พลังงานต่ำ อย่างไรก็ตาม ข้อกำหนดการออกแบบที่ซับซ้อนทั้งสองนี้ไม่ได้ขัดแย้งกัน FPGA ล่าสุดของ Lattice ซึ่งเป็นอุปกรณ์ CertusPro-NX ที่ใช้พลังงานต่ำ ขนาดเล็ก และประสิทธิภาพสูง ได้รับการปรับแต่งให้ตรงตามข้อกำหนดด้านการออกแบบมากมายของอุปกรณ์ขอบเครือข่ายที่ใช้พลังงานต่ำ FPGA เหล่านี้สามารถรองรับเซนเซอร์ จอแสดงผล วิดีโอความละเอียดสูง การเชื่อมต่อเครือข่าย และการประมวลผล AI/ML ที่ขอบเครือข่าย
ในเวลาเดียวกัน คอลเลกชันโซลูชัน sensAI เวอร์ชัน 4.1 ของ Lattice ที่ออกใหม่มีเครื่องมือ AI/ML ที่พร้อมใช้งาน คอร์ IP แพลตฟอร์มฮาร์ดแวร์ การออกแบบและการสาธิตอ้างอิง และบริการออกแบบที่กำหนดเองเพื่อช่วยทีมออกแบบพัฒนาอุปกรณ์ขอบเครือข่ายใหม่ และรีบนำออกสู่ตลาด sensAI เวอร์ชันล่าสุดรองรับ CertusPro-NX FPGA
คอลเลกชั่นโซลูชัน Lattice sensAI ช่วยเร่งการฝึกอบรมแบบจำลอง AI/ML แบบ end-to-end การตรวจสอบ และการรวบรวม Lattice ได้เพิ่มสภาพแวดล้อมการออกแบบ sensAI Studio ให้กับ sensAI 4.0 ที่เปิดตัวในต้นปี 2021 ซึ่งเป็นเครื่องมือที่ใช้อินเทอร์เฟซผู้ใช้แบบกราฟิก (GUI) ซึ่งช่วยให้นักพัฒนาสร้างแอปพลิเคชันการเรียนรู้ของเครื่องได้อย่างรวดเร็ว เมื่อใช้เครื่องมือใน Lattice sensAI 4.1 เพื่อตั้งค่าการออกแบบ Network Edge Computing และใช้ Lattice iCE40 UltraPlus, CrossLink-NX, ECP5 และ CertusPro-NX FPGA ฟังก์ชัน AI/ML แบบเรียลไทม์สามารถรับรู้ได้ด้วยการใช้พลังงานต่ำมาก ――การสิ้นเปลืองพลังงานต่ำเพียง 1mW ถึง 1W
รูปที่ 2 สภาพแวดล้อมการออกแบบ SensAI Studio ของ Lattice ช่วยเร่งการฝึกโมเดล AI/ML แบบ end-to-end การตรวจสอบ และการรวบรวม (ที่มาของภาพ: Lattice)
ด้วย sensAI 4.1 ที่รองรับผลิตภัณฑ์ซีรีส์ Lattice CertusPro-NX FPGA ประสิทธิภาพของ sensAI ก็ได้รับการปรับปรุงอย่างมากเช่นกัน นอกเหนือจากแอปพลิเคชันการตรวจจับและติดตามวัตถุที่มีอยู่แล้ว แอปพลิเคชันต่างๆ เช่น การจำแนกแบบเรียลไทม์ของวัตถุหลายชิ้นยังถูกเพิ่มเข้ามาอีกด้วย ชุดโซลูชัน sensAI 4.1 ประกอบด้วยคอมไพเลอร์เครือข่ายประสาทที่อัปเดตแล้ว และยังเข้ากันได้กับแพลตฟอร์มการเรียนรู้ของเครื่องที่ใช้กันอย่างแพร่หลายอื่นๆ รวมถึงเวอร์ชันล่าสุดของ Caffe, Keras, TensorFlow และ TensorFlow Lite
