મશીન લર્નિંગ મોડલ અત્યારે બધી જગ્યાએ છે. દિવસ દરમિયાન, તમે કદાચ આ મૉડલ્સનો ઉપયોગ તમારા ખ્યાલ કરતાં ઘણો વધારે કરો છો. મશીન લર્નિંગ મોડલ્સનો ઉપયોગ સામાન્ય કાર્યોમાં થાય છે જેમ કે સોશિયલ મીડિયા બ્રાઉઝિંગ, ફોટોગ્રાફિંગ અને હવામાન તપાસવું.
મશીન-લર્નિંગ અલ્ગોરિધમે તમને આ બ્લોગની ભલામણ કરી હશે. અમે બધાએ સાંભળ્યું છે કે આ મોડલ્સને તાલીમ આપવામાં કેટલો સમય લાગે છે. અમે બધાએ સાંભળ્યું છે કે આ મોડેલોને તાલીમ આપવા માટે સમય માંગી લે છે.
જો કે, આ મોડેલો પર અનુમાન લગાવવું વારંવાર ગણતરીની રીતે ખર્ચાળ હોય છે.
અમે જે દરે મશીન લર્નિંગ સેવાઓનો ઉપયોગ કરી રહ્યા છીએ તે દરને નિયંત્રિત કરવા માટે અમને કમ્પ્યુટર સિસ્ટમ્સની જરૂર છે. પરિણામે, આમાંના મોટાભાગના મોડલ CPU અને GPU ક્લસ્ટરો (કેટલાક કિસ્સાઓમાં TPUs પણ) સાથે વિશાળ ડેટા સેન્ટર્સ પર ચલાવવામાં આવે છે.
જ્યારે તમે ચિત્ર લો છો, ત્યારે તમે ઇચ્છો છો મશીન શિક્ષણ તેને તાત્કાલિક સુધારવા માટે. તમારે ઇમેજને ડેટા સેન્ટરમાં સ્થાનાંતરિત કરવા, પ્રક્રિયા કરવા અને તમને પરત કરવા માટે રાહ જોવાની જરૂર નથી. આ કિસ્સામાં, મશીન લર્નિંગ મોડલ સ્થાનિક રીતે અમલમાં મૂકવું જોઈએ.
જ્યારે તમે "હે સિરી" અથવા "ઓકે, ગૂગલ" કહો છો, ત્યારે તમે ઇચ્છો છો કે તમારા ગેજેટ્સ તરત જ પ્રતિસાદ આપે. તમારો અવાજ કોમ્પ્યુટર પર પ્રસારિત થવાની રાહ જોઈ રહ્યા છીએ, જ્યાં તેનું મૂલ્યાંકન કરવામાં આવશે અને ડેટા મેળવવામાં આવશે.
આ સમય લે છે અને વપરાશકર્તા અનુભવ પર હાનિકારક અસર કરે છે. આ કિસ્સામાં, તમે ઇચ્છો છો કે મશીન લર્નિંગ મોડલ સ્થાનિક રીતે પણ કામ કરે. આ તે છે જ્યાં TinyML આવે છે.
આ પોસ્ટમાં, અમે TinyML, તે કેવી રીતે કાર્ય કરે છે, તેના ઉપયોગો, તેની સાથે કેવી રીતે શરૂઆત કરવી અને ઘણું બધું જોઈશું.
શું છે ટીનીએમએલ?
TinyML એ એક અદ્યતન શિસ્ત છે જે મશીન લર્નિંગની ક્રાંતિકારી સંભવિતતાને નાના ઉપકરણો અને એમ્બેડેડ સિસ્ટમ્સના પ્રદર્શન અને શક્તિ મર્યાદાઓ પર લાગુ કરે છે.
આ ઉદ્યોગમાં સફળ જમાવટ માટે એપ્લિકેશન્સ, અલ્ગોરિધમ્સ, હાર્ડવેર અને સોફ્ટવેરની સંપૂર્ણ સમજ જરૂરી છે. તે એક મશીન લર્નિંગ સબજેનર છે જે એમ્બેડેડ સિસ્ટમ્સમાં ડીપ લર્નિંગ અને મશીન લર્નિંગ મોડલ્સનો ઉપયોગ કરે છે જે માઇક્રોકન્ટ્રોલર્સ, ડિજિટલ સિગ્નલ પ્રોસેસર્સ અથવા અન્ય અલ્ટ્રા-લો-પાવર વિશિષ્ટ પ્રોસેસર્સને રોજગારી આપે છે.
