मशीन लर्निंग मॉडल अभी हर जगह हैं। दिन के दौरान, आप शायद इन मॉडलों का उपयोग आपके एहसास से कहीं अधिक करते हैं। मशीन लर्निंग मॉडल का उपयोग सोशल मीडिया ब्राउजिंग, फोटोग्राफिंग और मौसम की जांच जैसे सामान्य कार्यों में किया जाता है।
हो सकता है कि मशीन-लर्निंग एल्गोरिथम ने आपको इस ब्लॉग की सिफारिश की हो। हम सभी ने सुना है कि इन मॉडलों को प्रशिक्षित करने में कितना समय लगता है। हम सभी ने सुना है कि इन मॉडलों को प्रशिक्षित करने में समय लगता है।
हालांकि, इन मॉडलों पर अनुमान लगाना अक्सर कम्प्यूटेशनल रूप से महंगा होता है।
हमें ऐसे कंप्यूटर सिस्टम की आवश्यकता है जो उस दर को संभालने के लिए पर्याप्त तेज़ हों जिस पर हम मशीन लर्निंग सेवाओं का उपयोग कर रहे हैं। नतीजतन, इनमें से अधिकांश मॉडल सीपीयू और जीपीयू क्लस्टर (यहां तक कि कुछ मामलों में टीपीयू) के साथ बड़े पैमाने पर डेटा केंद्रों पर चलाए जाते हैं।
जब आप एक तस्वीर लेते हैं, तो आप चाहते हैं यंत्र अधिगम इसे तुरंत सुधारने के लिए। आप छवि को डेटा सेंटर में स्थानांतरित करने, संसाधित करने और आपको वापस करने के लिए प्रतीक्षा नहीं करना चाहते हैं। इस मामले में, मशीन लर्निंग मॉडल को स्थानीय रूप से निष्पादित किया जाना चाहिए।
जब आप "अरे सिरी" या "ओके, गूगल" कहते हैं, तो आप चाहते हैं कि आपके गैजेट तुरंत प्रतिक्रिया दें। आपकी आवाज के कंप्यूटर पर प्रसारित होने की प्रतीक्षा में, जहां इसका मूल्यांकन किया जाएगा और डेटा प्राप्त किया जाएगा।
इसमें समय लगता है और उपयोगकर्ता अनुभव पर हानिकारक प्रभाव पड़ता है। इस मामले में, आप चाहते हैं कि मशीन लर्निंग मॉडल स्थानीय रूप से भी काम करे। यहीं पर टाइनीएमएल आता है।
इस पोस्ट में, हम TinyML पर गौर करेंगे कि यह कैसे काम करता है, इसके उपयोग, इसके साथ कैसे शुरुआत करें, और भी बहुत कुछ।
एचएमबी क्या है? टाइनीएमएल?
TinyML एक अत्याधुनिक अनुशासन है जो मशीन लर्निंग की क्रांतिकारी क्षमता को छोटे उपकरणों और एम्बेडेड सिस्टम के प्रदर्शन और शक्ति सीमा पर लागू करता है।
इस उद्योग में सफल तैनाती के लिए अनुप्रयोगों, एल्गोरिदम, हार्डवेयर और सॉफ्टवेयर की गहन समझ की आवश्यकता होती है। यह एक मशीन लर्निंग सबजेनर है जो एम्बेडेड सिस्टम में डीप लर्निंग और मशीन लर्निंग मॉडल का उपयोग करता है जो माइक्रोकंट्रोलर, डिजिटल सिग्नल प्रोसेसर या अन्य अल्ट्रा-लो-पावर विशेष प्रोसेसर को नियोजित करता है।
TinyML- सक्षम एम्बेडेड डिवाइस एक विशिष्ट कार्य के लिए मशीन लर्निंग एल्गोरिथम को चलाने के लिए अभिप्रेत है, आमतौर पर डिवाइस के भाग के रूप में बढ़त कंप्यूटिंग.
रिचार्जिंग या बैटरी प्रतिस्थापन के बिना हफ्तों, महीनों या वर्षों तक चलने के लिए, इन एम्बेडेड सिस्टम में 1 मेगावाट से कम बिजली की खपत होनी चाहिए।
यह कैसे काम करता है?
