Trong bài viết này, chúng ta sẽ thảo luận về một loạt các công nghệ không dây, tạo ra một trường hợp ở đâu và tại sao chúng nên được sử dụng trong các ngôi nhà thông minh và làm nổi bật một số nhà cung cấp mô-đun và vi mạch đa giao thức và các nhà sản xuất thiết bị sử dụng chúng.
Wifi
Wi-Fi là một thuật ngữ được đăng ký bản quyền bởi Wifi Alliance, một tổ chức phi lợi nhuận phát triển công nghệ Wi-Fi và chứng nhận các sản phẩm Wi-Fi. Wi-Fi thực sự liên quan đến một bộ thông số kỹ thuật được gọi là IEEE 802.11. Có lẽ không ai còn xa lạ với công nghệ không dây này bởi vì chắc hẳn bạn đang dùng nó trong nhà, văn phòng và quán cà phê yêu thích.
Wi-Fi có khả năng truyền một lượng dữ liệu lớn như truyền trực tuyến Netflix sang điện thoại thông minh, máy tính bảng và TV thông minh của bạn. Tuy nhiên, việc sử dụng Wi-Fi tiêu tốn rất nhiều năng lượng, điều đó có nghĩa là trong khi Wi-Fi phù hợp với một số tiện ích nhà thông minh, nó không khả thi đối với các ứng dụng hoạt động bằng pin, nhạy cảm với nguồn điện.
Một ví dụ tốt về nơi có thể sử dụng Wi-Fi — trong thiết bị tự động hóa gia đình — là thiết bị điều hòa không khí thông minh. Vì thiết bị điều hòa không khí đã được kết nối với nguồn điện chính của nhà (120 VAC ở Hoa Kỳ và 230 VAC ở Châu Âu), bạn không cần phải lo lắng về việc thay thế pin của thiết bị vì nó không tồn tại.
Một thiếu sót của Wi-Fi là số lượng hạn chế các thiết bị (nút) có thể được kết nối với một bộ định tuyến/mạng. Điều này không quá rõ ràng bởi vì khi nhiều thiết bị hơn được kết nối với bộ định tuyến Wi-Fi sẽ không làm chậm bộ định tuyến nhiều. Tuy nhiên, khi nhiều thiết bị kết nối tải xuống nhiều dữ liệu — nghĩ về các thiết bị phát trực tuyến khác nhau như máy tính bảng của con bạn, TV thông minh và tất cả các điện thoại di động gia đình - thông qua một mạng Wi-Fi thì tốc độ truyền dữ liệu sẽ thực sự giảm; bộ định tuyến chỉ có thể phân phối một lượng dữ liệu cố định mỗi giây và điều đó phải được chia sẻ giữa tất cả các thiết bị và người dùng.
Bluetooth năng lượng thấp
Trong khi IEEE chuẩn hóa Bluetooth là IEEE 802.15.1, nó không còn duy trì tiêu chuẩn đó nữa. Thay vào đó, Bluetooth Special Interest Group hoặc SIG, giám sát việc phát triển đặc điểm, quản lý chương trình chứng nhận và bảo vệ nhãn hiệu.
Bluetooth năng lượng thấp, công nghệ không dây này được thiết kế cho các thiết bị năng lượng thấp (công suất thấp). Đó là tính năng này cho phép các thiết bị thông minh được trang bị Bluetooth LE hoạt động trong nhiều tháng hoặc nhiều năm mà không cần thay pin.
Một điểm thu hút lớn của công nghệ Bluetooth LE là nó được tích hợp vào tất cả các điện thoại di động và phụ kiện của chúng. Chính sự tích hợp này khiến điện thoại thông minh kết nối dễ dàng với các sản phẩm khác.
Một ưu điểm khác của việc sử dụng Bluetooth LE là phạm vi truyền dẫn dài của nó, tương đối nói. Giới hạn của thiết bị Bluetooth là một chức năng của năng lượng truyền dẫn vô tuyến mà cơ quan quản lý (FCC, ETSI) giới hạn cho mỗi quốc gia hoặc vùng địa lý. Và trong khi các thiết bị Bluetooth có thể có phạm vi hoạt động hàng trăm mét, trải nghiệm thực tế chỉ từ 10 đến 30 mét. Thật không may, giới hạn chính của Bluetooth LE — và đó là một hạn chế lớn — là số lượng thiết bị có thể được kết nối. Một số thiết bị Bluetooth LE có thể giao tiếp với tối đa mười hoặc hai mươi thiết bị, nhưng 100 thiết bị trở lên là điều không thể.