TinyML-સક્ષમ એમ્બેડેડ ઉપકરણોનો હેતુ ચોક્કસ કામ માટે મશીન લર્નિંગ અલ્ગોરિધમ ચલાવવાનો છે, ખાસ કરીને ઉપકરણના ભાગ રૂપે ધાર કમ્પ્યુટિંગ.
રિચાર્જિંગ અથવા બેટરી રિપ્લેસમેન્ટ વિના અઠવાડિયા, મહિનાઓ અથવા વર્ષો સુધી ચલાવવા માટે, આ એમ્બેડેડ સિસ્ટમ્સનો પાવર વપરાશ 1 mW કરતા ઓછો હોવો આવશ્યક છે.
તે કેવી રીતે કામ કરે છે?
માઇક્રોકન્ટ્રોલર્સ અને કમ્પ્યુટર્સ સાથે ઉપયોગ કરી શકાય તેવું એકમાત્ર મશીન લર્નિંગ ફ્રેમવર્ક છે ટેન્સરફ્લો લાઇટ. તે ટૂલ્સનો સમૂહ છે જે વિકાસકર્તાઓને તેમના મૉડલને મોબાઇલ, એમ્બેડેડ અને એજ ડિવાઇસ પર ચલાવવા દે છે, જે ફ્લાય પર મશીન લર્નિંગ માટે પરવાનગી આપે છે.
માઇક્રોકન્ટ્રોલરના ઇન્ટરફેસનો ઉપયોગ સેન્સર (જેમ કે માઇક્રોફોન, કેમેરા અથવા એમ્બેડેડ સેન્સર)માંથી ડેટા એકત્રિત કરવા માટે થાય છે.
માઇક્રોકન્ટ્રોલરને મોકલવામાં આવે તે પહેલાં, ડેટાને ક્લાઉડ-આધારિત મશીન લર્નિંગ મોડલમાં સામેલ કરવામાં આવે છે. આ મોડલને તાલીમ આપવા માટે સામાન્ય રીતે ઑફલાઇન મોડમાં બેચની તાલીમનો ઉપયોગ કરવામાં આવે છે. સેન્સર ડેટા જેનો ઉપયોગ કરવામાં આવશે શિક્ષણ અને અનુમાન ચોક્કસ એપ્લિકેશન માટે પહેલેથી જ નક્કી કરવામાં આવ્યું છે.
જો મોડલને વેક વર્ડ શોધવાની તાલીમ આપવામાં આવી રહી હોય, ઉદાહરણ તરીકે, તે માઇક્રોફોનથી સતત ઓડિયો સ્ટ્રીમને હેન્ડલ કરવા માટે પહેલેથી જ સેટઅપ છે.
ટેન્સરફ્લો લાઇટના કિસ્સામાં Google Colab જેવા ક્લાઉડ પ્લેટફોર્મની સહાયથી બધું પહેલેથી જ કરવામાં આવ્યું છે, જેમાં ડેટાસેટની પસંદગી, નોર્મલાઇઝેશન, મોડલનું અંડરફિટિંગ અથવા ઓવરફિટિંગ, રેગ્યુલરાઇઝેશન, ડેટા ઓગમેન્ટેશન, તાલીમ, માન્યતા અને પરીક્ષણનો સમાવેશ થાય છે.
ઑફલાઇન બેચની તાલીમ પછી સંપૂર્ણ પ્રશિક્ષિત મોડલ આખરે રૂપાંતરિત થાય છે અને માઇક્રોકન્ટ્રોલર, માઇક્રોકોમ્પ્યુટર અથવા ડિજિટલ સિગ્નલ પ્રોસેસરમાં ટ્રાન્સફર થાય છે. એમ્બેડેડ ઉપકરણ પર ખસેડ્યા પછી મોડેલમાં કોઈ વધારાની તાલીમ નથી. તેના બદલે, તે મોડેલ લાગુ કરવા માટે ફક્ત સેન્સર અથવા ઇનપુટ ઉપકરણોમાંથી રીઅલ-ટાઇમ ડેટાનો ઉપયોગ કરે છે.