IP cores ในชุดโซลูชัน Lattice sensAI 4.1 ประกอบด้วยตัวเร่งความเร็ว convolutional neural network (CNN) สามประเภท ได้แก่ CNN, CNN Plus และ CNN Compact- และเอ็นจิ้นตัวประมวลผลร่วมของ CNN CNN IP core ช่วยให้นักพัฒนาสามารถใช้ CNN ต่างๆ ที่ใช้กันอย่างแพร่หลายซึ่งเผยแพร่โดยผู้อื่น เช่น Mobilenet v1/v2, Resent, SSD และ VGG หรือปรับแต่งโมเดล CNN ได้ตามต้องการ ตัวเร่งความเร็ว CNN ของ sensAI 4.1 ใช้ความสามารถในการประมวลผลแบบขนาน หน่วยความจำแบบกระจาย และทรัพยากร DSP ของ Lattice FPGA เพื่อทำให้การนำการออกแบบ AI ที่ใช้พลังงานต่ำเป็นพิเศษไปใช้ทำได้ง่ายขึ้นอย่างมาก แกนเร่งความเร็วใช้ลอจิกที่ตั้งโปรแกรมได้ของ FPGA เพื่อใช้เครือข่ายนิวรัลที่ใช้พลังงานต่ำ ซึ่งรวมถึงเครือข่ายนิวรัลแบบไบนารีที่มีประสิทธิภาพสูง (BNN) ซึ่งสามารถใช้ CNN ได้โดยใช้พลังงานต่ำมากในช่วงมิลลิวัตต์
รูปที่ 3 การรวบรวมโซลูชัน Lattice sensAI สามารถพัฒนาอุปกรณ์ AI/ML ตาม Lattice FPGA (ที่มาของภาพ: Lattice)
Lattice sensการออกแบบอ้างอิง AI 4.1
Lattice FPGA ให้ I/O ที่ตั้งโปรแกรมได้ ซึ่งสามารถกำหนดค่าให้รองรับมาตรฐานอินเทอร์เฟซทางไฟฟ้าต่างๆ ที่ใช้กันทั่วไปใน เซ็นเซอร์ อินเทอร์เฟซ บริษัทยังมีโมดูล IP แบบฮาร์ดคอร์และซอฟต์คอร์จำนวนมากเพื่อรองรับโปรโตคอลการสื่อสารเซ็นเซอร์ต่างๆ เนื่องจาก FPGA มีข้อได้เปรียบที่สำคัญในการผสมผสานเซ็นเซอร์มาอย่างยาวนาน การออกแบบของ Lattice sensAI 4.1 จึงมีจุดมุ่งหมายเพื่อลดความซับซ้อนของการพัฒนาฟังก์ชันการอนุมาน AI/ML โดยอิงจากเซ็นเซอร์หลายตัวในอุปกรณ์ขอบเครือข่าย และทำให้เกิดการหลอมรวมเซ็นเซอร์อัจฉริยะ คอลเลคชันโซลูชัน sensAI 4.1 ประกอบด้วยตัวอย่างการออกแบบอ้างอิงจำนวนมาก ซึ่งแสดงให้เห็นกรณีการใช้งานเซนเซอร์ฟิวชั่นอัจฉริยะที่หลากหลาย ซึ่งสามารถทำงานพร้อมกันได้เพื่อให้เกิดการรับรู้ถึงสถานการณ์ในเชิงลึก การออกแบบอ้างอิงเหล่านี้รวมถึง:
• การตรวจจับท่าทาง
การออกแบบอ้างอิงนี้ใช้เซ็นเซอร์ภาพ IR เพื่อใช้ระบบตรวจจับท่าทางสัมผัสที่ใช้พลังงานต่ำแบบ AI การออกแบบอ้างอิงมีชุดข้อมูลการฝึกอบรม สคริปต์ที่สามารถฝึกด้วยเครื่องมือการฝึกอบรมโครงข่ายประสาทเทียมที่ใช้กันทั่วไป และแบบจำลองโครงข่ายประสาทเทียมเพื่อให้ผู้ใช้ปรับเปลี่ยนได้
