جدول المحتويات[يخفي][يعرض]
نماذج التعلم الآلي منتشرة في كل مكان الآن. خلال النهار ، من المحتمل أنك تستخدم هذه النماذج أكثر مما تدرك. تُستخدم نماذج التعلم الآلي في المهام الشائعة مثل تصفح الوسائط الاجتماعية والتصوير والتحقق من الطقس.
ربما أوصت خوارزمية التعلم الآلي لك بهذه المدونة. لقد سمعنا جميعًا عن مدى تضييع الوقت في تدريب هذه النماذج. لقد سمعنا جميعًا أن تدريب هذه النماذج يستغرق وقتًا طويلاً.
ومع ذلك ، فإن إجراء الاستدلال على هذه النماذج غالبًا ما يكون مكلفًا من الناحية الحسابية.
نحن بحاجة إلى أنظمة كمبيوتر سريعة بما يكفي للتعامل مع المعدل الذي نستخدم به خدمات التعلم الآلي. نتيجة لذلك ، يتم تشغيل غالبية هذه النماذج في مراكز بيانات ضخمة مع مجموعات وحدة المعالجة المركزية ووحدة معالجة الرسومات (حتى وحدات المعالجة المركزية في بعض الحالات).
عندما تلتقط صورة ، فأنت تريد آلة التعلم لتحسينه على الفور. لا تريد أن تضطر إلى الانتظار حتى يتم نقل الصورة إلى مركز البيانات ومعالجتها وإعادتها إليك. في هذه الحالة ، يجب تنفيذ نموذج التعلم الآلي محليًا.
عندما تقول "يا Siri" أو "حسنًا ، Google" ، فأنت تريد أن تستجيب أدواتك على الفور. في انتظار نقل صوتك إلى أجهزة الكمبيوتر حيث سيتم تقييمه والحصول على البيانات.
يستغرق هذا وقتًا وله تأثير ضار على تجربة المستخدم. في هذه الحالة ، تريد أن يعمل نموذج التعلم الآلي محليًا أيضًا. هذا هو المكان الذي يأتي فيه TinyML.
في هذا المنشور ، سننظر في TinyML ، وكيف يعمل ، واستخداماته ، وكيفية البدء به ، وأكثر من ذلك بكثير.
ما هي تفاصيل TinyML?
TinyML هو نظام متطور يطبق الإمكانات الثورية للتعلم الآلي على حدود الأداء والطاقة للأجهزة الصغيرة والأنظمة المدمجة.
يتطلب النشر الناجح في هذه الصناعة فهمًا شاملاً للتطبيقات والخوارزميات والأجهزة والبرامج. إنه نوع فرعي للتعلم الآلي يستخدم نماذج التعلم العميق والتعلم الآلي في الأنظمة المضمنة التي تستخدم متحكمات دقيقة أو معالجات إشارات رقمية أو معالجات متخصصة أخرى منخفضة الطاقة للغاية.
تهدف الأجهزة المضمنة التي تدعم TinyML إلى تشغيل خوارزمية تعلم الآلة لوظيفة معينة ، عادةً كجزء من الجهاز الحوسبة حافة.
من أجل التشغيل لأسابيع أو شهور أو حتى سنوات دون إعادة الشحن أو استبدال البطارية ، يجب أن يكون استهلاك هذه الأنظمة المدمجة أقل من 1 ميجاوات.
كيف تعمل؟
إطار التعلم الآلي الوحيد الذي يمكن استخدامه مع المتحكمات الدقيقة وأجهزة الكمبيوتر هو TensorFlow لايت. إنها مجموعة من الأدوات التي تتيح للمطورين تشغيل نماذجهم على الأجهزة المحمولة والمدمجة والمتطورة ، مما يسمح بالتعلم الآلي أثناء التنقل.
يتم استخدام واجهة وحدة التحكم الدقيقة لجمع البيانات من أجهزة الاستشعار (مثل الميكروفونات أو الكاميرات أو أجهزة الاستشعار المدمجة).
قبل إرسالها إلى وحدة التحكم الدقيقة ، يتم دمج البيانات في نموذج التعلم الآلي القائم على السحابة. يتم استخدام التدريب المجمع في وضع عدم الاتصال بشكل شائع لتدريب هذه النماذج. بيانات المستشعر التي سيتم استخدامها التعلم والاستدلال تم تحديده بالفعل للتطبيق المحدد.
