Edukien aurkibidea[Ezkutatu][Erakutsi]
Machine Learning ereduak leku guztietan daude orain. Egunean zehar, ziurrenik eredu hauek uste baino askoz gehiago erabiltzen dituzu. Ikaskuntza automatikoko ereduak ohiko zereginetan erabiltzen dira, hala nola sare sozialetan arakatzean, argazkiak ateratzea eta eguraldia egiaztatzea.
Ikaskuntza automatikoko algoritmo batek blog hau gomendatu dizu. Denok entzun dugu eredu hauek entrenatzeak zenbat denbora eskatzen duen. Denok entzun dugu eredu hauek trebatzea denbora asko eskatzen duela.
Hala ere, eredu hauei buruzko inferentzia egitea konputazionalki garestia da askotan.
Ikaskuntza automatikoko zerbitzuak erabiltzen ari garen abiadura kudeatzeko nahikoa azkarrak diren ordenagailu-sistemak behar ditugu. Ondorioz, eredu horietako gehienak CPU eta GPU klusterrak dituzten datu-zentro masiboetan exekutatzen dira (baita TPUak ere kasu batzuetan).
Argazki bat ateratzen duzunean, nahi duzu makina ikaskuntza berehala hobetzeko. Ez duzu irudia datu-zentro batera transferitu, prozesatu eta itzuli arte itxaron behar izan nahi. Kasu honetan, ikasketa automatikoaren eredua lokalean exekutatu beharko litzateke.
"Hey Siri" edo "Ados, Google" esaten duzunean, zure gadgetek berehala erantzutea nahi duzu. Zure ahotsa ordenagailuetara igortzeko zain, non ebaluatu eta datuak lortuko diren.
Horrek denbora behar du eta erabiltzailearen esperientzian eragin kaltegarria du. Kasu honetan, ikaskuntza automatikoaren ereduak lokalean ere funtzionatzea nahi duzu. Hemen sartzen da TinyML.
Post honetan, TinyML, nola funtzionatzen duen, erabilerak, nola hasi eta askoz gehiago aztertuko dugu.
Zer da TinyML?
TinyML punta-puntako diziplina bat da, ikaskuntza automatikoaren potentzial iraultzailea gailu txikien eta sistema txertatuen errendimendu eta potentzia-mugetan aplikatzen duena.
Industria honetan hedapen arrakastatsuak aplikazioak, algoritmoak, hardwarea eta softwarea sakon ulertzea eskatzen du. Ikaskuntza automatikoko azpigeneroa da, ikaskuntza sakona eta ikaskuntza automatikoaren ereduak erabiltzen dituen mikrokontrolagailuak, seinale digitaleko prozesadoreak edo potentzia oso baxuko beste prozesadore espezializatu batzuk erabiltzen dituzten sistema txertatuetan.
TinyML gaitutako gailu txertatuak lan zehatz baterako ikaskuntza automatikoko algoritmo bat exekutatu nahi dute, normalean gailuaren zati gisa. ertz informatikoa.
Asteak, hilabeteak edo baita urteak kargatu edo bateriarik aldatu gabe funtzionatu ahal izateko, sistema txertatu hauek 1 mW-tik beherako energia-kontsumoa izan behar dute.
Nola funtzionatzen du?
Mikrokontrolagailuekin eta ordenagailuekin erabil daitekeen makina ikasteko esparru bakarra da TensorFlow Lite. Garatzaileei beren ereduak gailu mugikor, txertatu eta ertzeko gailuetan exekutatzeko aukera ematen dien tresna multzo bat da, etengabeko ikaskuntza automatikoa ahalbidetuz.
Mikrokontrolagailuaren interfazea sentsoreen datuak biltzeko erabiltzen da (adibidez, mikrofonoak, kamerak edo txertatutako sentsoreak).
Mikrokontrolagailura bidali aurretik, datuak hodeian oinarritutako ikaskuntza automatikoko eredu batean sartzen dira. Batch prestakuntza lineaz kanpoko moduan erabili ohi da eredu hauek entrenatzeko. Erabiliko diren sentsore datuak ikaskuntza eta inferentzia dagoeneko zehaztu da aplikazio zehatzerako.