•การตรวจจับคำหลัก
การออกแบบอ้างอิงนี้ใช้ไมโครโฟน MEMS ดิจิทัลเพื่อตรวจหาคำพูดของคำหลักอย่างต่อเนื่อง นักออกแบบสามารถใช้เฟรมเวิร์กการเรียนรู้เชิงลึก (เช่น Caffe, Tensorflow หรือ Keras) เพื่ออัปเดตชุดข้อมูลการฝึกที่ให้มาเพื่อเพิ่มฟังก์ชันคำปลุกให้กับระบบ การออกแบบอ้างอิงประกอบด้วยชุดข้อมูลการฝึกอบรม สคริปต์ที่สามารถฝึกโดยใช้เครื่องมือการฝึกอบรมโครงข่ายประสาทเทียมที่ใช้กันทั่วไป และโมเดลโครงข่ายประสาทเทียมเพื่อให้ผู้ใช้ปรับเปลี่ยนได้
•การตรวจจับใบหน้า
การออกแบบอ้างอิงนี้ใช้เซ็นเซอร์ภาพในการปรับใช้การจดจำใบหน้าตาม CNN และสามารถแก้ไขฐานข้อมูลการฝึกอบรมเพื่อจดจำเป้าหมายประเภทอื่นๆ
•การตรวจจับบุคลากร
การออกแบบอ้างอิงนี้ใช้เซ็นเซอร์ภาพ CMOS เพื่อตรวจจับการปรากฏตัวของผู้คนอย่างต่อเนื่อง ระบบ AI ตามการออกแบบนี้สามารถใช้เฟรมเวิร์กการเรียนรู้เชิงลึก (เช่น Caffe หรือ Tensorflow) เพื่ออัปเดตโมเดลการฝึกอบรมที่มีให้เพื่อตรวจจับและค้นหาเป้าหมายที่สนใจ การออกแบบอ้างอิงประกอบด้วยโมเดลโครงข่ายประสาทเทียม ชุดข้อมูลการฝึก และสคริปต์ที่สามารถฝึกได้โดยใช้เครื่องมือการฝึกทั่วไป
•การตรวจจับเป้าหมาย การจัดประเภท การติดตามและการนับ
การออกแบบอ้างอิงนี้แสดงตัวอย่างการตรวจจับเป้าหมาย การจัดประเภท การติดตาม และการนับ มีการออกแบบที่สมบูรณ์ รวมถึง FPGA RTL สำหรับบอร์ดพัฒนา Lattice โมเดลโครงข่ายประสาทเทียม ตัวอย่างชุดข้อมูลการฝึกอบรม การสร้างและอัปเดตสคริปต์การออกแบบใหม่
แอปพลิเคชั่นขอบเครือข่ายทั่วไปและศักยภาพที่ AI สามารถใช้ได้
การใช้อัลกอริธึม AI/ML เพื่อปรับปรุงประสิทธิภาพของอุปกรณ์ขอบเครือข่ายจำนวนมาก (เช่น หุ่นยนต์อัตโนมัติ การควบคุมสิ่งแวดล้อม และกล้องรักษาความปลอดภัยวิดีโอ) มีข้อดีที่ชัดเจน ในขณะที่อุปกรณ์ขอบเครือข่ายประเภทอื่นๆ ก็สามารถใช้ประโยชน์จากมันได้เช่นกัน เช่น พีซีและแล็ปท็อป . Lattice กำลังทำงานร่วมกับพันธมิตรและลูกค้าเพื่อใช้การผสมผสานเซ็นเซอร์อัจฉริยะแบบหลายโหมดและเทคโนโลยี AI/ML เพื่อปรับปรุงประสบการณ์ของผู้ใช้พีซี/แล็ปท็อปอย่างต่อเนื่อง และลดการใช้พลังงานในการทำงานของแล็ปท็อปได้อย่างมาก ในบางแอพพลิเคชั่น อายุการใช้งานแบตเตอรี่เพิ่มขึ้นถึง 28%
คุณสมบัติของอุปกรณ์ใดมีค่าที่เป็นไปได้?
