ម៉ូដែល Machine Learning មានគ្រប់កន្លែងឥឡូវនេះ។ ក្នុងអំឡុងពេលថ្ងៃ អ្នកប្រហែលជាប្រើប្រាស់ម៉ូដែលទាំងនេះច្រើនជាងអ្វីដែលអ្នកដឹង។ គំរូសិក្សាម៉ាស៊ីនត្រូវបានប្រើប្រាស់ក្នុងកិច្ចការទូទៅដូចជា ការរុករកប្រព័ន្ធផ្សព្វផ្សាយសង្គម ការថតរូប និងការពិនិត្យមើលអាកាសធាតុ។
ក្បួនដោះស្រាយការរៀនតាមម៉ាស៊ីនប្រហែលជាបានណែនាំប្លក់នេះដល់អ្នក។ យើងទាំងអស់គ្នាបានឮអំពីរបៀបដែលវាចំណាយពេលច្រើនក្នុងការហ្វឹកហាត់ម៉ូដែលទាំងនេះ។ យើងទាំងអស់គ្នាធ្លាប់លឺថាការបណ្តុះបណ្តាលម៉ូដែលទាំងនេះគឺចំណាយពេលច្រើន។
ទោះជាយ៉ាងណាក៏ដោយ ការធ្វើការសន្និដ្ឋានលើម៉ូដែលទាំងនេះច្រើនតែមានតម្លៃថ្លៃក្នុងការគណនា។
យើងត្រូវការប្រព័ន្ធកុំព្យូទ័រដែលមានល្បឿនលឿនគ្រប់គ្រាន់ដើម្បីគ្រប់គ្រងអត្រាដែលយើងកំពុងប្រើប្រាស់សេវាកម្មរៀនម៉ាស៊ីន។ ជាលទ្ធផល ភាគច្រើននៃម៉ូដែលទាំងនេះដំណើរការលើមជ្ឈមណ្ឌលទិន្នន័យដ៏ធំជាមួយនឹងចង្កោម CPU និង GPU (សូម្បីតែ TPUs ក្នុងករណីខ្លះ) ។
នៅពេលអ្នកថតរូបអ្នកចង់ ការរៀនម៉ាស៊ីន ដើម្បីកែលម្អវាភ្លាមៗ។ អ្នកមិនចង់ត្រូវរង់ចាំរូបភាពត្រូវបានផ្ទេរទៅមជ្ឈមណ្ឌលទិន្នន័យ ដំណើរការ និងត្រឡប់មកអ្នកវិញទេ។ ក្នុងករណីនេះ គំរូរៀនម៉ាស៊ីនគួរតែត្រូវបានប្រតិបត្តិក្នុងមូលដ្ឋាន។
នៅពេលអ្នកនិយាយថា "Hey Siri" ឬ "OK Google" អ្នកចង់ឱ្យឧបករណ៍របស់អ្នកឆ្លើយតបភ្លាមៗ។ កំពុងរង់ចាំសំឡេងរបស់អ្នកត្រូវបានបញ្ជូនទៅកាន់កុំព្យូទ័រ ដែលវានឹងត្រូវបានគេវាយតម្លៃ និងទទួលបានទិន្នន័យ។
វាត្រូវការពេលវេលា និងមានឥទ្ធិពលអាក្រក់ទៅលើបទពិសោធន៍អ្នកប្រើប្រាស់។ ក្នុងករណីនេះ អ្នកចង់ឱ្យគំរូរៀនម៉ាស៊ីនដំណើរការក្នុងមូលដ្ឋានផងដែរ។ នេះគឺជាកន្លែងដែល TinyML ចូលមក។
នៅក្នុងការប្រកាសនេះ យើងនឹងពិនិត្យមើល TinyML របៀបដែលវាដំណើរការ ការប្រើប្រាស់របស់វា របៀបចាប់ផ្តើមជាមួយវា និងច្រើនទៀត។
តើអ្វីជា TinyML?