પરિણામે, TinyML મશીન લર્નિંગ મોડલ અસાધારણ રીતે ટકાઉ અને વર્ષો પછી ફરીથી પ્રશિક્ષિત થવા અથવા ક્યારેય ફરીથી પ્રશિક્ષિત ન થવા માટે સક્ષમ હોવું જોઈએ. તમામ સંભવિત મોડલ અંડરફિટિંગ અને ઓવરફિટિંગની તપાસ થવી જોઈએ જેથી મોડલ લાંબા સમય સુધી, આદર્શ રીતે અનિશ્ચિત સમય માટે સુસંગત રહે.
પરંતુ શા માટે TinyML નો ઉપયોગ કરવો?
TinyML એ મૂળભૂત નાના પાયા માટે ક્લાઉડ સેવાઓ પર IoTની નિર્ભરતાને દૂર કરવા અથવા ઘટાડવાના પ્રયાસ તરીકે શરૂ કર્યું. મશીન શિક્ષણ કામગીરી આનાથી એજ ઉપકરણો પર મશીન લર્નિંગ મોડલ્સનો ઉપયોગ જરૂરી બન્યો. તે નીચેના મુખ્ય ફાયદાઓ પ્રદાન કરે છે:
- ઓછી શક્તિ વપરાશ: એક TinyML એપ્લિકેશન પ્રાધાન્યમાં 1 મિલીવોટ કરતાં ઓછી શક્તિનો ઉપયોગ કરે છે. આવા ઓછા-પાવર વપરાશ સાથે, ઉપકરણ મહિનાઓ કે વર્ષો સુધી સેન્સર ડેટામાંથી તારણો મેળવવાનું ચાલુ રાખી શકે છે, પછી ભલે તે સિક્કાની બેટરી દ્વારા સંચાલિત હોય.
- ઓછી કિંમત: તે ઓછી કિંમતના 32-બીટ માઇક્રોકન્ટ્રોલર્સ અથવા ડીએસપી પર ચલાવવા માટે ડિઝાઇન કરવામાં આવી છે. આ માઇક્રોકન્ટ્રોલર્સ સામાન્ય રીતે દરેક થોડા સેન્ટના હોય છે, અને તેમની સાથે વિકસિત કુલ એમ્બેડેડ સિસ્ટમ $50 કરતાં ઓછી છે. નાના મશીન લર્નિંગ પ્રોગ્રામ્સને મોટા સ્કેલ પર ચલાવવા માટે આ ખૂબ જ ખર્ચ-અસરકારક વિકલ્પ છે, અને તે ખાસ કરીને IoT એપ્લિકેશન્સમાં ફાયદાકારક છે જ્યાં મશીન લર્નિંગ લાગુ કરવું આવશ્યક છે.
- ઓછી વિલંબતા: તેની એપ્લીકેશનોમાં લેટન્સી ઓછી હોય છે કારણ કે તેને નેટવર્ક પર ડેટાનું પરિવહન કે વિનિમય કરવાની જરૂર નથી. તમામ સેન્સર ડેટા સ્થાનિક રીતે રેકોર્ડ કરવામાં આવે છે, અને તારણો એક મોડેલનો ઉપયોગ કરીને દોરવામાં આવે છે જે પહેલાથી પ્રશિક્ષિત છે. અનુમાનના પરિણામો લોગીંગ અથવા વધારાની પ્રક્રિયા માટે સર્વર અથવા ક્લાઉડ પર મોકલી શકાય છે, જો કે ઉપકરણ કામ કરવા માટે આ જરૂરી નથી. આ નેટવર્ક લેટન્સીને ઘટાડે છે અને ક્લાઉડ અથવા સર્વર પર મશીન લર્નિંગ ઑપરેશન્સ કરવાની જરૂરિયાતને દૂર કરે છે.
- ગોપનીયતા: તે ઇન્ટરનેટ પર અને વસ્તુઓના ઇન્ટરનેટ સાથે એક મુખ્ય ચિંતા છે. TinyML એપ્સમાં મશીન લર્નિંગ કાર્ય સ્થાનિક રીતે, સેન્સર/વપરાશકર્તા ડેટાને સર્વર/ક્લાઉડ પર સ્ટોર કર્યા વિના અથવા મોકલ્યા વિના કરવામાં આવે છે. પરિણામે, નેટવર્ક સાથે લિંક હોવા છતાં, આ એપ્લિકેશન્સ વાપરવા માટે સલામત છે અને ગોપનીયતા માટે કોઈ જોખમ નથી.