إذا تم تدريب النموذج على اكتشاف كلمة تنبيه ، على سبيل المثال ، فقد تم إعداده بالفعل للتعامل مع دفق صوتي مستمر من ميكروفون.
تم تنفيذ كل شيء بالفعل بمساعدة نظام أساسي سحابي مثل Google Colab في حالة TensorFlow Lite ، بما في ذلك اختيار مجموعة البيانات ، والتطبيع ، وعدم ملاءمة النموذج أو تعديله ، وتنظيمه ، وزيادة البيانات ، والتدريب ، والتحقق من الصحة ، والاختبار.
في نهاية المطاف ، يتم تحويل نموذج مدرب بالكامل ونقله إلى متحكم دقيق أو كمبيوتر صغير أو معالج إشارة رقمية بعد تدريب دفعي دون اتصال بالإنترنت. لا يحتوي النموذج على تدريب إضافي بعد نقله إلى جهاز مدمج. بدلاً من ذلك ، يستخدم فقط بيانات الوقت الفعلي من أجهزة الاستشعار أو أجهزة الإدخال لتطبيق النموذج.
نتيجة لذلك ، يجب أن يكون نموذج التعلم الآلي لـ TinyML متينًا بشكل استثنائي وقادرًا على إعادة تدريبه بعد سنوات أو عدم إعادة تدريبه مطلقًا. يجب التحقيق في جميع النماذج المحتملة غير المناسبة والتركيب الزائد بحيث يظل النموذج مناسبًا لفترة طويلة من الوقت ، من الناحية المثالية إلى أجل غير مسمى.
لكن لماذا تستخدم TinyML؟
بدأت TinyML كمحاولة للقضاء على أو تقليل اعتماد إنترنت الأشياء على الخدمات السحابية للأغراض الأساسية الصغيرة الحجم آلة التعلم عمليات. استلزم هذا استخدام نماذج التعلم الآلي على الأجهزة المتطورة نفسها. يوفر الفوائد الرئيسية التالية:
- طاقة منخفضة استهلاك: يفضل أن يستخدم تطبيق TinyML أقل من 1 مللي واط من الطاقة. مع هذا الاستهلاك المنخفض للطاقة ، قد يستمر الجهاز في استخلاص النتائج من بيانات المستشعر لأشهر أو سنوات ، حتى لو كانت مدعومة ببطارية تعمل بالعملة المعدنية.
- أقل تكلفة: إنه مصمم ليعمل على وحدات تحكم دقيقة 32 بت منخفضة التكلفة أو DSP. عادة ما تكون هذه المتحكمات الدقيقة بضعة سنتات لكل منها ، وإجمالي النظام المضمن الذي تم تطويره معها أقل من 50 دولارًا. يعد هذا خيارًا فعالاً من حيث التكلفة لتشغيل القليل من برامج التعلم الآلي على نطاق واسع ، وهو مفيد بشكل خاص في تطبيقات إنترنت الأشياء حيث يجب تطبيق التعلم الآلي.
- الكمون المنخفض: تتميز تطبيقاتها بزمن انتقال منخفض نظرًا لأنها لا تحتاج إلى نقل البيانات أو تبادلها عبر الشبكة. يتم تسجيل جميع بيانات أجهزة الاستشعار محليًا ، ويتم استخلاص النتائج باستخدام نموذج تم تدريبه بالفعل. قد يتم إرسال نتائج الاستنتاجات إلى خادم أو سحابة للتسجيل أو معالجة إضافية ، على الرغم من أن هذا ليس ضروريًا لكي يعمل الجهاز. هذا يقلل من زمن انتقال الشبكة ويلغي الحاجة إلى إجراء عمليات التعلم الآلي على السحابة أو الخادم.
- سياسة: إنه مصدر قلق كبير على الإنترنت ومع إنترنت الأشياء. يتم تنفيذ عمل التعلم الآلي في تطبيقات TinyML محليًا ، دون تخزين أو إرسال بيانات المستشعر / المستخدم إلى خادم / سحابة. نتيجة لذلك ، حتى أثناء الاتصال بشبكة ، فإن هذه التطبيقات آمنة للاستخدام ولا تشكل أي مخاطر على الخصوصية.