TinyML គឺជាវិន័យដ៏ទំនើបដែលអនុវត្តសក្តានុពលបដិវត្តនៃការរៀនម៉ាស៊ីនទៅនឹងការអនុវត្ត និងដែនកំណត់ថាមពលនៃឧបករណ៍តូចៗ និងប្រព័ន្ធបង្កប់។
ការដាក់ឱ្យប្រើប្រាស់ដោយជោគជ័យនៅក្នុងឧស្សាហកម្មនេះ ទាមទារការយល់ដឹងឱ្យបានហ្មត់ចត់អំពីកម្មវិធី ក្បួនដោះស្រាយ ផ្នែករឹង និងសូហ្វវែរ។ វាគឺជាប្រភេទរងនៃការរៀនម៉ាស៊ីនដែលប្រើការរៀនស៊ីជម្រៅ និងគំរូរៀនម៉ាស៊ីននៅក្នុងប្រព័ន្ធបង្កប់ដែលប្រើឧបករណ៍បញ្ជាមីក្រូកុងទ័រ ដំណើរការសញ្ញាឌីជីថល ឬប្រព័ន្ធដំណើរការឯកទេសថាមពលទាបផ្សេងទៀត។
ឧបករណ៍បង្កប់ដែលបើកដំណើរការ TinyML មានបំណងដំណើរការក្បួនដោះស្រាយការរៀនម៉ាស៊ីនសម្រាប់ការងារជាក់លាក់មួយ ជាធម្មតាជាផ្នែកមួយនៃឧបករណ៍ កុំព្យូទ័រគែម.
ដើម្បីដំណើរការបានច្រើនសប្តាហ៍ ខែ ឬច្រើនឆ្នាំ ដោយមិនចាំបាច់បញ្ចូលថ្ម ឬប្តូរថ្ម ប្រព័ន្ធដែលបានបង្កប់ទាំងនេះត្រូវតែមានការប្រើប្រាស់ថាមពលតិចជាង 1 mW។
តើវាដំណើរការយ៉ាងដូចម្តេច?
ក្របខ័ណ្ឌការរៀនម៉ាស៊ីនតែមួយគត់ដែលអាចប្រើជាមួយ microcontrollers និងកុំព្យូទ័រគឺ TensorFlow Lite. វាជាសំណុំឧបករណ៍ដែលអនុញ្ញាតឱ្យអ្នកអភិវឌ្ឍន៍ដំណើរការម៉ូដែលរបស់ពួកគេនៅលើឧបករណ៍ចល័ត បង្កប់ និងគែម ដែលអនុញ្ញាតឱ្យមានការរៀនម៉ាស៊ីនភ្លាមៗ។
ចំណុចប្រទាក់របស់ microcontroller ត្រូវបានប្រើប្រាស់ដើម្បីប្រមូលទិន្នន័យពីឧបករណ៍ចាប់សញ្ញា (ដូចជាមីក្រូហ្វូន កាមេរ៉ា ឬឧបករណ៍ចាប់សញ្ញាដែលបានបង្កប់)។
មុនពេលបញ្ជូនទៅកាន់ microcontroller ទិន្នន័យត្រូវបានដាក់បញ្ចូលទៅក្នុង cloud-based machine learning model។ ការហ្វឹកហ្វឺនជាបាច់នៅក្នុងរបៀបក្រៅបណ្តាញត្រូវបានប្រើប្រាស់ជាទូទៅដើម្បីបណ្តុះបណ្តាលម៉ូដែលទាំងនេះ។ ទិន្នន័យឧបករណ៍ចាប់សញ្ញាដែលនឹងត្រូវបានប្រើសម្រាប់ ការរៀននិងការសន្និដ្ឋាន ត្រូវបានកំណត់រួចហើយសម្រាប់កម្មវិធីជាក់លាក់។
ឧទាហរណ៍ ប្រសិនបើគំរូកំពុងត្រូវបានបណ្តុះបណ្តាលដើម្បីរកឱ្យឃើញពាក្យដាស់តឿននោះ វាត្រូវបានតំឡើងរួចហើយដើម្បីគ្រប់គ្រងការផ្សាយសំឡេងបន្តពីមីក្រូហ្វូន។
