Bab lan Paragraf[Singidaken][Tampilake]
Model Pembelajaran Mesin saiki ana ing saindenging jagad. Ing wayah awan, sampeyan bisa uga nggunakake model kasebut luwih akeh tinimbang sing sampeyan ngerteni. Model pembelajaran mesin digunakake ing tugas umum kayata browsing media sosial, motret, lan mriksa cuaca.
Algoritma machine-learning bisa uga wis nyaranake blog iki kanggo sampeyan. Kita kabeh wis krungu babagan carane akeh wektu kanggo nglatih model kasebut. Kita kabeh wis krungu manawa latihan model kasebut butuh wektu.
Nanging, nggawe inferensi ing model kasebut asring larang regane.
Kita butuh sistem komputer sing cukup cepet kanggo nangani tingkat panggunaan layanan pembelajaran mesin. Akibaté, mayoritas model iki mbukak ing pusat data massive karo CPU lan GPU kluster (malah TPU ing sawetara kasus).
Nalika sampeyan njupuk gambar, sampeyan pengin learning machine kanggo langsung nambah. Sampeyan ora pengin kudu ngenteni gambar ditransfer menyang pusat data, diproses, lan bali menyang sampeyan. Ing kasus iki, model pembelajaran mesin kudu dieksekusi sacara lokal.
Yen sampeyan ngomong "Hey Siri" utawa "OK, Google," sampeyan pengin gadget sampeyan langsung nanggapi. Ngenteni swara sampeyan dikirim menyang komputer, sing bakal dievaluasi lan data dipikolehi.
Iki mbutuhake wektu lan duweni efek ngrugekake ing pengalaman pangguna. Ing kasus iki, sampeyan pengin model machine learning uga bisa digunakake sacara lokal. Iki ngendi TinyML mlebu.
Ing kirim iki, kita bakal nliti TinyML, cara kerjane, panggunaane, kepiye miwiti, lan liya-liyane.
apa TinyML?
TinyML minangka disiplin mutakhir sing ngetrapake potensial revolusioner pembelajaran mesin kanggo kinerja lan watesan daya piranti cilik lan sistem sing dipasang.
Penyebaran sukses ing industri iki mbutuhake pemahaman sing lengkap babagan aplikasi, algoritma, hardware, lan piranti lunak. Iki minangka subgenre pembelajaran mesin sing nggunakake model pembelajaran jero lan pembelajaran mesin ing sistem sing dipasang sing nggunakake mikrokontroler, pemroses sinyal digital, utawa prosesor khusus ultra-rendah liyane.
Piranti sing dipasang kanthi aktif TinyML dimaksudake kanggo mbukak algoritma pembelajaran mesin kanggo proyek tartamtu, biasane minangka bagean saka piranti komputerisasi pinggiran.
Supaya bisa mlaku nganti pirang-pirang minggu, wulan, utawa malah pirang-pirang taun tanpa ngisi ulang utawa ngganti baterei, sistem sing dipasang iki kudu konsumsi daya kurang saka 1 mW.
Carane ora iku bisa?
Siji-sijine kerangka pembelajaran mesin sing bisa digunakake karo mikrokontroler lan komputer yaiku TensorFlow Lite. Iki minangka sakumpulan alat sing ngidini pangembang mbukak model ing piranti seluler, dipasang, lan pinggiran, supaya bisa sinau mesin kanthi cepet.
Antarmuka mikrokontroler digunakake kanggo ngumpulake data saka sensor (kayata mikropon, kamera, utawa sensor sing dipasang).
Sadurunge dikirim menyang mikrokontroler, data kasebut digabungake menyang model pembelajaran mesin berbasis awan. Latihan batch ing mode offline umume digunakake kanggo nglatih model kasebut. Data sensor sing bakal digunakake kanggo sinau lan inferensi wis ditemtokake kanggo aplikasi tartamtu.
Yen model lagi dilatih kanggo ndeteksi tembung tangi, contone, wis disetel kanggo nangani stream audio terus-terusan saka mikropon.
Kabeh wis rampung kanthi bantuan platform maya kaya Google Colab ing kasus TensorFlow Lite, kalebu pilihan dataset, normalisasi, underfitting utawa overfitting model, regularization, augmentation data, latihan, validasi, lan testing.
Model sing dilatih kanthi lengkap bakal diowahi lan ditransfer menyang mikrokontroler, mikrokomputer, utawa prosesor sinyal digital sawise latihan batch offline. Model kasebut ora duwe latihan tambahan sawise dipindhah menyang piranti sing dipasang. Nanging, mung nggunakake data wektu nyata saka sensor utawa piranti input kanggo ngetrapake model kasebut.