माइक्रोकंट्रोलर और कंप्यूटर के साथ उपयोग किया जा सकने वाला एकमात्र मशीन लर्निंग फ्रेमवर्क है TensorFlow Lite. यह टूल का एक सेट है जो डेवलपर्स को मोबाइल, एम्बेडेड और एज डिवाइस पर अपने मॉडल चलाने देता है, जिससे मशीन सीखने की अनुमति मिलती है।
माइक्रोकंट्रोलर के इंटरफ़ेस का उपयोग सेंसर (जैसे माइक्रोफ़ोन, कैमरा या एम्बेडेड सेंसर) से डेटा एकत्र करने के लिए किया जाता है।
माइक्रोकंट्रोलर को भेजे जाने से पहले, डेटा को क्लाउड-आधारित मशीन लर्निंग मॉडल में शामिल किया जाता है। इन मॉडलों को प्रशिक्षित करने के लिए आमतौर पर ऑफ़लाइन मोड में बैच प्रशिक्षण दिया जाता है। सेंसर डेटा जिसका उपयोग किया जाएगा सीखना और अनुमान विशिष्ट आवेदन के लिए पहले से ही निर्धारित किया गया है।
उदाहरण के लिए, यदि मॉडल को वेक शब्द का पता लगाने के लिए प्रशिक्षित किया जा रहा है, तो यह पहले से ही एक माइक्रोफ़ोन से एक सतत ऑडियो स्ट्रीम को संभालने के लिए सेट किया गया है।
TensorFlow Lite के मामले में Google Colab जैसे क्लाउड प्लेटफ़ॉर्म की सहायता से सब कुछ पहले ही किया जा चुका है, जिसमें डेटासेट चयन, सामान्यीकरण, मॉडल का कम या अधिक होना, नियमितीकरण, डेटा वृद्धि, प्रशिक्षण, सत्यापन और परीक्षण शामिल है।
ऑफ़लाइन बैच प्रशिक्षण के बाद एक पूरी तरह से प्रशिक्षित मॉडल को अंततः माइक्रोकंट्रोलर, माइक्रो कंप्यूटर या डिजिटल सिग्नल प्रोसेसर में बदल दिया जाता है और स्थानांतरित कर दिया जाता है। एम्बेडेड डिवाइस में ले जाने के बाद मॉडल के पास कोई अतिरिक्त प्रशिक्षण नहीं है। इसके बजाय, यह मॉडल को लागू करने के लिए केवल सेंसर या इनपुट डिवाइस से रीयल-टाइम डेटा का उपयोग करता है।
नतीजतन, एक TinyML मशीन लर्निंग मॉडल असाधारण रूप से टिकाऊ होना चाहिए और वर्षों के बाद फिर से प्रशिक्षित होने में सक्षम होना चाहिए या कभी भी फिर से प्रशिक्षित नहीं होना चाहिए। सभी संभावित मॉडल अंडरफिटिंग और ओवरफिटिंग की जांच की जानी चाहिए ताकि मॉडल विस्तारित अवधि के लिए प्रासंगिक बना रहे, आदर्श रूप से अनिश्चित काल तक।
लेकिन TinyML का उपयोग क्यों करें?
