EO_507

DIGITAL EXPLAINABLE AI tificiale, monitoraggio delle condizioni, sicurezza e prote- zione sono solo alcuni degli esempi di implementazioni in ambito industriale. I più importanti produttori di semiconduttori rendono già disponibili microcontrollori e microprocessori ottimizzati per applicazioni di apprendimento automatico. Un esem- pio sono i processori applicativi iMX-8M Nano-Ultralite di NXP. Facente parte della linea iMX-8M Plus di NXP il processore Nano-Ultralite (NanoUL) è equipaggiato con un quad core Arm® Cortex®-A53 operante a velocità che arrivano a 1.5GHz a cui si affianca un core Cortex-M7 di tipo general-purpose operante a una frequenza massima di 750 MHz destinato a espletare compiti che richiedono un comportamento real-time e bassi consumi. Nella figura 2 vengono evidenziati i principali blocchi funzionali di iMX-8M NanoUL, che include un’ampia gamma di risorse di connettività, interfacce periferiche, funzionalità di sicurezza, clock, timer, watchdog e blocchi PWM. Estremamente compatto, il processore applicativo NanoUL misura solamente 1 x 11 mm. A supporto dei progettisti che sviluppano applicazioni ba- sate su iMX-8 Plus NanoUL, NXP mette a disposizione il kit di valutazione i.MX 8M Nano UltraLite (fig. 3). Il kit, che comprende una scheda base e una scheda processo- re NanoUL, si propone come una piattaforma veramente completa sulla quale sviluppare applicazioni di apprendi- mento automatico. È già disponibile un ecosistema collaudato di risorse per l’apprendimento automatico, framework e piattaforme di sviluppo da utilizzare per la prototipazione di qualsiasi progetto ML, indipendentemente dal fatto che si basi su una MCU “edge” a basso consumo oppure su una MPU ad alte prestazioni. TensorFlow Lite è una versione TensorFlow, il framework ML open-source per applicazioni aziendali di Google, esplicitamente ideato per microcontrollori a basso consu- mo con risorse limitate. Esso può girare sui core della serie Cortex-M di Arm e occupa solo 18 kB di memoria. Tensor- Flow Lite fornisce tutte le risorse necessarie per l’imple- mentazione del modello su dispositivi embedded. Edge Impulse adotta invece un approccio più inclusivo con un’offerta completa (end-to-end) che si occupa dell’acqui- sizione dei dati di addestramento, della scelta del modello di rete neurale ottimale per l’applicazione considerata, del test e dell’installazione finale sul dispositivo edge. Edge Impulse opera con i framework ML di tipo open source TensorFlow e Keras. I progressi dell’AI spiegabile Imparare come progettare e sviluppare applicazioni di ap- prendimento automatico embedded offre ai progettisti di sistemi embedded significative opportunità per migliora- re le loro competenze. La fase in cui si prendono in con- siderazione specifiche e funzionamento dell’applicazione finale rappresenta il momento perfetto per valutare le modalità di utilizzo dell’AI spiegabile nel progetto. L’xAI sta cambiando il modo in cui viene concepito l’apprendi- mento automatico e ogni sviluppatore embedded può for- nire un contributo significativo mediante l’introduzione di un contesto più ampio e maggiori livelli di fiducia e affi- dabilità in un’applicazione. Fig. 3 – Il kit di valutazione per i.MX 8M NanoUL di NXP, dove sono evidenziati i componenti principali (Fonte: NXP) Fig. 2 – Schema a blocchi funzionale del processore applicativo iMX-8 Plus NanoUL di NXP (fonte: NXP) ELETTRONICA OGGI 507 - GENNAIO/FEBBRAIO 2023 48