การใช้พีซีและแล็ปท็อปภายใน 24 ชั่วโมงนั้นแตกต่างกันมาก และโดยทั่วไปจะใช้อย่างเข้มข้นในช่วงเวลาทำงานระหว่างวัน อย่างไรก็ตามแม้ในช่วงเวลาทำงานพวกเขาจะได้พักผ่อน ผู้คนหยุดพักบ้างและทานอาหารตอนเที่ยง ในช่วงเวลาเหล่านี้ คอมพิวเตอร์มักจะให้คอมพิวเตอร์ทำงานเพื่อให้แน่ใจว่าแอปพลิเคชันต่างๆ ที่เปิดอยู่จะไม่ปิด
รวมการวิเคราะห์ AI/ML และการตัดสินใจเข้ากับเซ็นเซอร์ที่มีอยู่ของคอมพิวเตอร์ (กล้องและไมโครโฟน) เพื่อให้เกิดการผสมผสานเซ็นเซอร์อัจฉริยะ ทำให้พีซีหรือแล็ปท็อปสามารถรับรู้สภาพแวดล้อมโดยรอบเพื่อตัดสินใจว่าเมื่อใดควรปิดจอแสดงผลและ CPU และเมื่อใดควรให้ ขับเคลื่อนใหม่
การใช้การตรวจจับการมีอยู่ที่ง่ายที่สุดคือการปิดเครื่องคอมพิวเตอร์เมื่อไม่มีใครอยู่ใกล้ เมื่อผู้ใช้อยู่ห่างจาก จอภาพ เป็นเวลานาน ฟังก์ชันติดตามความสนใจสามารถทำให้หน้าจอคอมพิวเตอร์หรี่ลงและเปิดใช้งานโหมดพลังงานต่ำได้ FPGA ขนาดเล็กที่ใช้พลังงานต่ำซึ่งทำหน้าที่เป็นศูนย์กลางของเซ็นเซอร์อัจฉริยะสามารถรับอินพุตจากเซ็นเซอร์ของคอมพิวเตอร์ จากนั้นจึงตัดสินใจเลือกส่วนประกอบที่จะจ่ายไฟตามสถานการณ์
แก้ปัญหาความเป็นส่วนตัวและความปลอดภัย
ในทำนองเดียวกัน ฟังก์ชันเหล่านี้ยังสามารถปรับปรุงความเป็นส่วนตัวและความปลอดภัยของคอมพิวเตอร์ได้อีกด้วย กล้องการประชุมในตัวของคอมพิวเตอร์สามารถใช้เพื่อตรวจสอบพื้นหลังของผู้ใช้และตรวจจับว่ามีคนแอบดูจากด้านหลังไหล่ของผู้ใช้หรือไม่ หากคอมพิวเตอร์ได้รับการกำหนดค่าให้ปกป้องความเป็นส่วนตัว เมื่อมีผู้ต้องสงสัยอยู่เบื้องหลังผู้ใช้ที่ได้รับอนุญาตแอบดูหน้าจอคอมพิวเตอร์ อาจมีคำเตือนปรากฏขึ้นเพื่อเตือนผู้ใช้และแม้กระทั่งทำให้หน้าจอมืดลงโดยอัตโนมัติ ควรสังเกตว่าด้วยวิธีแก้ปัญหาเหล่านี้ ข้อมูลการอนุมานทั้งหมดจะถูกจัดเก็บไว้ใน FPGA เฉพาะข้อมูลเมตาเท่านั้นที่ถูกส่งไปยัง SoC ซึ่งช่วยเพิ่มความเป็นส่วนตัวและปรับปรุงความปลอดภัย
เพิ่มประสิทธิภาพประสบการณ์ผู้ใช้
ฟังก์ชัน AI/ML ยังสามารถปรับปรุงประสบการณ์โดยรวมของผู้ใช้คอมพิวเตอร์ได้อีกด้วย ตัวอย่างเช่น ฟังก์ชันช่องมองภาพใบหน้าแบบ AI/ML สามารถใช้ความละเอียดสูงกว่าของกล้องวิดีโอคอนเฟอเรนซ์ในตัวเพื่อครอบตัดและจัดตำแหน่งอวาตาร์ของผู้ใช้ให้อยู่ตรงกลาง ให้ภาพที่ดีขึ้นสำหรับการประชุมทางวิดีโอ ผู้เข้าร่วมสามารถเคลื่อนไหวในระหว่างการประชุมได้ในขณะที่รูปภาพยังคงอยู่ตรงกลาง ในทำนองเดียวกัน การรู้จำท่าทางสัมผัสสามารถเพิ่มความสามารถในการทำงานแบบไม่สัมผัสให้กับแล็ปท็อปหรือพีซี หรืออุปกรณ์ IoT ที่เปิดใช้งานวิดีโออื่นๆ
ประโยชน์ต่อสุขภาพ