TinyML ने बुनियादी छोटे पैमाने के लिए क्लाउड सेवाओं पर IoT की निर्भरता को खत्म करने या कम करने के प्रयास के रूप में शुरू किया यंत्र अधिगम संचालन। इसने स्वयं किनारे के उपकरणों पर मशीन लर्निंग मॉडल के उपयोग को आवश्यक बना दिया। यह निम्नलिखित प्रमुख लाभ प्रदान करता है:
- कम बिजली खपत: एक TinyML एप्लिकेशन को अधिमानतः 1 मिलीवाट से कम बिजली का उपयोग करना चाहिए। इस तरह की कम बिजली की खपत के साथ, एक उपकरण महीनों या वर्षों के लिए सेंसर डेटा से निष्कर्ष निकालना जारी रख सकता है, भले ही एक सिक्का बैटरी द्वारा संचालित हो।
- कम लागत: इसे कम लागत वाले 32-बिट माइक्रोकंट्रोलर या डीएसपी पर चलाने के लिए डिज़ाइन किया गया है। ये माइक्रोकंट्रोलर आम तौर पर कुछ सेंट प्रत्येक होते हैं, और उनके साथ विकसित कुल एम्बेडेड सिस्टम $50 से कम है। छोटे मशीन लर्निंग प्रोग्राम को बड़े पैमाने पर चलाने के लिए यह एक बहुत ही लागत प्रभावी विकल्प है, और यह IoT अनुप्रयोगों में विशेष रूप से फायदेमंद है जहाँ मशीन लर्निंग को लागू किया जाना चाहिए।
- लोअर लेटेंसी: इसके अनुप्रयोगों में कम विलंबता होती है क्योंकि उन्हें नेटवर्क पर डेटा परिवहन या विनिमय करने की आवश्यकता नहीं होती है। सभी सेंसर डेटा स्थानीय रूप से दर्ज किए जाते हैं, और निष्कर्ष एक मॉडल का उपयोग करके तैयार किया जाता है जिसे पहले ही प्रशिक्षित किया जा चुका है। अनुमानों के परिणाम लॉगिंग या अतिरिक्त प्रसंस्करण के लिए सर्वर या क्लाउड पर भेजे जा सकते हैं, हालांकि डिवाइस के काम करने के लिए यह आवश्यक नहीं है। यह नेटवर्क विलंबता को कम करता है और क्लाउड या सर्वर पर मशीन सीखने के संचालन की आवश्यकता को समाप्त करता है।
- निजता: यह इंटरनेट और इंटरनेट ऑफ थिंग्स के साथ एक प्रमुख चिंता का विषय है। TinyML ऐप्स में मशीन सीखने का कार्य स्थानीय रूप से किया जाता है, बिना सेंसर/उपयोगकर्ता डेटा को सर्वर/क्लाउड में संग्रहीत या भेजे बिना। नतीजतन, नेटवर्क से जुड़े होने के बावजूद, ये एप्लिकेशन उपयोग करने के लिए सुरक्षित हैं और कोई गोपनीयता जोखिम नहीं है।
अनुप्रयोगों
- कृषि - कब किसान एक पौधे की तस्वीर लेते हैं, TensorFlow Lite का अनुप्रयोग उसमें बीमारियों का पता लगाता है। यह किसी भी डिवाइस पर काम करता है और इसके लिए इंटरनेट कनेक्शन की आवश्यकता नहीं होती है। प्रक्रिया कृषि हितों की रक्षा करती है और ग्रामीण किसानों के लिए एक महत्वपूर्ण आवश्यकता है।
- यांत्रिकी रखरखाव - TinyML, जब कम-शक्ति वाले उपकरणों पर उपयोग किया जाता है, तो मशीन में लगातार खामियों की पहचान कर सकता है। इसमें भविष्यवाणी-आधारित रखरखाव शामिल है। ऑस्ट्रेलियाई स्टार्ट-अप, पिंग सर्विसेज ने एक IoT गैजेट पेश किया है जो टरबाइन के बाहर खुद को जोड़कर पवन टर्बाइनों की निगरानी करता है। जब भी यह किसी भी संभावित समस्या या खराबी का पता लगाता है तो यह अधिकारियों को सूचित करता है।
- अस्पताल - The सोलर स्केयर एक प्रोजेक्ट है। डेंगू और मलेरिया जैसी बीमारियों के प्रसार को रोकने के लिए मच्छर TinyML का उपयोग करते हैं। यह सौर ऊर्जा द्वारा संचालित है और मच्छरों के प्रजनन को रोकने के लिए पानी को संकेत देने से पहले मच्छरों के प्रजनन की स्थिति का पता लगाता है।
- यातायात निगरानी - By TinyML को उन सेंसरों पर लागू करना जो रीयल-टाइम ट्रैफ़िक डेटा एकत्र करते हैं, हम उनका उपयोग बेहतर प्रत्यक्ष ट्रैफ़िक और आपातकालीन वाहनों के लिए प्रतिक्रिया समय में कटौती करने के लिए कर सकते हैं। उदाहरण के लिए, Swim.AI, स्मार्ट रूटिंग के माध्यम से भीड़भाड़ और उत्सर्जन को कम करते हुए यात्री सुरक्षा बढ़ाने के लिए डेटा स्ट्रीमिंग पर इस तकनीक का उपयोग करता है।
- कानून: TinyML का उपयोग कानून प्रवर्तन में मशीन लर्निंग और जेस्चर पहचान का उपयोग करके दंगा और चोरी जैसे अवैध कार्यों की पहचान करने के लिए किया जा सकता है। इसी तरह के कार्यक्रम का उपयोग बैंक एटीएम को सुरक्षित करने के लिए भी किया जा सकता है। उपयोगकर्ता के व्यवहार को देखकर, एक TinyML मॉडल भविष्यवाणी कर सकता है कि क्या उपयोगकर्ता लेनदेन पूरा करने वाला वास्तविक उपभोक्ता है या एटीएम को हैक करने या नष्ट करने का प्रयास करने वाला घुसपैठिया है।
टाइनीएमएल के साथ शुरुआत कैसे करें?