Eredua esna-hitz bat detektatzeko entrenatzen ari bada, adibidez, dagoeneko konfiguratuta dago mikrofono batetik etengabeko audio-jarioa kudeatzeko.
Dena dagoeneko egiten da Google Colab bezalako hodeiko plataforma baten laguntzaz TensorFlow Lite-ren kasuan, datu-multzoen hautaketa, normalizazioa, ereduaren gutxiegitasuna edo gehiegi egokitzea, erregularizazioa, datuak handitzea, prestakuntza, balioztatzea eta probak barne.
Guztiz trebatutako eredua azkenean eraldatu eta mikrokontrolagailura, mikroordenagailura edo seinale digitalaren prozesadorera transferitzen da, lineaz kanpoko loteen prestakuntzaren ondoren. Ereduak ez du prestakuntza gehigarririk kapsulatutako gailu batera eraman ondoren. Horren ordez, sentsoreen edo sarrera-gailuen denbora errealeko datuak soilik erabiltzen ditu eredua aplikatzeko.
Ondorioz, TinyML makinen ikaskuntza-eredu batek oso iraunkorra izan behar du eta urteen buruan birziklatzeko edo sekula birziklatzeko gai izan behar du. Balizko ereduaren azpiegokitze eta gehiegizko egokitze guztiak ikertu behar dira, ereduak denbora luzez garrantzitsua izaten jarrai dezan, hobe da mugagabean.
Baina zergatik erabili TinyML?
TinyML eskala txikiko oinarrizko IoT hodeiko zerbitzuekiko konfiantza ezabatzeko edo murrizteko ahalegin gisa hasi zen. makina ikaskuntza eragiketak. Honek ikaskuntza automatikoko ereduak erabiltzea beharrezkoa zen ertzeko gailuetan bertan. Onura nagusi hauek eskaintzen ditu:
- Potentzia txikikoa kontsumoa: TinyML aplikazio batek 1 miliWatt-eko potentzia baino gutxiago erabili beharko luke. Potentzia-kontsumo txiki hori izanik, gailu batek sentsoreen datuetatik ondorioak ateratzen jarrai dezake hilabete edo urtez, nahiz eta txanpon-bateriaz elikatu.
- Kostu txikiagoa: kostu baxuko 32 biteko mikrokontrolagailuetan edo DSPetan exekutatzeko diseinatuta dago. Mikrokontrolagailu hauek normalean zentimo batzuk dira bakoitza, eta haiekin garatutako sistema txertatua 50 $ baino txikiagoa da. Hau oso aukera errentagarria da ikaskuntza automatikoko programa txikiak eskala handian exekutatzeko, eta bereziki onuragarria da ikaskuntza automatikoa aplikatu behar den IoT aplikazioetan.
- Latentzia txikiagoa: Bere aplikazioek latentzia txikia dute, ez baitute sarean datuak garraiatu edo trukatu beharrik. Sentsoreen datu guztiak lokalean erregistratzen dira, eta dagoeneko trebatu den eredu baten bidez ondorioak ateratzen dira. Inferentziaren emaitzak zerbitzari edo hodei batera bidal daitezke erregistratzeko edo prozesatzeko gehigarrirako, nahiz eta hori ezinbestekoa ez den gailuak funtziona dezan. Horrek sareko latentzia murrizten du eta ikaskuntza automatikoko eragiketak hodei edo zerbitzari batean egiteko beharra ezabatzen du.