કાર્યક્રમો
- કૃષિ - ક્યારે ખેડૂતો છોડનો ફોટો લે છે, ટેન્સરફ્લો લાઇટની એપ્લિકેશન તેમાં બીમારીઓ શોધી કાઢે છે. તે કોઈપણ ઉપકરણ પર કાર્ય કરે છે અને તેને ઇન્ટરનેટ કનેક્શનની જરૂર નથી. આ પ્રક્રિયા કૃષિ હિતોનું રક્ષણ કરે છે અને ગ્રામીણ ખેડૂતો માટે એક મહત્વપૂર્ણ જરૂરિયાત છે.
- મિકેનિક્સ જાળવણી - TinyML, જ્યારે ઓછી શક્તિવાળા ઉપકરણો પર ઉપયોગમાં લેવાય છે, ત્યારે તે મશીનમાં રહેલી ખામીઓને સતત ઓળખી શકે છે. તે અનુમાન આધારિત જાળવણીનો સમાવેશ કરે છે. ઑસ્ટ્રેલિયન સ્ટાર્ટ-અપ, પિંગ સર્વિસિસે એક IoT ગેજેટ રજૂ કર્યું છે જે ટર્બાઇનની બહારથી પોતાને જોડીને વિન્ડ ટર્બાઇન્સનું નિરીક્ષણ કરે છે. જ્યારે પણ તે કોઈપણ સંભવિત સમસ્યા અથવા ખામી શોધે છે ત્યારે તે અધિકારીઓને સૂચિત કરે છે.
- હોસ્પિટલો - ધ સોલર સ્કેર એક પ્રોજેક્ટ છે. ડેન્ગ્યુ અને મેલેરિયા જેવી બીમારીઓના ફેલાવાને રોકવા માટે મચ્છર TinyML નો ઉપયોગ કરે છે. તે સૌર ઉર્જા દ્વારા સંચાલિત છે અને મચ્છરના સંવર્ધનને અટકાવવા માટે પાણીને સંકેત આપતા પહેલા મચ્છરના સંવર્ધનની સ્થિતિ શોધી કાઢે છે.
- ટ્રાફિક સર્વેલન્સ – દ્વારા રીઅલ-ટાઇમ ટ્રાફિક ડેટા એકત્રિત કરતા સેન્સર્સ પર TinyML લાગુ કરવાથી, અમે તેનો ઉપયોગ વધુ સારી રીતે ડાયરેક્ટ ટ્રાફિક અને ઇમરજન્સી વાહનો માટે પ્રતિભાવ સમય ઘટાડવા માટે કરી શકીએ છીએ. Swim.AI, ઉદાહરણ તરીકે, સ્ટ્રીમિંગ ડેટા પર આ ટેકનો ઉપયોગ મુસાફરોની સલામતી વધારવા માટે કરે છે જ્યારે સ્માર્ટ રૂટીંગ દ્વારા ભીડ અને ઉત્સર્જન પણ ઘટાડે છે.
- લો: TinyML નો ઉપયોગ કાયદાના અમલીકરણમાં મશીન લર્નિંગ અને હાવભાવ ઓળખનો ઉપયોગ કરીને રમખાણ અને ચોરી જેવી ગેરકાયદેસર ક્રિયાઓને ઓળખવા માટે કરી શકાય છે. સમાન પ્રોગ્રામનો ઉપયોગ બેંક એટીએમને સુરક્ષિત કરવા માટે પણ થઈ શકે છે. વપરાશકર્તાની વર્તણૂક જોઈને, TinyML મોડલ અનુમાન લગાવી શકે છે કે શું વપરાશકર્તા વ્યવહાર પૂર્ણ કરનાર વાસ્તવિક ગ્રાહક છે અથવા ATMને હેક કરવાનો અથવા તેને નષ્ટ કરવાનો પ્રયાસ કરનાર ઘુસણખોર છે.
TinyML સાથે કેવી રીતે શરૂઆત કરવી?
TensorFlow Lite માં TinyML સાથે પ્રારંભ કરવા માટે, તમારે એક સુસંગત માઇક્રોકન્ટ્રોલર બોર્ડની જરૂર પડશે. માઇક્રોકન્ટ્રોલર માટે ટેન્સરફ્લો લાઇટ નીચે સૂચિબદ્ધ માઇક્રોકન્ટ્રોલર્સને સપોર્ટ કરે છે.