TensorFlow Lite में TinyML के साथ आरंभ करने के लिए, आपको एक संगत माइक्रोकंट्रोलर बोर्ड की आवश्यकता होगी। माइक्रोकंट्रोलर्स के लिए TensorFlow Lite नीचे सूचीबद्ध माइक्रोकंट्रोलर्स का समर्थन करता है।
- वाईओ टर्मिनल: एटीएसएएमडी51
- हिमैक्स वी-आई प्लस ईवीबी एंडपॉइंट एआई डेवलपमेंट बोर्ड
- STM32F746 डिस्कवरी किट
- एडफ्रूट एजबैज
- Synopsys DesignWare ARC EM सॉफ्टवेयर डेवलपमेंट प्लेटफॉर्म
- सोनी स्पर्सेंस
- अरुडिनो नैनो 33 बीएलई सेंस
- स्पार्कफन एज
- माइक्रोकंट्रोलर किट के लिए एडफ्रूट टेंसरफ्लो लाइट
- एडफ्रूट सर्किट खेल का मैदान ब्लूफ्रूट
- एस्प्रेसिफ ESP32-DevKitC
- एस्प्रेसिफ ESP-EYE
ये 32-बिट माइक्रोकंट्रोलर हैं जिनमें मशीन लर्निंग मॉडल को निष्पादित करने के लिए पर्याप्त फ्लैश मेमोरी, रैम और क्लॉक फ़्रीक्वेंसी है। बोर्ड में कई ऑनबोर्ड सेंसर भी होते हैं जो किसी भी एम्बेडेड प्रोग्राम को चलाने और लक्षित एप्लिकेशन में मशीन लर्निंग मॉडल लागू करने में सक्षम होते हैं। प्रति मशीन लर्निंग मॉडल बनाएं, आपको हार्डवेयर प्लेटफॉर्म के अलावा एक लैपटॉप या कंप्यूटर की आवश्यकता होगी।
मशीन लर्निंग मॉडल के निर्माण, प्रशिक्षण और पोर्टिंग के लिए प्रत्येक हार्डवेयर प्लेटफॉर्म के अपने प्रोग्रामिंग टूल होते हैं, जो माइक्रोकंट्रोलर पैकेज के लिए TensorFlow Lite का उपयोग करते हैं। TensorFlow Lite उपयोग और संशोधित करने के लिए स्वतंत्र है क्योंकि यह है खुला स्रोत.
TinyML और TensorFlow Lite के साथ आरंभ करने के लिए, आपको बस एक उपर्युक्त एम्बेडेड हार्डवेयर प्लेटफ़ॉर्म, एक कंप्यूटर/लैपटॉप, एक USB केबल, एक USB-से-सीरियल कनवर्टर - और एम्बेडेड सिस्टम के साथ मशीन सीखने का अभ्यास करने की इच्छा है। .