Bluetooth lưới
Mạng lưới kết nối Bluetooth là một giao thức dựa trên Bluetooth Năng lượng thấp nhưng có một mạng lưới “lưới” phi tập trung, trong đó mỗi thiết bị có thể giao tiếp với bất kỳ nút nào khác trong hệ thống mạng. Và nếu hai thiết bị cách nhau quá xa, tín hiệu của chúng có thể nhảy qua các thiết bị trung gian. Hơn nữa, các thiết bị có thể được thêm vào hoặc loại bỏ khỏi mạng mà không ảnh hưởng đến sức mạnh tổng thể của mạng.
Cấu trúc liên kết mạng này được miêu tả như một hình thức liên lạc giữa nhiều thiết bị (m: m), khác với cấu trúc liên lạc Bluetooth truyền thống từ điểm tới điểm hoặc phát sóng. Không có giới hạn đối với phạm vi truyền dẫn của lưới Bluetooth, và đáng ngạc nhiên, cấu trúc liên kết này hỗ trợ tối đa 32.767 nút kết nối. Theo như Silicon Labs, "Một ngôi nhà thông minh là một ví dụ tuyệt vời và trường hợp sử dụng lưới Bluetooth vì một ngôi nhà thông minh có thể có 30-50 thiết bị trong đó, và chúng không nhất thiết phải nằm trong phạm vi trực tiếp của nhau."
Mặc dù, giải pháp lưới Bluetooth có thể rất phù hợp cho các trường hợp sử dụng, chỉ giới hạn tương tác giữa điện thoại thông minh và thiết bị được kết nối trong nhà, giải pháp lưới Bluetooth không phải là một viên đạn bạc cho tất cả các ứng dụng. Nhiều sản phẩm IoT mang lại giá trị cao nhất khi chúng được kết nối với thế giới bên ngoài, cho dù điều khiển từ xa và truy cập hay tương tác với các dịch vụ của bên thứ ba. Đối với thiết bị Bluetooth để cung cấp tính năng này, cần có “cầu nối” giữa Bluetooth và IP (Wi-Fi, Ethernet, mạng di động, v.v.). Khi giải pháp hệ thống cần kết nối IP thì có lẽ sẽ hợp lý hơn khi thiết bị di động sẽ chỉ giao tiếp qua IP, dù trực tiếp trên mạng hoặc thông qua dịch vụ đám mây, bằng Wi-Fi hoặc mạng di động thay vì sử dụng lưới Bluetooth với giải pháp “cầu nối”.
Zigbee
Zigbee, một công nghệ dựa trên IEEE 802.15.4, là một mạng lưới không dây năng lượng thấp, tốc độ truyền dữ liệu thấp và khoảng cách gần. Zigbee Alliance, một tổ chức thành viên, duy trì và đề ra tiêu chuẩn Zigbee.
Zigbee có khoảng cách truyền tối đa giới hạn từ 10 đến 100 mét, tùy thuộc vào công suất và điều kiện môi trường. Nhưng tương tự như Bluetooth lưới, thiết bị Zigbee có thể truyền dữ liệu trên khoảng cách xa hơn bằng cách sử dụng một mạng lưới các thiết bị trung gian để tiếp cận các thiết bị kết nối xa hơn. Và với tốc độ truyền dữ liệu được xác định là 250 kbps, Zigbee thích hợp nhất cho việc truyền dữ liệu liên tục từ các cảm biến khá đơn giản, chẳng hạn như công tắc đèn không dây và bóng đèn thông minh như Philips Hue.
Khả năng tương tác
Có lẽ không phải là phóng đại khi nói rằng hầu hết người dùngquen thuộc với các thuật ngữ của IoT, thiết bị thông minh, thiết bị kết nối và tự động hóa nhà , dù ít hay nhiều, cũng biết đến các cụm từ như Wi-Fi, Bluetooth và BLE. Lý do đằng sau đánh giá này là bởi vì hầu hết các nhà sản xuất thiết bị tự động hóa tại nhà đã áp dụng các công nghệ không dây này ban đầu vì tính sẵn có của chúng bởi vì chúng không yêu cầu phần cứng là cổng kết nối (hub) cho phép dữ liệu truyền từ một mạng này sang mạng khác. Bây giờ các cổng kết nối đang được sử dụng ngay trong nhà chúng ta, chẳng hạn như Amazon Echo, Google Home và SmartThings của Samsung. Các cổng này hiện nay thường được gọi là các hub thông minh. Và, chúng thực sự thông minh như chính tên gọi, các cổng này có khả năng nói ngôn ngữ của nhiều công nghệ không dây khác nhau. Ví dụ, Amazon Echo được tích hợp cả chức năng Wi-Fi và Zigbee và SmartThings của Samsung có thể hoạt động với ZigBee, Wi-Fi, Bluetooth và các kiểu kết nối khác.