អ្វីគ្រប់យ៉ាងត្រូវបានធ្វើរួចដោយមានជំនួយពីវេទិកាពពកដូចជា Google Colab ក្នុងករណី TensorFlow Lite រួមទាំងការជ្រើសរើសសំណុំទិន្នន័យ ការធ្វើឱ្យមានលក្ខណៈធម្មតា ការធ្វើឱ្យទាន់សម័យ ឬលើសទម្ងន់នៃគំរូ ការធ្វើទៀងទាត់ ការបង្កើនទិន្នន័យ ការបណ្តុះបណ្តាល សុពលភាព និងការធ្វើតេស្ត។
គំរូដែលត្រូវបានបណ្តុះបណ្តាលពេញលេញនៅទីបំផុតត្រូវបានផ្លាស់ប្តូរ និងផ្ទេរទៅ microcontroller, microcomputer, ឬ digital signal processor បន្ទាប់ពីការបណ្តុះបណ្តាលបណ្តុំក្រៅបណ្តាញ។ ម៉ូដែលនេះមិនមានការបណ្តុះបណ្តាលបន្ថែមទេ បន្ទាប់ពីត្រូវបានផ្លាស់ទីទៅឧបករណ៍បង្កប់។ ផ្ទុយទៅវិញ វាប្រើតែទិន្នន័យពេលវេលាពិតពីឧបករណ៍ចាប់សញ្ញា ឬឧបករណ៍បញ្ចូលដើម្បីអនុវត្តគំរូប៉ុណ្ណោះ។
ជាលទ្ធផល គំរូសិក្សាម៉ាស៊ីន TinyML ត្រូវតែប្រើប្រាស់បានយូរ និងមានសមត្ថភាពអាចហ្វឹកហាត់ឡើងវិញបានបន្ទាប់ពីច្រើនឆ្នាំ ឬមិនដែលត្រូវបានបង្ហាត់ឡើងវិញ។ ម៉ូដែលដែលមានសក្តានុពលទាំងអស់ដែលមិនសូវសម និងហួសកម្រិតត្រូវតែត្រូវបានស៊ើបអង្កេត ដូច្នេះគំរូនៅតែមានជាប់ទាក់ទងសម្រាប់រយៈពេលបន្ថែមមួយ តាមឧត្ដមគតិដោយគ្មានកំណត់។
ប៉ុន្តែហេតុអ្វីបានជាប្រើ TinyML?
TinyML បានចាប់ផ្តើមជាកិច្ចខិតខំប្រឹងប្រែងដើម្បីលុបបំបាត់ ឬកាត់បន្ថយការពឹងផ្អែករបស់ IoT លើសេវាកម្មពពកសម្រាប់ខ្នាតតូចជាមូលដ្ឋាន ការរៀនម៉ាស៊ីន ប្រតិបត្តិការ។ នេះតម្រូវឱ្យប្រើម៉ូដែលរៀនម៉ាស៊ីននៅលើឧបករណ៍គែមខ្លួនឯង។ វាផ្តល់អត្ថប្រយោជន៍សំខាន់ៗដូចខាងក្រោមៈ
- ថាមពលទាប ការប្រើប្រាស់៖ កម្មវិធី TinyML គួរតែប្រើប្រាស់ថាមពលតិចជាង 1 មីលីវ៉ាត់។ ជាមួយនឹងការប្រើប្រាស់ថាមពលទាបបែបនេះ ឧបករណ៍អាចបន្តទាញយកការសន្និដ្ឋានពីទិន្នន័យឧបករណ៍ចាប់សញ្ញាសម្រាប់ខែ ឬច្រើនឆ្នាំ បើទោះបីជាថាមពលថ្មកាក់ក៏ដោយ។
- ថ្លៃដើមទាប។៖ វាត្រូវបានរចនាឡើងដើម្បីដំណើរការលើ microcontrollers ឬ DSPs 32-bit តម្លៃទាប។ microcontrollers ទាំងនេះជាធម្មតាមានតម្លៃពីរបីសេននីមួយៗ ហើយប្រព័ន្ធបង្កប់សរុបដែលបានបង្កើតជាមួយពួកគេគឺតិចជាង $50។ នេះគឺជាជម្រើសដ៏មានប្រសិទ្ធភាពបំផុតសម្រាប់ការដំណើរការកម្មវិធីរៀនម៉ាស៊ីនតិចតួចនៅលើខ្នាតធំ ហើយវាមានប្រយោជន៍ជាពិសេសនៅក្នុងកម្មវិធី IoT ដែលការរៀនម៉ាស៊ីនត្រូវតែអនុវត្ត។