चुनौतियां
भले ही टाइनीएमएल की प्रगति के कई सकारात्मक परिणाम मिले हैं, मशीन लर्निंग उद्योग अभी भी काफी बाधाओं का सामना कर रहा है।
- सॉफ्टवेयर विविधता - हाथ से कोडिंग, कोड जनरेशन, और ML दुभाषिए, TinyML उपकरणों पर मॉडल परिनियोजित करने के लिए सभी विकल्प हैं, और प्रत्येक में अलग-अलग समय और प्रयास लगता है। इसके परिणामस्वरूप विभिन्न प्रदर्शन उत्पन्न हो सकते हैं।
- हार्डवेयर विविधता - वहाँ कई हार्डवेयर विकल्प उपलब्ध हैं। TinyML प्लेटफ़ॉर्म सामान्य-उद्देश्य वाले माइक्रोकंट्रोलर से लेकर अत्याधुनिक न्यूरल प्रोसेसर तक कुछ भी हो सकता है। यह विभिन्न आर्किटेक्चर में मॉडल परिनियोजन के साथ समस्याओं का कारण बनता है।
- समस्या निवारण/डिबगिंग - कब एक एमएल मॉडल क्लाउड पर खराब प्रदर्शन करता है, डेटा को देखना और यह पता लगाना आसान है कि क्या गलत हो रहा है। जब एक मॉडल हजारों TinyML उपकरणों में फैला होता है, जिसमें कोई डेटा स्ट्रीम क्लाउड पर वापस नहीं आती है, तो डिबगिंग मुश्किल हो जाती है और एक अलग विधि की आवश्यकता हो सकती है।
- स्मृति बाधाएं - पारंपरिक स्मार्टफोन और लैपटॉप जैसे प्लेटफॉर्म को गीगाबाइट रैम की जरूरत होती है, जबकि टाइनीएमएल डिवाइस किलोबाइट या मेगाबाइट का उपयोग करते हैं। परिणामस्वरूप, परिनियोजित किए जा सकने वाले मॉडल का आकार सीमित है।
- मॉडल प्रशिक्षण - हालांकि TinyML उपकरणों पर ML मॉडल को तैनात करने के कई फायदे हैं, ML मॉडल के थोक को अभी भी क्लाउड पर पुनरावृति करने और मॉडल सटीकता में लगातार सुधार करने के लिए प्रशिक्षित किया जाता है।
भविष्य बनाओ
TinyML, अपने छोटे पदचिह्न, कम बैटरी खपत, और इंटरनेट कनेक्टिविटी की कमी या सीमित निर्भरता के साथ, भविष्य में बहुत अधिक संभावनाएं हैं, क्योंकि अधिकांश संकीर्ण कृत्रिम बुद्धिमत्ता एज डिवाइस या स्वतंत्र एम्बेडेड गैजेट्स पर लागू किया जाएगा।
यह IoT अनुप्रयोगों का लाभ उठाकर उन्हें अधिक निजी और सुरक्षित बना देगा। यद्यपि TensorFlow लाइट वर्तमान में माइक्रोकंट्रोलर और माइक्रो कंप्यूटर के लिए एकमात्र मशीन लर्निंग फ्रेमवर्क है, सेंसर और एआरएम के सीएमएसआईएस-एनएन जैसे अन्य तुलनीय ढांचे पर काम चल रहा है।
जबकि TensorFlow Lite एक ओपन-सोर्स प्रोजेक्ट है जो प्रगति पर है और Google की टीम के साथ एक शानदार शुरुआत हुई है, इसे मुख्यधारा में आने के लिए अभी भी सामुदायिक समर्थन की आवश्यकता है।
निष्कर्ष
TinyML एक नया दृष्टिकोण है जो मशीन लर्निंग के साथ एम्बेडेड सिस्टम को जोड़ती है। जैसे-जैसे संकीर्ण एआई कई कार्यक्षेत्रों और डोमेन में चरम पर होता है, तकनीक मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस में एक प्रमुख उपक्षेत्र के रूप में उभर सकती है।
यह कई चुनौतियों का समाधान प्रदान करता है जो IoT क्षेत्र और कई डोमेन-विशिष्ट विषयों में मशीन लर्निंग को लागू करने वाले पेशेवर अब सामना कर रहे हैं।
मशीन लर्निंग के उपयोग की अवधारणा छोटे कंप्यूटिंग के साथ एज डिवाइस पदचिह्न और बिजली की खपत में महत्वपूर्ण रूप से बदलने की क्षमता है कि कैसे एम्बेडेड सिस्टम और रोबोटिक्स का निर्माण किया जाता है।
एक जवाब लिखें