ในปัจจุบัน หลายบริษัทให้ความชัดเจนว่าพวกเขาต้องการปกป้องสุขภาพของพนักงาน ฟังก์ชันการรับรู้ตาม AI/ML สามารถช่วยหลีกเลี่ยงการบาดเจ็บจากความเครียดซ้ำๆ ได้ผ่านการเตือนแบบป๊อปอัปและมาตรการอื่นๆ และใช้เซ็นเซอร์วิดีโอของคอมพิวเตอร์เพื่อให้แน่ใจว่าพนักงานได้นำคำแนะนำในการพักมาใช้จริง
แอปพลิเคชัน AI/ML ยังสามารถใช้เพื่อตรวจจับท่าทางของผู้ใช้ ซึ่งอาจเป็นอีกปัจจัยหนึ่งที่ทำให้เกิดการบาดเจ็บจากความเครียดซ้ำๆ คุณลักษณะเหล่านี้โดยใช้การป้อนกลับของเซ็นเซอร์แบบแอคทีฟสามารถใช้เพื่อพัฒนาแอปพลิเคชันด้านสุขภาพ ซึ่งดีกว่าระบบเตือนเวลาแบบธรรมดาที่ใช้ในองค์กรในปัจจุบันอย่างมาก และสามารถจัดการกับการบาดเจ็บจากการทำงานที่เกี่ยวข้องกับความเครียดได้อย่างมีประสิทธิภาพ
ฟังก์ชันทั้งหมดเหล่านี้ใช้งานผ่าน AI/ML สามารถช่วยให้ซัพพลายเออร์สร้างพีซีและแล็ปท็อปที่น่าสนใจยิ่งขึ้นสำหรับผู้ซื้อระดับองค์กร และฟังก์ชันทั้งหมดเหล่านี้สามารถทำได้ผ่านการรวบรวมโซลูชัน sensAI 4.1 และคุณสมบัติ FPGA พลังงานต่ำของ Lattice เพื่อให้บรรลุ
การใช้ FPGA ประเภทนี้เหนือกว่าฟังก์ชันที่โดดเด่นของการพัฒนา FPGA สำหรับการเชื่อมต่อและการหลอมรวมของเซ็นเซอร์เวลานาน และอิงตามอัลกอริธึม AI/ML ที่พัฒนาเต็มที่ จะเพิ่มฟังก์ชันการวิเคราะห์สัญญาณเซ็นเซอร์และการตัดสินใจ การเพิ่ม AI/ML ทำให้ FPGA เป็นตัวควบคุมระบบที่ใช้พลังงานต่ำซึ่งสามารถจัดการฟังก์ชันของระบบ ปรับปรุงประสบการณ์ผู้ใช้ และยืดอายุการใช้งานแบตเตอรี่ได้อย่างมากโดยลดการใช้พลังงานโดยรวมของระบบปฏิบัติการ
สรุป: ตลาดอุปกรณ์ขอบเครือข่ายขนาดใหญ่หลายพันล้านเครื่องยังไม่ได้รับการพัฒนา
ด้วยผลิตภัณฑ์ซีรีส์ FPGA ที่ใช้พลังงานต่ำและคอลเลกชันโซลูชัน sensAI 4.1 ที่สนับสนุนชุดผลิตภัณฑ์เหล่านี้ Lattice มุ่งมั่นที่จะนำเทคโนโลยี AI/ML มาสู่อุปกรณ์ขอบเครือข่ายหลายพันล้านเครื่อง ดังนั้นแอพพลิเคชั่นขอบเครือข่ายจึงเป็นตลาดเป้าหมายที่มีศักยภาพสูง
ตามการประมาณการต่างๆ ทั่วโลกจำเป็นต้องใช้อุปกรณ์ขอบเครือข่ายหลายหมื่นล้านเครื่องเพื่อตอบสนองความต้องการของตลาดขอบเครือข่ายจำนวนมาก ซึ่งน่าสนใจมากสำหรับธุรกิจ FPGA แน่นอนว่ามาตราส่วนนี้คือ เหมาะสำหรับอุตสาหกรรมในลักษณะนี้ การเปิดตัวชุดโซลูชัน sensAI 4.1 ของ Lattice และซีรี่ส์ FPGA ขนาดเล็กที่ใช้พลังงานต่ำมุ่งเป้าไปที่แอปพลิเคชันและตลาดขอบเครือข่ายโดยตรง คอลเลคชันโซลูชัน sensAI 4.1 ของ Lattice เป็นเครื่องมือพัฒนานวัตกรรมสำหรับแอปพลิเคชันขอบเครือข่าย ซึ่งช่วยให้นักพัฒนาระบบสามารถพัฒนาโซลูชันการอนุมาน AI/ML แบบ FPGA ที่ยืดหยุ่นเฉพาะแอปพลิเคชันสำหรับตลาดต่างๆ