- Wio ટર્મિનલ: ATSAMD51
- Himax WE-I Plus EVB એન્ડપોઇન્ટ AI વિકાસ બોર્ડ
- STM32F746 ડિસ્કવરી કિટ
- Adafruit EdgeBadge
- Synopsys DesignWare ARC EM સોફ્ટવેર ડેવલપમેન્ટ પ્લેટફોર્મ
- સોની સ્પ્રેસેન્સ
- અરડિનો નેનો 33 બીએલઇ સેન્સ
- સ્પાર્કફન એજ
- માઇક્રોકન્ટ્રોલર્સ કિટ માટે એડફ્રૂટ ટેન્સરફ્લો લાઇટ
- Adafruit સર્કિટ પ્લેગ્રાઉન્ડ બ્લુફ્રૂટ
- Espressif ESP32-DevKitC
- Espressif ESP-EYE
આ 32-બીટ માઇક્રોકન્ટ્રોલર છે જેમાં મશીન લર્નિંગ મોડલ ચલાવવા માટે પૂરતી ફ્લેશ મેમરી, RAM અને ઘડિયાળની આવર્તન છે. બોર્ડમાં સંખ્યાબંધ ઓનબોર્ડ સેન્સર પણ હોય છે જે કોઈપણ એમ્બેડેડ પ્રોગ્રામ ચલાવવા અને લક્ષિત એપ્લિકેશન પર મશીન લર્નિંગ મોડલ્સ લાગુ કરવા સક્ષમ હોય છે. પ્રતિ મશીન લર્નિંગ મોડલ બનાવો, તમારે હાર્ડવેર પ્લેટફોર્મ ઉપરાંત લેપટોપ અથવા કમ્પ્યુટરની જરૂર પડશે.
દરેક હાર્ડવેર પ્લેટફોર્મ પાસે મશીન લર્નિંગ મોડલ્સ બનાવવા, તાલીમ આપવા અને પોર્ટ કરવા માટેના પોતાના પ્રોગ્રામિંગ ટૂલ્સ છે, જે માઇક્રોકન્ટ્રોલર પેકેજ માટે ટેન્સરફ્લો લાઇટનો ઉપયોગ કરે છે. TensorFlow Lite વાપરવા અને સંશોધિત કરવા માટે મફત છે કારણ કે તે છે ઓપન સોર્સ.
TinyML અને TensorFlow Lite સાથે પ્રારંભ કરવા માટે, તમારે ઉપરોક્ત એમ્બેડેડ હાર્ડવેર પ્લેટફોર્મ, કમ્પ્યુટર/લેપટોપ, USB કેબલ, USB-ટુ-સિરિયલ કન્વર્ટર - અને એમ્બેડેડ સિસ્ટમ્સ સાથે મશીન લર્નિંગ પ્રેક્ટિસ કરવાની ઇચ્છાની જરૂર છે. .
પડકારો
ભલે TinyML ની પ્રગતિએ ઘણા સકારાત્મક પરિણામો આપ્યા હોય, મશીન લર્નિંગ ઉદ્યોગ હજુ પણ નોંધપાત્ર અવરોધોનો સામનો કરે છે.
- સૉફ્ટવેરની વિવિધતા - હેન્ડ-કોડિંગ, કોડ જનરેશન, અને ML દુભાષિયા એ TinyML ઉપકરણો પર મોડલ્સ જમાવટ કરવા માટેના બધા વિકલ્પો છે, અને દરેકને અલગ-અલગ સમય અને પ્રયત્ન લાગે છે. આના પરિણામે વિવિધ પ્રદર્શન થઈ શકે છે.
- હાર્ડવેર વિવિધતા - ત્યાં ઘણા હાર્ડવેર વિકલ્પો ઉપલબ્ધ છે. TinyML પ્લેટફોર્મ સામાન્ય હેતુના માઇક્રોકન્ટ્રોલર્સથી લઈને અત્યાધુનિક ન્યુરલ પ્રોસેસર્સ સુધી કંઈપણ હોઈ શકે છે. આ વિવિધ આર્કિટેક્ચરમાં મોડેલ જમાવટ સાથે સમસ્યાઓનું કારણ બને છે.