- ភាពយឺតយ៉ាវទាប៖ កម្មវិធីរបស់វាមានភាពយឺតយ៉ាវទាប ដោយសារវាមិនចាំបាច់ដឹកជញ្ជូន ឬផ្លាស់ប្តូរទិន្នន័យតាមបណ្តាញ។ ទិន្នន័យឧបករណ៍ចាប់សញ្ញាទាំងអស់ត្រូវបានកត់ត្រាក្នុងមូលដ្ឋាន ហើយការសន្និដ្ឋានត្រូវបានទាញដោយប្រើគំរូដែលត្រូវបានបណ្តុះបណ្តាលរួចហើយ។ លទ្ធផលនៃការសន្និដ្ឋានអាចត្រូវបានផ្ញើទៅកាន់ម៉ាស៊ីនមេ ឬពពកសម្រាប់ការកត់ត្រា ឬដំណើរការបន្ថែម ទោះបីជាវាមិនសំខាន់សម្រាប់ឧបករណ៍ដើម្បីដំណើរការក៏ដោយ។ នេះកាត់បន្ថយភាពយឺតយ៉ាវក្នុងបណ្តាញ និងលុបបំបាត់តម្រូវការសម្រាប់ប្រតិបត្តិការសិក្សាម៉ាស៊ីនដែលត្រូវអនុវត្តនៅលើពពក ឬម៉ាស៊ីនមេ។
- ភាពឯកជន៖ វាជាការព្រួយបារម្ភយ៉ាងខ្លាំងនៅលើអ៊ីនធឺណិត និងជាមួយនឹងអ៊ីនធឺណិត។ ការងាររៀនម៉ាស៊ីននៅក្នុងកម្មវិធី TinyML ត្រូវបានអនុវត្តនៅក្នុងមូលដ្ឋាន ដោយមិនរក្សាទុក ឬផ្ញើទិន្នន័យឧបករណ៍ចាប់សញ្ញា/អ្នកប្រើប្រាស់ទៅកាន់ម៉ាស៊ីនមេ/ពពក។ ជាលទ្ធផល ទោះបីជានៅពេលភ្ជាប់ទៅបណ្តាញក៏ដោយ កម្មវិធីទាំងនេះមានសុវត្ថិភាពក្នុងការប្រើប្រាស់ និងមិនមានហានិភ័យឯកជនភាពឡើយ។
ការកម្មវិធី
- កសិកម្ម - ពេលណា កសិករថតរូបរុក្ខជាតិ កម្មវិធី TensorFlow Lite រកឃើញជំងឺនៅក្នុងវា។ វាដំណើរការលើឧបករណ៍ណាមួយ ហើយមិនត្រូវការការតភ្ជាប់អ៊ីនធឺណិតទេ។ នីតិវិធីនេះការពារផលប្រយោជន៍កសិកម្ម និងជាកត្តាចាំបាច់សម្រាប់កសិករនៅតាមជនបទ។
- ការថែទាំមេកានិច - TinyML នៅពេលប្រើលើឧបករណ៍ដែលមានថាមពលទាប អាចបន្តកំណត់អត្តសញ្ញាណកំហុសនៅក្នុងម៉ាស៊ីន។ វារួមបញ្ចូលការថែទាំដោយផ្អែកលើការព្យាករណ៍។ Ping Services ដែលជាក្រុមហ៊ុនចាប់ផ្តើមដំបូងរបស់អូស្ត្រាលី បានបង្ហាញឧបករណ៍ IoT ដែលត្រួតពិនិត្យទួរប៊ីនខ្យល់ដោយភ្ជាប់ខ្លួនវាទៅនឹងទួរប៊ីនខាងក្រៅ។ វាជូនដំណឹងដល់អាជ្ញាធរគ្រប់ពេលដែលវារកឃើញបញ្ហាដែលអាចកើតមាន ឬដំណើរការខុសប្រក្រតី។
