 Buongiorno e benvenuti a tutti. Il mio nome è Davide Liprandi e sto lavorando in Sistema e Research Applications Department di ST Microelectronics. Oggi vi mostreremo un progetto di concept che vi mostreremo alcune soluzioni di software di ST Hardware per le applicazioni di Internet of Things. Questo è un senso tipico di Gateway di Cloud Scenario dove potremmo avere diversi bordi di senso sensoriali, un Gateway e un dashboard per analizzare le data sul cloud. Questo è un progetto di concept che inizia a usare diversi casi. Per esempio, su la destra di top, abbiamo un senso sensorial.box, che è un bordo ben sottile per le applicazioni di software. Questo è un algoritmo di articolazione artificiale come classificazione di audio e cognizia di attività, e può supportare il firmware per l'ultimo update. In particolare, l'ultimo update del dashboard dei suoi suoi network di neural network ha provato che sia già sul cloud un'altra versione del suoi network con migliori suoi suoi. Se il firmware update è fatto via Bluetooth, è necessario alcuni minuti per aggiungere il firmware AI. Questo è abbastanza grande. Per questo motivo, abbiamo postato un senso sensorial.box, che è un binario molto più piccolo, che è un'altra versione del suoi senso sensorial per dimostrare il fuoco del firmware. Terzo, abbiamo un senso sensorial nesty, che è un senso sensorial per le applicazioni industriali, che potrebbero essere piccole per un equipamento industriale, come un motore o un pompone, e sentire le vibrazioni. L'ultimo, il microcontroller, può computare la trasformazione di fast Fourier e mandare solo questa rappresentazione compressa, non il fuoco, alla via wifi, per salvare il tempo, il spazio nel cloud e nel money. Il gateway può o non può far rilaborare data, depending on the use case. Poi, la trasformazione di data e gli eventi nel cloud, in modo che un operatore può analizzare loro, grazie a un dashboard. Ora, andiamo a vedere il software stack che rimane su la Gatwi STM32 MP1, e in particolare, su la core dual Cortex A7, dove rimane una distribuzione di OpenST Linux. Nel topo di questo, c'è il docker da dimostrare, che permette di distanciare e rimanere un numero di containersi custom dockers già compilati e applicati al cloud, che dovrebbero essere applicati per la Gatwi, prima di usare. Nel start-up, il dimostratore ha preso in exeguzione l'IoT Edge Runtime da Microsoft, che è fatto di l'Agent Edge e l'App Edge, che sono responsabili per entrare la comunicazione tra i moduli. Poi, a l'ultimo livello, troviamo i moduli custom, che sono scritti per questo progetto. A lì, c'è il container Bluetooth, che fa usare l'Agent Edge, per connettere i devices Bluetooth e l'Agent Edge, per connettere il cloud di Microsoft Azure. Poi, la principale applicazione implementa il logico per rendere gli eventi di intelligenza artificiali e il firmware di l'update. A lì, c'è il container Edge, che rende una funzione per filtrare la data di fast-free transform, così che, come soltanto alcuni tempi, ci sono specifici trascorsi sull'amplitudine di vibrazione, un alarmo corrispondente è trigliato localmente e ha scelto il cloud. Nel medio, c'è il container Graphics, che è responsabile per dimostrare alcuna interface di usare, e le pop-ups, come soltanto, sono generate dalla container FFT, per provare un feedback localmente per un operatore. Tutti questi tre container custom sono ritenuti in Python, e due le risorse di hardware di current non possono riuscire a rinforzare all'anno. Il futuro più potente di release di Gateway si permette di rinforzare tutti. Alla parte, con il setup. Nel medio, c'è il nostro Mp1 Discovery Board, che è attenzione come Gateway, in questo scenario. È provata con un Cortex A7 girando a 650 MHz da armamenti, e un nome per microcontroller. È connettato a un router con una connessione internet e un PC per le percorso di debug via un port micro USB. E c'è anche un speaker connettato a audio jack. È provata anche con un Arduino connettore e un connettore molto compatibile per i porti di expansion. Poi abbiamo il nostro kit STWIN, che è stato creato specificamente per applicazioni industriali. È provato con un numero di sensori, come l'environmentale e l'inertia e anche con un grande range di vibrameteri, in questo scenario simulateremo le vibrameteri da un equipamento industriale come un motor, per esempio. In questo modo, il fast Fourier trasforma direttamente il microcontroller e lo senderà via un Wi-Fi al Gateway che è configurato come un hotspot. E qui abbiamo due samples di sensor tag.box Questo è il kit di sviluppo che è stato creato per applicazioni di sensori di wearable. È provato con un numero di sensori iniziali e l'environmentale