Outlook
Liệu một giao thức duy nhất có thể đáp ứng nhu cầu cho tất cả các sản phẩm hoặc thị trường? Hẳn là không. Các giao thức và tiêu chuẩn khác nhau có những đặc tính và lợi ích khác nhau.
Nhìn chung, yêu cầu kết nối phải luôn xem xét toàn bộ hệ sinh thái, từ thiết bị đầu cuối đến bất kỳ cổng / hub nào đến các tầng ứng dụng và các nhà cung cấp dịch vụ. Do đó, có thể khẳng định rằng trong thế giới kết nối không dây đang phát triển trong các căn nhà thông minh, đa giao thức sẽ được sử dụng.
Vì vậy, điều này có nghĩa là nếu bạn tham gia vào việc phát triển các thiết bị thông minh hoặc hub thông minh cho các căn nhà thông minh và các ứng dụng sống thông minh, bạn sẽ làm việc với các công ty bán dẫn đang cung cấp nhiều giao thức trong vi mạch không dây và danh mục đầu tư mô-đun không dây.
Một công ty chuyên về phương pháp đa giao thức này là Silicon Labs. Theo Anders Pettersson, Giám đốc tiếp thị cho các sản phẩm IoT tại Silicon Labs, “Chiến lược của chúng tôi là trở thành điểm phân phối duy nhất cho kết nối không dây. Chúng tôi cung cấp Zigbee, BLE, Bluetooth lưới, Thread, Z-Wave, Wi-Fi ... chúng tôi làm tất cả. Và chúng tôi đã phát triển các bộ phận riêng cho mỗi giao thức. ”
Kết luận
Với tất cả các công nghệ mạng không dây có sẵn, bao gồm, nhưng không giới hạn, Wi-Fi, Bluetooth, Bluetooth và Zigbee, rõ ràng không có tiêu chuẩn duy nhất và tuyệt đối để phát triển các ứng dụng và công nghệ thông minh . Mỗi giao thức có ưu điểm và nhược điểm của nó, cách tiếp cận tốt nhất để đạt được khả năng tương tác giữa các thiết bị là áp dụng giải pháp phần mềm và phần cứng đa giao thức.
Một sản phẩm có khả năng hỗ trợ nhiều kết nối không dây và giao thức sẽ cho phép người dùng tự do điều chỉnh và cập nhật kết nối riêng cho thiết bị của họ. Và chìa khóa để cung cấp một thiết bị hoặc cổng kết nối trọn gói như vậy đòi hỏi công sức của các chuyên gia trong lĩnh vực này. Silicon Labs là một trong những công ty chuyên về phương pháp tiếp cận đa giao thức này và họ có thể mang sản phẩm công nghệ không dây tiếp theo đến cho bạn.
Ngọc Ánh
Tối ưu hóa hiệu năng để mang AI tới thiết bị cuối
https://iot.eetimes.com/optimizing-power-efficiency-to-bring-ai-to-the-end-device/
Trí tuệ nhân tạo (AI) là yếu tố cốt lõi để tạo ra những thiết bị thông minh hơn. Với hàng tỷ thiết bị được kết nối, cách duy nhất để quản lý lượng dữ liệu tạo ra bởi sự tương tác này là để các thiết bị tự đưa ra quyết định một cách độc lập ở một mức nhất định.
Khi các thiết bị trở nên phức tạp và nhiều tính năng hơn, chúng cũng cần có khả năng học hỏi và thích nghi với các ứng dụng, người dùng và môi trường cụ thể. Để đáp ứng được yêu cầu thời gian thực và cắt giảm chi phí vận hành, những chức năng này cần phải được tích hợp với thiết bị nữa.