التطبيقات
- الزراعة - متى يلتقط المزارعون صورة للنبات ، ويكشف تطبيق TensorFlow Lite الأمراض الموجودة فيه. يعمل على أي جهاز ولا يتطلب اتصالاً بالإنترنت. يحمي هذا الإجراء المصالح الزراعية وهو ضرورة ملحة للمزارعين الريفيين.
- صيانة ميكانيكا - يمكن لـ TinyML ، عند استخدامه على الأجهزة منخفضة الطاقة ، تحديد العيوب باستمرار في الجهاز. يستلزم صيانة قائمة على التنبؤ. قدمت Ping Services ، وهي شركة أسترالية ناشئة ، أداة إنترنت الأشياء التي تراقب توربينات الرياح من خلال ربط نفسها بالتوربين الخارجي. يخطر السلطات كلما اكتشف أي مشكلة أو عطل محتمل.
- المستشفيات - التخويف الشمسي هو مشروع. يستخدم البعوض TinyML لوقف انتشار الأمراض مثل حمى الضنك والملاريا. يتم تشغيله بالطاقة الشمسية ويكتشف ظروف تكاثر البعوض قبل إرسال إشارة إلى الماء لمنع تكاثر البعوض.
- مراقبة حركة المرور - بقلم بتطبيق TinyML على أجهزة الاستشعار التي تجمع بيانات حركة المرور في الوقت الفعلي ، يمكننا استخدامها لتوجيه حركة المرور بشكل أفضل وتقليل أوقات الاستجابة لمركبات الطوارئ. على سبيل المثال ، تستخدم شركة Swim.AI هذه التقنية في تدفق البيانات لزيادة سلامة الركاب مع تقليل الازدحام والانبعاثات من خلال التوجيه الذكي.
- القانون: يمكن استخدام TinyML في تطبيق القانون لتحديد الإجراءات غير القانونية مثل الشغب والسرقة باستخدام التعلم الآلي والتعرف على الإيماءات. يمكن أيضًا استخدام برنامج مشابه لتأمين أجهزة الصراف الآلي للبنك. من خلال مراقبة سلوك المستخدم ، قد يتنبأ نموذج TinyML بما إذا كان المستخدم مستهلكًا حقيقيًا يكمل معاملة أو متطفلًا يحاول اختراق جهاز الصراف الآلي أو تدميره.
كيف تبدأ مع TinyML؟
لبدء استخدام TinyML في TensorFlow Lite ، ستحتاج إلى لوحة تحكم دقيقة متوافقة. يدعم TensorFlow Lite for Microcontrollers المتحكمات الدقيقة المدرجة أدناه.
- محطة Wio: ATSAMD51
- هيماكس WE-I Plus EVB Endpoint AI Development Board
- طقم اكتشاف STM32F746
- ادافروت إيدج بادج
- منصة تطوير البرمجيات Synopsys DesignWare ARC EM
- سوني سبريسينس
- اردوينو نانو 33 بليه تحسس
- سبارك فن إيدج
- Adafruit TensorFlow Lite لمجموعة أدوات التحكم الدقيقة
- ملعب حلبة Adafruit
- اسبريسيف ESP32-DevKitC
- اسبريسيف ESP-EYE
هذه هي وحدات التحكم الدقيقة 32 بت التي تحتوي على ذاكرة فلاش كافية وذاكرة الوصول العشوائي وتردد الساعة لتنفيذ نموذج التعلم الآلي. تحتوي اللوحات أيضًا على عدد من أجهزة الاستشعار المدمجة القادرة على تشغيل أي برنامج مضمن وتطبيق نماذج التعلم الآلي على التطبيق المستهدف. إلى بناء نموذج التعلم الآلي، ستحتاج إلى كمبيوتر محمول أو كمبيوتر بالإضافة إلى نظام أساسي للأجهزة.
تحتوي كل منصة أجهزة على أدوات البرمجة الخاصة بها لبناء نماذج التعلم الآلي والتدريب عليها ونقلها ، والتي تستخدم حزمة TensorFlow Lite للمتحكمات الدقيقة. TensorFlow Lite مجاني للاستخدام والتعديل لأنه كذلك المصدر المفتوح.