e anche con un Bluetooth 4.1 con un connetto. In questo caso, il primo è un algoritmo d'intelligenza artificiale capito di detectare la scena surrounding e le attività. E il secondo è il firmware update su le capacità di air. L'ultimo, abbiamo anche sviluppato un dashboard che è basato su la platform Microsoft Azure Cloud. Well, let's have a look at the artificial intelligence and firmware over the air update scenario. So this is the dashboard. Let's log in. The first thing that you will see is the list of the devices configured. So we have a gateway on the left and a distuit on the right. While on the left of the page we can see menu where we can select, for example, AI sensing. So let's look at the sensor tile.box is running artificial intelligence algorithms. As you can see here, the neural network running on it can estimate some activities like for example biking or jogging or walking or stationary position and also estimate the surrounding scene like for example indoor, outdoor or in vehicle. Now, what if we have retrained the network on other training sets and that come out with better weights? Well, from this dashboard it is possible to load a file containing the new weights, compile it on the cloud and generate a so-called partial firmware. From a device panel we can see its AI capabilities, if any, in this case audio scene classification and activity recognition. Now let's try to update an neural network weights so let's first select a binary previously generated in this case and start downloading it via Bluetooth to the device. As soon as the firmware download has completed the board reboots so that the application running in the Docker container receives a disconnection and then as to discover and to connect to it again. Now we can try whether the first sensor tile.box works again and hopefully better than before in recognizing activities and machines, as we should have updated it with better weights. Obviously, retraining a network is not an easy task, it requires wide training sets and someone which tags them based on experience. Let's move to the second sensor tile.box now and perform a full firmware over the update that is the update of the whole firmware running on it, the bigger the firmware the longer the time required. As you see the board is running a firmware that keeps the red LED on so let's update it with the firmware that turns the green LED on. The process takes longer than before the video is being cut and at the end we can see the green LED on rather than the red one as expected. As before the application performs again the discovery of the boards and connect to them automatically. Let me describe here a condition monitoring scenario where an STWIN acquires data from an industrial equipment and sends them to the STM32MP1. The gateway performs edge processing that is the execution of a custom logic written the same way as it were running on the cloud. So let's turn on the STWIN and specify the Wi-Fi network to connect to in this case the MP1 on spot. The STWIN is capable of acquiring vibration data, computing the FFT so the fast Fourier transform on the microcontroller and sending it to the gateway. The gateway filters out the FFT data that overcomes some thresholds set previously and generates events shown on the screen and also sends to the dashboard. As you may see on the console of the STWIN on the right it also sends environmental data like temperature, humidity and pressure and inertial data from accelerometer, gyroscope and magnetometer. Since I don't have here a motor let's try with. The STWIN is simulating some fast Fourier transform data that purposefully triggers a good condition like this an alarm condition and a more critical event as shown next. All this data are sent every 15 seconds but this can be set from the dashboard. Let me for example set FFT data every 7 seconds and also stop environmental and inertial data from this panel where I can perform a number of different actions on the device. Now if we go back to the console we can see an alarm triggered that means that some FFT data, the amplitude of the x axis at the fundamental frequency in this case add a value that overcame the alarm threshold. After a while another higher value triggers a more critical alarm per esempio require the substitution of a piece of hardware. In our real case after the system had been repaired the first startup should generate a good condition event. Now let's for example pause the system and log out. Well this ends this brief yet not exhaustive close up on a typical sensors to get with a cloud scenario. So thank you for watching and stay tuned for next exciting solutions from ST Microelectronics.