Thử thách cho các nhà phát hành là để áp dụng trí thông minh vào những thiết bị này theo một cách hiệu quả về hiệu năng và khả năng. Đây là khó khăn với gần như tất cả các ứng dụng IoT từ cảm biến thông minh tới điện thoại di động.
Mô hình mạng lưới thần kinh
Trí tuệ nhân tạo là một thuật ngữ để mô tả công nghệ khiến các thiết bị thông minh hơn. Có nhiều kiểu AI khác nhau, ví dụ như machine learning và deep learning.
Thay vì làm việc với các cấu trúc và thuật toán về hệ thần kinh, các nhà phát triển đã được tiếp cận với một lượng lớn các công cụ cao cấp cho phép họ có thể tạo ra các mẫu hệ thần kinh. Các khuôn mẫu như Caffe2, TensorFlow và PyTorch định hình nên các mẫu từ khái niệm cho tới kết quả. Sự sẵn có của định dạng Open Neural Network Exchange (ONNX) đem lại cho các nhà phát triển sự linh hoạt bằng cách chuyển giao mẫu deep-learning giữa các khung mẫu.
Hiệu suất
Hiệu suất có thể được định nghĩa theo nhiều cách khác nhau. Với các ứng dụng tích hợp AI tốn năng lượng sẽ ảnh hưởng xấu tới khả năng vận hành, hiệu suất có thể đo lường qua khả năng xử lý trên mỗi watt. Nhìn chung, tối ưu hiệu suất thường gắn với việc đưa hệ thống tiếp cận với các thuật toán, phần cứng và phần mềm.
Tối ưu hóa hiệu suất dưới góc độ phần mềm có thể khá khó khăn cho các mẫu dựa trên mạng lưới thần kinh. Về mặt nội bộ, một mẫu là một tập hợp các điểm được kết nối bằng dây và chốt chặn. Các nhà sản xuất huấn luyện các mẫu bằng cách cập nhật các điểm chốt tới khi chúng đưa ra đáp án chính xác nhất.
Tuy nhiên, vì các nhà phát triển đang làm việc trên cấp độ mô hình, sự áp dụng cho các mạng lưới thần kinh này vẫn chưa được tập trung, vậy nên sự vận hành vẫn còn là một câu hỏi. Vì chúng chưa có những khả năng và chuyên môn cần thiết để tạo ra những quyết định hiệu quả ở cấp độ thuật toán và phần cứng, các nhà phát triển thường sẽ không thể tới ưu được mô hình này trong thực tiễn.
Cân nhắc cả việc cắt giảm và lượng tử hóa, hai điều cần thiết cho việc tối ưu hóa một hệ thống thần kinh. Cắt giảm là một quá trình gỡ bỏ các điểm và dây. Trong vài trường hợp, các điểm này chỉ là phụ trong mô hình. Chúng có thể được loại bỏ để cải thiện kích cỡ mô hình và tăng khả năng xử lý. Tuy nhiên, việc này có thể đổi lại bằng độ chính xác và hiệu năng. Ví dụ, gỡ bỏ một vùng của hệ thống có thể giảm độ chính xác khoảng 0.5% có thể tăng một lượng lớn tốc độ và thời gian hoạt động.
Lượng tử hóa là quá trình giảm số lượng bit trên các thông số trở kháng kết nối các điểm. Trong quá trình phát triển, vẫn khả thi để huấn luyện một mô hình 32-bit. Tuy nhiên, điều này có thể đưa ra kết quả chính xác hơn yêu cầu. Bằng cách sử dụng ít bit hơn, từ 32-bit xuống 8-bit, mô hình này có thể thu nhỏ hơn rất nhiều mà không ảnh hưởng đến độ chính xác. Thu nhỏ các mô hình bằng các này loại bỏ việc xử lý và truyền dẫn dữ liệu, đem đến khả năng xử lý cao hơn rất nhiều. Bởi mô hình này có thể xử lý nhanh hơn, đồng nghĩa với việc tiêu thụ ít điện năng hơn.
Sự hiệu quả của các mô hình thần kinh này có thể được tối ưu bằng cách sửa đổi phần cứng. Ví dụ, các vị xử lý của Snapdragon từ Qualcomm đem tới một nền tảng điện toán tích hợp CPU, vi xử lý tín hiệu số (DSP) và vi xử lý đồ họa (GPU) trong một chip. CPU này đem tới một sự linh hoạt, nhưng cũng tiêu thụ điện năng lớn hơn. Nhiều thuật toán AI được thực thi trên DSP với hình thức xử lý vector, và các ứng dụng AI sẽ đem tới khả năng xử lý trên mỗi watt tốt hơn khi các phần hợp lý của thuật toán AI được áp dụng.