لتبدأ مع TinyML و TensorFlow Lite ، كل ما تحتاجه هو أحد الأنظمة الأساسية للأجهزة المضمنة المذكورة أعلاه ، وجهاز كمبيوتر / كمبيوتر محمول ، وكابل USB ، ومحول USB إلى تسلسلي - والرغبة في ممارسة التعلم الآلي مع الأنظمة المدمجة .
التحديات
على الرغم من أن تقدم TinyML قد أسفر عن العديد من النتائج الإيجابية ، إلا أن صناعة التعلم الآلي لا تزال تواجه عقبات كبيرة.
- تنوع البرامج - الترميز اليدوي، وإنشاء الكود ، ومترجمي ML ، كلها خيارات لنشر النماذج على أجهزة TinyML ، وكل منها يستغرق قدرًا مختلفًا من الوقت والجهد. يمكن أن تنشأ عروض مختلفة نتيجة لذلك.
- تنوع الأجهزة - هناك هي العديد من خيارات الأجهزة المتاحة. يمكن أن تكون منصات TinyML أي شيء من وحدات التحكم الدقيقة للأغراض العامة إلى المعالجات العصبية المتطورة. يؤدي هذا إلى حدوث مشكلات في نشر النموذج عبر بنيات مختلفة.
- استكشاف الأخطاء وإصلاحها / تصحيح الأخطاء - متى يعمل نموذج ML بشكل ضعيف على السحابة ، فمن السهل النظر إلى البيانات ومعرفة الخطأ الذي يحدث. عندما ينتشر نموذج عبر الآلاف من أجهزة TinyML ، مع عدم عودة تدفق البيانات إلى السحابة ، يصبح تصحيح الأخطاء أمرًا صعبًا وقد يتطلب طريقة مختلفة.
- قيود الذاكرة - تقليدية تحتاج الأنظمة الأساسية ، مثل الهواتف الذكية وأجهزة الكمبيوتر المحمولة ، إلى جيجا بايت من ذاكرة الوصول العشوائي ، بينما تستخدم أجهزة TinyML كيلو بايت أو ميغا بايت. نتيجة لذلك ، فإن حجم النموذج الذي يمكن نشره محدود.
- تدريب نموذجي - على الرغم من هناك العديد من المزايا لنشر نماذج تعلم الآلة على أجهزة TinyML ، ولا يزال الجزء الأكبر من نماذج ML يتم تدريبه على السحابة لتكرار دقة النموذج وتحسينها باستمرار.
Future
TinyML ، بصمتها الصغيرة ، واستهلاكها المنخفض للبطارية ، ونقص أو اعتماد محدود على الاتصال بالإنترنت ، لديها إمكانات هائلة في المستقبل ، حيث أن الغالبية الضيقة الذكاء الاصطناعي سيتم تنفيذه على الأجهزة الطرفية أو الأدوات المدمجة المستقلة.
سيجعل تطبيقات إنترنت الأشياء أكثر خصوصية وأمانًا من خلال الاستفادة منها. على أية حال TensorFlow يعد Lite حاليًا إطار التعلم الآلي الوحيد لوحدات التحكم الدقيقة وأجهزة الكمبيوتر الصغيرة ، وهناك أطر أخرى مماثلة مثل المستشعر و ARM's CMSIS-NN قيد العمل.
في حين أن TensorFlow Lite هو مشروع مفتوح المصدر قيد التنفيذ بدأ بداية رائعة مع فريق Google ، إلا أنه لا يزال بحاجة إلى دعم المجتمع للدخول في الاتجاه السائد.
وفي الختام
TinyML هو نهج جديد يجمع بين الأنظمة المضمنة والتعلم الآلي. نظرًا لأن الذكاء الاصطناعي الضيق يبلغ ذروته في العديد من القطاعات والمجالات ، يمكن أن تظهر التكنولوجيا كحقل فرعي بارز في التعلم الآلي والذكاء الاصطناعي.
إنه يوفر حلاً للعديد من التحديات التي يواجهها قطاع إنترنت الأشياء والمتخصصون الذين يطبقون التعلم الآلي في العديد من التخصصات الخاصة بالمجال.
مفهوم الاستفادة من التعلم الآلي في أجهزة الحافة ذات الحوسبة الصغيرة يمكن أن تؤدي البصمة واستهلاك الطاقة إلى إحداث تحول كبير في كيفية إنشاء الأنظمة والروبوتات المدمجة.
اترك تعليق