Het LoRa-netwerk is perfect voor het efficiënt versturen van kleine datapakketjes. Maar wat als je grote hoeveelheden ruwe data wil laten analyseren door kunstmatige intelligentie (AI)? “Ook dat is mogelijk door LoRa te combineren met Edge AI”, zegt Maurits Kaptein, CEO van Scailable. Zijn bedrijf ontwikkelt technologie waarmee zelfs simpele IoT-devices een AI-model kunnen draaien.
Binnen IoT-toepassingen is het gebruikelijk om sensordata naar een centrale plek in de cloud te versturen. Daar kan de data worden verwerkt, bijvoorbeeld door machine learning-modellen. “Dit kost veel stroom, rekenkracht en bandbreedte. Bovendien is het voor veel toepassingen helemaal niet nodig”, legt Kaptein uit. “Het is efficiënter om de ruwe data op locatie voor te bewerken, want dat is wat AI in feite doet. Dan verstuur je alleen de bruikbare informatie en minimaliseer je het dataverkeer.”
Een voorwaarde is dan wel dat de AI op allerlei verschillende (typen) apparaten moet werken. “Ik vond dat hier geen goede technische oplossing voor was”, zegt Kaptein, die eveneens bijzonder hoogleraar Data Science is aan de Tilburg University. “Steeds meer bedrijven ontwikkelen AI-modellen om data te interpreteren. Denk hierbij aan het tellen van mensen, het herkennen van nummerborden of het detecteren van trillingen in mechanische onderdelen. Maar hoe ga je zo’n model vervolgens op een efficiënte manier inzetten? Scailable helpt hierbij.”
Lagere programmeertaal
AI-bedrijf Scailable maakt daarvoor gebruik van twee trucjes. Kaptein: “Een set van regels wordt vaak in een hoge programmeertaal gespecificeerd, zodat het programmeren makkelijker wordt. Maar hoe hoger de taal, hoe trager de berekeningen. Wij kleden een AI-model uit tot bijna op machineniveau en slopen er alles uit wat niet specifiek nodig is voor een taak. Hierdoor gaan de berekeningen veel sneller, soms wel 10 keer zo snel. Ook verbruikt dit minder energie, want de computer draait minder lang.”
Het tweede trucje is het gebruik van interoperabele technologie. “Fabrieken hangen vol met industriële routers en gateways waar vaak een ARM-processor in zit. Die zit heel anders in elkaar dan een Intel-processor in een laptop of een processor in een camera. Onze software converteert AI-modellen automatisch naar een efficiënte programmeertaal van een lagere orde uit de koker van Mozilla. Deze taal zorgt ervoor dat we op allerlei verschillende devices hetzelfde AI-model kunnen draaien. Er zit nog wel een klein laagje tussen de hardware en het AI-model, maar dat is minimaal.”
Toepassingen van Scailable
De technologie van Scailable automatiseert het volledige proces om een AI-model dat op een laptop of in de cloud is getraind te laten draaien op een IoT-device. Dat levert kostenbesparingen op. “Maar Edge AI leent zich ook voor toepassingen waarbij er geen stabiele internetverbinding is of een tekort aan bandbreedte. Daarnaast kun je hiermee snel anomalieën in data detecteren. En er zijn ook bedrijven die gewoon niet al hun data naar de cloud willen brengen, bijvoorbeeld uit veiligheidsoverwegingen.
Kaptein noemt een aantal voorbeelden van toepassingen. “Bedrijven gebruiken onze tool bijvoorbeeld om te tellen hoeveel auto’s ergens geparkeerd staan, om te kijken of mensen genoeg afstand houden en om gezichten te blurren. Maar we hebben ook veel industriële klanten. Zo werken we voor een grote papierfabrikant. Dit bedrijf verzamelt continu data over zijn fabrieken en machines. Dankzij Scailable kunnen ze snel ingrijpen als de kwaliteit van het papier ergens afwijkt van de norm.”
Emotieherkenning via LoRa
Scailable blijkt ook een uitstekende match met het LoRa-netwerk, zo vertelt de CEO. “Je gaat geen ruwe audio of video verzenden via LoRa, daar is dit netwerk niet voor bedoeld. Maar als je de data op locatie verwerkt, kun je de resultaten wél superefficiënt doorsturen.” Tijdens de 19e Startup Afternoon van KPN demonstreerde Kaptein dit in de praktijk. Hierbij maakte hij gebruik van Scailable om een vrij complex AI-model voor emotieherkenning te draaien op een eenvoudige ESP32-chip met camera.
Vervolgens werd de ESP32 gekoppeld aan een Arduino MKR WAN 1310. Dit apparaat verstuurde de output – de persoon lacht of niet – via LoRa naar het KPN Things Platform. “Het werkte fantastisch”, blikt Kaptein terug. “Met deze demo wilden we laten zien hoe eenvoudig het is om Edge AI via KPN Things te combineren met LoRa. De gemiddelde techneut krijgt dit zo aan de praat.” De CEO heeft een uitgebreide handleiding geschreven waarmee iedere ontwikkelaar de demo zelf kan herhalen.
Emotieherkenning op een ESP32 met een AI-model dat door Scailable is geconverteerd naar een efficiënte programmeertaal. De resultaten worden via LoRa naar de cloud verstuurd met behulp van KPN Things.
Klein starten met KPN Things
Kaptein is erg te spreken over het KPN Things Platform. “Het is de makkelijkste manier om gebruik te maken van het LoRa-netwerk. Technisch gezien is het platform simpel opgezet. Via de KPN Things Portal krijgen ontwikkelaars de beschikking over uitgebreide documentatie, waarin bijvoorbeeld het aanmelden van devices goed wordt uitgelegd.”
De CEO van Scailable verwacht dat de komende jaren meer bedrijven de combinatie van Edge AI en LoRa zullen benutten. “KPN Things is een ideaal startpunt voor dit soort projecten. Het is één van de bouwblokken die je nodig hebt, net als de hardware en de AI-modellen.” Hij adviseert ontwikkelaars om bij een IoT-project uit te gaan van de functionaliteit. “En daar zoek je dan de juiste bouwblokken bij. Je hoeft het wiel niet opnieuw uit te vinden. Veel bouwblokken zijn al plug-and-play beschikbaar.”
“AI wordt ten onrechte als een soort magie gezien”, besluit Kaptein. “We kunnen computers hele leuke dingen laten doen, maar het zijn nog steeds setjes van regels. Laat je dus niet intimideren en denk vooral in de toepassingen die je met AI kunt maken.”
Wanneer begin jij?
Ervaar de mogelijkheden van LoRa en KPN Things zelf! Maak vandaag nog een account aan, bestel de gratis simkaarten en zet nu de eerste stap om te experimenteren met het Internet of Things.