Akibaté, model pembelajaran mesin TinyML kudu awet banget lan bisa dilatih maneh sawise pirang-pirang taun utawa ora bakal dilatih maneh. Kabeh model underfitting lan overfitting potensial kudu diselidiki supaya model tetep relevan kanggo dangu, saenipun tanpa wates.
Nanging kenapa nggunakake TinyML?
TinyML diwiwiti minangka upaya kanggo ngilangi utawa nyuda katergantungan IoT ing layanan awan kanggo skala cilik dhasar. learning machine operasi. Iki mbutuhake nggunakake model pembelajaran mesin ing piranti pinggiran dhewe. Iki menehi keuntungan utama ing ngisor iki:
- Kekuwatan sedheng konsumsi: Aplikasi TinyML luwih becik nggunakake daya kurang saka 1 milliWatt. Kanthi konsumsi daya sing sithik, piranti bisa terus nggawe kesimpulan saka data sensor nganti pirang-pirang wulan utawa taun, sanajan didhukung dening baterei koin.
- Biaya murah: Iki dirancang kanggo mbukak ing murah 32-dicokot microcontrollers utawa DSPs. Mikrokontroler iki biasane sawetara sen saben, lan total sistem ditempelake dikembangaké karo iku kurang saka $50. Iki minangka pilihan sing larang banget kanggo nglakokake program pembelajaran mesin cilik kanthi skala gedhe, lan utamane migunani ing aplikasi IoT ing ngendi pembelajaran mesin kudu diterapake.
- Lower Latency: Aplikasi kasebut nduweni latensi sing sithik amarga ora perlu ngeterake utawa ijol-ijolan data liwat jaringan. Kabeh data sensor direkam sacara lokal, lan kesimpulan digambar nggunakake model sing wis dilatih. Asil inferensi bisa dikirim menyang server utawa awan kanggo logging utawa proses tambahan, sanajan iki ora penting kanggo piranti bisa digunakake. Iki nyilikake latensi jaringan lan ngilangi kabutuhan operasi machine learning sing bakal ditindakake ing awan utawa server.
- Privacy: Iku badhan utama ing internet lan karo internet samubarang. Karya machine learning ing aplikasi TinyML ditindakake sacara lokal, tanpa nyimpen utawa ngirim data sensor/pengguna menyang server/awan. Akibaté, sanajan disambung menyang jaringan, aplikasi kasebut aman kanggo digunakake lan ora ana risiko privasi.
aplikasi
- Pertanian - Nalika petani njupuk foto tanduran, aplikasi TensorFlow Lite ndeteksi penyakit ing. Kerjane ing piranti apa wae lan ora mbutuhake sambungan internet. Prosedur iki nglindhungi kapentingan tetanèn lan minangka kabutuhan kritis kanggo petani deso.
- Maintenance Mekanik – TinyML, yen digunakake ing piranti kurang daya, bisa terus-terusan ngenali cacat ing mesin. Iki mbutuhake pangopènan adhedhasar ramalan. Ping Services, wiwitan Australia, wis ngenalaken gadget IoT sing ngawasi turbin angin kanthi nempelake dhewe ing njaba turbin. Iki menehi kabar marang panguwasa nalika ndeteksi masalah utawa malfungsi sing bisa ditindakake.
- Rumah Sakit – Kab Solar Scare minangka proyek. Nyamuk nggunakake TinyML kanggo nyegah panyebaran penyakit kayata dengue lan malaria. Iki didhukung dening energi solar lan ndeteksi kondisi breeding nyamuk sadurunge menehi tandha banyu kanggo nyegah breeding nyamuk.
- Pengawasan Lalu Lintas – Miturut nglamar TinyML kanggo sensor sing ngumpulake data lalu lintas nyata-wektu, kita bisa digunakake kanggo lalu lintas langsung luwih lan Cut wektu nanggepi kanggo kendaraan darurat. Swim.AI, umpamane, nggunakake teknologi iki kanggo streaming data kanggo nambah safety penumpang lan uga nyuda kemacetan lan emisi liwat rute cerdas.
- Hukum: TinyML bisa digunakake ing penegak hukum kanggo ngenali tumindak ilegal kayata kerusuhan lan nyolong nggunakake machine learning lan pangenalan gerakan. Program sing padha uga bisa digunakake kanggo ngamanake ATM bank. Kanthi nonton prilaku pangguna, model TinyML bisa prédhiksi manawa pangguna minangka konsumen nyata sing ngrampungake transaksi utawa penyusup sing nyoba hack utawa ngrusak ATM.
Kepiye carane miwiti nganggo TinyML?
Kanggo miwiti nganggo TinyML ing TensorFlow Lite, sampeyan butuh papan mikrokontroler sing kompatibel. TensorFlow Lite for Microcontrollers ndhukung mikrokontroler ing ngisor iki.