- Pribatutasuna: Interneten eta gauzen interneten kezka nagusia da. TinyML aplikazioetan ikasketa automatikoko lana lokalean egiten da, sentsore/erabiltzailearen datuak zerbitzari/hodei batera gorde edo bidali gabe. Ondorioz, sare batera lotuta egonda ere, aplikazio hauek erabiltzeko seguruak dira eta ez dute pribatutasun arriskurik sortzen.
aplikazioak
- Nekazaritza – Noiz nekazariek landare bati argazkia ateratzen diote, TensorFlow Literen aplikazioak bertan gaixotasunak detektatzen ditu. Edozein gailutan funtzionatzen du eta ez du Interneteko konexiorik behar. Prozedurak nekazaritza-interesak babesten ditu eta ezinbestekoa da landa nekazarientzat.
- Mekanika Mantentzea – TinyML, potentzia gutxiko gailuetan erabiltzen denean, etengabe identifikatu ditzake makina batean akatsak. Iragarpenetan oinarritutako mantentze-lana dakar. Ping Services-ek, australiar startup batek, turbinaren kanpoaldera atxikiz haize-sorgailuak kontrolatzen dituen IoT gadget bat aurkeztu du. Agintariei jakinarazten die arazo edo matxura posible bat hautematen duen bakoitzean.
- Ospitaleak – The Eguzki Sustoa proiektu bat da. Eltxoak TinyML erabiltzen du dengea eta malaria bezalako gaixotasunen hedapena geldiarazteko. Eguzki-energiaz elikatzen da eta eltxoen hazkuntza-baldintzak detektatzen ditu urari seinalatu aurretik eltxoen hazkuntza galarazteko.
- Trafikoaren Zaintza – By TinyML denbora errealeko trafiko-datuak biltzen dituzten sentsoreei aplikatuz, trafikoa hobeto bideratzeko eta larrialdietako ibilgailuen erantzun-denborak murrizteko erabil ditzakegu. Swim.AI-k, adibidez, teknologia hau erabiltzen du datuen streaming bidez bidaiarien segurtasuna areagotzeko, eta, aldi berean, pilaketak eta isuriak murrizten ditu bideratze adimendunen bidez.
- Legea: TinyML legea betearazteko erabil daiteke legez kanpoko ekintzak identifikatzeko, hala nola matxinadak eta lapurretak, ikasketa automatikoa eta keinuen ezagutza erabiliz. Antzeko programa bat ere erabil daiteke banku-kutxazain automatikoak ziurtatzeko. Erabiltzailearen portaera ikusiz, TinyML eredu batek iragar dezake erabiltzailea transakzio bat burutzen ari den benetako kontsumitzailea den edo kutxazain automatikoa pirateatzen edo suntsitzen saiatzen den intrusioa den.
Nola hasi TinyML-rekin?
TensorFlow Lite-n TinyMLrekin hasteko, mikrokontrolagailu bateragarri bat beharko duzu. TensorFlow Lite for Microcontrollers behean zerrendatutako mikrokontrolagailuak onartzen ditu.
- Wio Terminala: ATSAMD51
- Himax WE-I Plus EVB Endpoint AI Garapenerako Batzordea
- STM32F746 Discovery kit
- Adafruit EdgeBadge
- Synopsys DesignWare ARC EM Software Garapenerako Plataforma
- Sony Express
- Arduino Nano 33 BLE Zentzua
- SparkFun Edge
- Mikrokontrolagailuentzako Adafruit TensorFlow Lite
- Adafruit Zirkuitua Jolastokia Bluefruit
- Espressif ESP32-DevKitC
- Espressif ESP-EYE
Hauek 32 biteko mikrokontrolagailuak dira, flash memoria, RAM eta erloju-maiztasun nahikoa dutenak ikaskuntza automatikoko eredu bat exekutatzeko. Plakek barne-sentsore batzuk ere badituzte, txertatutako edozein programa exekutatzeko eta helburuko aplikazioan ikaskuntza automatikoko ereduak aplikatzeko gai direnak. To makina ikasteko eredu bat eraiki, ordenagailu eramangarri bat edo ordenagailu bat beharko duzu hardware plataformaz gain.
Hardware-plataforma bakoitzak bere programazio-tresnak ditu ikaskuntza automatikoko ereduak eraikitzeko, entrenatzeko eta eramateko, TensorFlow Lite for Microcontrollers paketea erabiltzen dutenak. TensorFlow Lite doakoa da erabiltzeko eta aldatzeko, hala delako kode irekiko.