- મુશ્કેલીનિવારણ/ડિબગીંગ - ક્યારે ML મોડલ ક્લાઉડ પર ખરાબ પ્રદર્શન કરે છે, ડેટાને જોવો અને શું ખોટું થઈ રહ્યું છે તે શોધવું સરળ છે. જ્યારે કોઈ મોડેલ હજારો TinyML ઉપકરણોમાં ફેલાયેલું હોય છે, જેમાં કોઈ ડેટા સ્ટ્રીમ ક્લાઉડ પર પરત આવતો નથી, ત્યારે ડિબગીંગ મુશ્કેલ બની જાય છે અને તેને અલગ પદ્ધતિની જરૂર પડી શકે છે.
- મેમરી અવરોધો - પરંપરાગત પ્લેટફોર્મ્સ, જેમ કે સ્માર્ટફોન અને લેપટોપ્સને ગીગાબાઈટ્સ રેમની જરૂર છે, જ્યારે TinyML ઉપકરણો કિલોબાઈટ અથવા મેગાબાઈટનો ઉપયોગ કરે છે. પરિણામે, જમાવવામાં આવી શકે તેવા મોડેલનું કદ મર્યાદિત છે.
- મોડેલ તાલીમ - જોકે TinyML ઉપકરણો પર ML મૉડલો જમાવવાના ઘણા ફાયદા છે, ML મૉડલોનો મોટો ભાગ હજી પણ ક્લાઉડ પર પુનરાવર્તિત કરવા અને મૉડલની સચોટતામાં સતત સુધારો કરવા માટે પ્રશિક્ષિત છે.
ફ્યુચર
TinyML, તેના નાના ફૂટપ્રિન્ટ, ઓછી બેટરી વપરાશ, અને ઇન્ટરનેટ કનેક્ટિવિટી પરના અભાવ અથવા મર્યાદિત નિર્ભરતા સાથે, ભવિષ્યમાં પ્રચંડ સંભાવના ધરાવે છે, કારણ કે મોટાભાગની સાંકડી કૃત્રિમ બુદ્ધિ ધાર ઉપકરણો અથવા સ્વતંત્ર એમ્બેડેડ ગેજેટ્સ પર લાગુ કરવામાં આવશે.
તે IoT એપ્લિકેશનને વધુ ખાનગી અને સુરક્ષિત બનાવશે. જોકે ટેન્સરફ્લો લાઇટ હાલમાં માઇક્રોકન્ટ્રોલર્સ અને માઇક્રોકોમ્પ્યુટર્સ માટેનું એકમાત્ર મશીન લર્નિંગ માળખું છે, અન્ય તુલનાત્મક ફ્રેમવર્ક જેમ કે સેન્સર અને ARMના CMSIS-NN પર કામ ચાલી રહ્યું છે.
જ્યારે TensorFlow Lite એ એક ઓપન-સોર્સ પ્રોજેક્ટ પ્રગતિમાં છે જે Google ની ટીમ સાથે એક જબરદસ્ત શરૂઆત કરી છે, તેને હજુ પણ મુખ્ય પ્રવાહમાં આવવા માટે સમુદાયના સમર્થનની જરૂર છે.
ઉપસંહાર
TinyML એ એક નવતર અભિગમ છે જે એમ્બેડેડ સિસ્ટમને મશીન લર્નિંગ સાથે જોડે છે. ઘણા વર્ટિકલ્સ અને ડોમેન્સમાં સાંકડી AI શિખરો હોવાથી, ટેક્નોલોજી મશીન લર્નિંગ અને આર્ટિફિશિયલ ઈન્ટેલિજન્સમાં અગ્રણી સબફિલ્ડ તરીકે ઉભરી શકે છે.
તે અસંખ્ય પડકારોનો ઉકેલ પૂરો પાડે છે જેનો IoT સેક્ટર અને ઘણા ડોમેન-વિશિષ્ટ શાખાઓમાં મશીન લર્નિંગ લાગુ કરનારા વ્યાવસાયિકો હવે સામનો કરી રહ્યા છે.
પર મશીન લર્નિંગનો ઉપયોગ કરવાનો ખ્યાલ નાના કમ્પ્યુટિંગ સાથે ધાર ઉપકરણો ફૂટપ્રિન્ટ અને પાવર વપરાશમાં એમ્બેડેડ સિસ્ટમ્સ અને રોબોટિક્સ કેવી રીતે બનાવવામાં આવે છે તે નોંધપાત્ર રીતે પરિવર્તન કરવાની ક્ષમતા ધરાવે છે.
એક જવાબ છોડો