- Terminal Wio: ATSAMD51
- Himax WE-I Plus EVB Endpoint AI Development Board
- STM32F746 Discovery kit
- Adafruit EdgeBadge
- Synopsys DesignWare ARC EM Software Development Platform
- Sony Spressense Kab
- Arduino Nano 33 BLE Sense
- SparkFun Edge
- Adafruit TensorFlow Lite kanggo Microcontrollers Kit
- Sirkuit Adafruit Playground Bluefruit
- Espressif ESP32-DevKitC
- Espressif ESP-EYE
Iki minangka mikrokontroler 32-bit sing duwe memori lampu kilat, RAM, lan frekuensi jam sing cukup kanggo nglakokake model pembelajaran mesin. Papan kasebut uga duwe sawetara sensor onboard sing bisa mbukak program sing dipasang lan ngetrapake model pembelajaran mesin menyang aplikasi sing ditargetake. Kanggo mbangun model pembelajaran mesin, sampeyan butuh laptop utawa komputer saliyane platform hardware.
Saben platform hardware duwe alat pemrograman dhewe kanggo mbangun, latihan, lan porting model pembelajaran mesin, sing nggunakake paket TensorFlow Lite kanggo Microcontrollers. TensorFlow Lite gratis kanggo nggunakake lan ngowahi amarga iku mbukak sumber.
Kanggo miwiti nganggo TinyML lan TensorFlow Lite, sampeyan mung butuh salah siji saka platform hardware sing wis kasebut ing ndhuwur, komputer/laptop, kabel USB, konverter USB-to-Serial - lan kepinginan kanggo latihan mesin sinau nganggo sistem sing dipasang. .
tantangan
Sanajan kemajuan TinyML wis ngasilake akeh asil sing positif, industri pembelajaran mesin isih ngadhepi alangan sing akeh.
- bhinéka piranti lunak - Hand-coding, generasi kode, lan juru basa ML kabeh pilihan kanggo deploying model ing piranti TinyML, lan saben njupuk jumlah wektu lan gaweyan beda. Pertunjukan sing beda-beda bisa kedadeyan amarga iki.
- bhinéka hardware - Ana sawetara opsi hardware kasedhiya. Platform TinyML bisa dadi apa wae saka mikrokontroler tujuan umum nganti pemroses saraf sing canggih. Iki nyebabake masalah karo panyebaran model ing macem-macem arsitektur.
- Ngatasi masalah / debugging - Nalika model ML performs kurang ing maya, iku prasaja dipikir ing data lan tokoh metu apa salah. Nalika model nyebar ing ewonan piranti TinyML, tanpa aliran data sing bali menyang awan, debugging dadi angel lan mbutuhake cara sing beda.
- Watesan memori - Tradisional platform, kayata smartphone lan laptop, mbutuhake gigabyte RAM, dene piranti TinyML nggunakake kilobyte utawa megabyte. Akibaté, ukuran model sing bisa disebarake diwatesi.
- Latihan model - Senajan ana sawetara kaluwihan kanggo nyebarake model ML ing piranti TinyML, akeh model ML isih dilatih ing awan kanggo ngulang lan terus nambah akurasi model.
Future
TinyML, kanthi tilas cilik, konsumsi baterei sithik, lan kurang utawa katergantungan winates ing konektivitas internet, nduweni potensi gedhe ing mangsa ngarep, amarga mayoritas sempit. Kacerdhasan gawéyan bakal dileksanakake ing piranti pinggiran utawa Gadgets ditempelake sawijining.
Iki bakal nggawe aplikasi IoT luwih pribadi lan aman kanthi nggunakake. Sanadyan TensorFlow Lite saiki dadi siji-sijine kerangka sinau mesin kanggo mikrokontroler lan mikrokomputer, kerangka kerja liyane sing bisa dibandhingake kayata sensor lan CMSIS-NN ARM lagi digarap.
Nalika TensorFlow Lite minangka proyek open-source sing diwiwiti kanthi apik karo Tim Google, nanging isih butuh dhukungan komunitas kanggo mlebu ing arus utama.
kesimpulan
TinyML minangka pendekatan anyar sing nggabungake sistem sing dipasang karo pembelajaran mesin. Minangka puncak AI sing sempit ing pirang-pirang vertikal lan domain, teknologi kasebut bisa muncul minangka subfield sing penting ing pembelajaran mesin lan intelijen buatan.
Iki menehi solusi kanggo akeh tantangan sing ditindakake dening sektor IoT lan profesional sing ngetrapake pembelajaran mesin menyang akeh disiplin khusus domain sing saiki diadhepi.
Konsep nggunakake machine learning ing piranti pinggiran karo komputasi cilik tilas lan konsumsi daya duweni potensi kanggo ngowahi cara sistem lan robot sing dipasang.
Ninggalake a Reply