Để hỗ trợ các nhà phát triển, môi trường phát triển phần mềm có thể tự động hóa việc tối ưu phần cứng và phần mề. Các công cụ sẽ phải tích hợp với nền tảng phần cứng để đạt được điều này. Với ngành công nghiệp AI thay đổi với một tốc độ chóng mặt, tối ưu hóa ở mức độ hệ thống có thể sẽ khó khăn. Giống với cách các thiết bị cần thích nghi qua việc học hỏi, các nhà phát triển và nhà sản xuất cần có theerthisch nghi với các khung mẫu và mô hình để dẫn đầu trong ngành AI. Và với hệ sinh thái đang tăng dần, việc sử dụng các khuôn mẫu từ bên thứ ba là rất quan trọng.
Qualcomm AI Research có sứ mệnh đột phá trong các nghiên cứu AI và đem chúng tới các ngành công nghiệp. Điều này thường được thực hiện bằng cách thương mại hóa các nghiên cứu qua các sản phẩm, như Qualcomm Neural Processing SDK. SDK hỗ trợ một vài khung mẫu, bao gồm TensorFlow, Caffe2, ONNX, cho phép các nhà phát triển lựa chọn môi trường phát triển cho các mô hình hệ thống thần kinh. SDK sau đó sử dụng các mô hình này và tối ưu hóa chúng cho nền tảng Snapdragon. Sử dụng một file tùy chỉnh, các nhà phát triển có thể hướng dẫn SDK tối ưu các ứng dụng cụ thể một cách hợp lý.
Chú ý rằng cấp độ tự động hóa của các công cụ phát triển đang thay đổi nhanh chóng. Ngày nay, các kỹ sư Qualcomm đã thiết kế các kernel phù hợp với tính chất của phần cứng. Qualcomm tiếp tục tiến tới việc tự động hóa cho giai đoạn phát triển này.
Qualcomm AI Research đang tập trung vào các nghiên cứu hiệu năng của AI, liên tục đổi mới quá trình tự độgn hóa và lượng tử hóa để giảm kích cỡ hệ thống thần kinh trong khi giữ được sự chính xác.
Học hỏi trên thiết bị
Hãy chú ý rằng việc có được các công cụ phát triển có thể tự động tối ưu xử lý chỉ là một phần của việc tối ưu hóa hệ thống AI, đặc biệt với các mô hình cụ thể. Với việc học hỏi liên tục, một hệ thống dựa trên AI có thể tăng cường độ chính xác và hiệu quả quả thời gian. Những cải thiện này không chỉ trong việc chạy ứng dụng mà cho cả những người dùng cụ thể và các điều kiện môi trường lớn.
Ví dụ, Qualcomm AI Research đã có sự phát triển bao quát trong việc tự động hóa nhận diện giọng nói qua UI. Đây là điểm mà các thiết bị thích ứng với một mẫu giọng nói và trở nên chính xác hơn bằng việc nhận thức một người dùng cụ thể ngay cả khi họ các ngữ điệu riêng. Qualcomm cũng tăng khả năng nhận diện và lọc âm thanh môi trường để tăng độ chính xác.
Một khía cạnh thiết yếu của việc đổi mới này là khả năng tích hợp chúng vào thiết bị. Trong khi đám mây rất hữu dụng cho việc phân tích, có nhiều lợi thế khi tích hợp với thiết bị hơn, ví dụ như nhận diện giọng nói, xử lý ngôn ngữ và cá nhân hóa. AI trên thiết bị trở nên khả thi hơn khi sự tối ưu hóa phần cứng và phần mềm được áp dụng hiệu quả. Kết quả của việc này là tăng cường bảo mật, khả năng phản hồi, chi phí vận hành thấp, và độ hài lòng từ khách hàng cao, cùng với nhiều lợi ích khác.
Đổi mới đối với AI tiếp tục đem lại cho các nhà phát triển khả năng đem đến trí thông minh tân tiến hơn tới các thiết bị cuối. Bằng cách thiết kế các hệ thống tối ưu hóa hiệu năng, các nhà sản xuất có thể cân bằng hệ sinh thái các ứng dụng AI và khả năng đem tới các giá trị lớn hơn tới khách hàng.