TinyML eta TensorFlow Lite-rekin hasteko, beharrezkoa da goian aipatutako hardware txertatutako plataformetako bat, ordenagailua/ordenagailu eramangarria, USB kablea, USB-serie bihurgailu bat eta sistema txertatuekin ikaskuntza automatikoa lantzeko gogoa. .
Erronkak
TinyML-ren aurrerapenak emaitza positibo asko eman dituen arren, ikaskuntza automatikoko industriak oztopo handiak ditu oraindik.
- Software aniztasuna – Eskuz kodetzea, kodea sortzea eta ML interpreteak TinyML gailuetan ereduak zabaltzeko aukerak dira, eta bakoitzak denbora eta esfortzu desberdinak behar ditu. Horren ondorioz emanaldi desberdinak sor daitezke.
- Hardware aniztasuna – Hor hainbat hardware aukera daude eskuragarri. TinyML plataformak helburu orokorreko mikrokontrolagailuetatik hasi eta puntako prozesadore neuronaletaraino izan daitezke. Horrek arazoak sortzen ditu arkitektura ezberdinetan ereduen hedapenarekin.
- Arazoak konpontzea/araztea – Noiz ML eredu batek gaizki funtzionatzen du hodeian, erraza da datuak ikustea eta zer gertatzen ari den jakitea. Eredu bat TinyML milaka gailutan zabaltzen denean, datu-korronterik hodeira itzultzen ez denean, arazketa zaila bihurtzen da eta beste metodo bat behar izan dezake.
- Memoria mugak – Tradizionala plataformek, hala nola telefono adimendunak eta ordenagailu eramangarriak, gigabyte RAM behar dituzte, eta TinyML gailuek kilobyte edo megabyte erabiltzen dituzte. Ondorioz, heda daitekeen ereduaren tamaina mugatua da.
- Ereduaren prestakuntza – Nahiz eta ML ereduak TinyML gailuetan zabaltzeak hainbat abantaila ditu, ML ereduen zatirik handiena hodeian trebatuta dago oraindik ereduen zehaztasuna errepikatzeko eta etengabe hobetzeko.
Etorkizuna
TinyML-k, bere aztarna txikia, bateria-kontsumo baxua eta Interneteko konektagarritasun faltarekin edo konfiantza mugatuarekin, potentzial izugarria du etorkizunean, gehiengo estua baita. adimen artifizialeko ertzeko gailuetan edo kapsulatutako gadget independenteetan ezarriko da.
IoT aplikazioak pribatuagoak eta seguruagoak bihurtuko ditu haiek aprobetxatuz. Hala ere TensorFlow Gaur egun, Lite mikrokontrolagailu eta mikroordenagailuentzako makina ikaskuntza-esparru bakarra da, sentsorea eta ARM-ren CMSIS-NN bezalako beste esparru konparagarriak lanean ari dira.
TensorFlow Lite kode irekiko proiektu bat abian den arren, Google-ren taldearekin hasiera bikaina izan zuen, oraindik komunitatearen laguntza behar du korronte nagusian sartzeko.
Ondorioa
TinyML sistema txertatuak eta ikaskuntza automatikoa konbinatzen dituen ikuspegi berri bat da. AI estuak bertikal eta domeinu askotan gainditzen duen heinean, teknologia ikaskuntza automatikoaren eta adimen artifizialaren azpiesparru nabarmen gisa ager daiteke.
IoT sektoreak eta domeinu espezifikoko diziplina askotan ikasketa automatikoa aplikatzen duten profesionalek aurre egiten dieten erronka ugariri irtenbidea ematen die.
Ikaskuntza automatikoa erabiltzearen kontzeptua at informatika txikia duten ertzeko gailuak Aztarna eta energia kontsumoak sistema txertatuak eta robotika nola eraikitzen diren nabarmen eraldatzeko ahalmena du.
Utzi erantzun bat