- មន្ទីរពេទ្យ - អេ Solar Scare គឺជាគម្រោងមួយ។ មូសប្រើ TinyML ដើម្បីបញ្ឈប់ការរីករាលដាលនៃជំងឺដូចជាគ្រុនឈាម និងគ្រុនចាញ់។ វាត្រូវបានបំពាក់ដោយថាមពលពន្លឺព្រះអាទិត្យ និងរកឃើញលក្ខខណ្ឌនៃការបង្កាត់ពូជមូស មុនពេលផ្តល់សញ្ញាទឹកដើម្បីទប់ស្កាត់ការបង្កាត់ពូជមូស។
- ការតាមដានចរាចរណ៍ - ដោយ ការប្រើប្រាស់ TinyML ទៅនឹងឧបករណ៍ចាប់សញ្ញាដែលប្រមូលទិន្នន័យចរាចរណ៍តាមពេលវេលាជាក់ស្តែង យើងអាចប្រើប្រាស់ពួកវាដើម្បីដឹកនាំចរាចរណ៍បានប្រសើរជាងមុន និងកាត់បន្ថយពេលវេលាឆ្លើយតបសម្រាប់រថយន្តសង្គ្រោះបន្ទាន់។ ជាឧទាហរណ៍ Swim.AI ប្រើប្រាស់បច្ចេកវិទ្យានេះលើការផ្សាយទិន្នន័យ ដើម្បីបង្កើនសុវត្ថិភាពអ្នកដំណើរ ខណៈពេលដែលកាត់បន្ថយការកកស្ទះ និងការបំភាយឧស្ម័នតាមរយៈផ្លូវឆ្លាតវៃ។
- ច្បាប់៖ TinyML អាចត្រូវបានប្រើក្នុងការអនុវត្តច្បាប់ដើម្បីកំណត់សកម្មភាពខុសច្បាប់ដូចជាកុប្បកម្ម និងការលួចដោយប្រើម៉ាស៊ីនរៀននិងការសម្គាល់កាយវិការ។ កម្មវិធីស្រដៀងគ្នានេះក៏អាចត្រូវបានប្រើដើម្បីធានាម៉ាស៊ីន ATM របស់ធនាគារផងដែរ។ តាមរយៈការមើលអាកប្បកិរិយារបស់អ្នកប្រើ គំរូ TinyML អាចទស្សន៍ទាយថាតើអ្នកប្រើប្រាស់គឺជាអ្នកប្រើប្រាស់ពិតប្រាកដដែលបំពេញប្រតិបត្តិការ ឬអ្នកឈ្លានពានប៉ុនប៉ងលួច ឬបំផ្លាញម៉ាស៊ីនអេធីអឹម។
តើធ្វើដូចម្តេចដើម្បីចាប់ផ្តើមជាមួយ TinyML?
ដើម្បីចាប់ផ្តើមជាមួយ TinyML នៅក្នុង TensorFlow Lite អ្នកនឹងត្រូវការបន្ទះ microcontroller ដែលត្រូវគ្នា។ TensorFlow Lite សម្រាប់ Microcontrollers គាំទ្រ microcontrollers ដែលបានរាយខាងក្រោម។
- ស្ថានីយ Wio៖ ATSAMD51
- Himax WE-I Plus EVB Endpoint ក្រុមប្រឹក្សាអភិវឌ្ឍន៍ AI
- ឧបករណ៍ស្វែងរក STM32F746
- Adafruit EdgeBadge
- Synopsys DesignWare ARC EM វេទិកាអភិវឌ្ឍន៍កម្មវិធី
- ក្រុមហ៊ុន Sony Spresense
- អារម្មណ៍ Arduino Nano 33 BLE
- SparkFun Edge
- Adafruit TensorFlow Lite សម្រាប់កញ្ចប់ឧបករណ៍បញ្ជាមីក្រូ
- សួនកុមារ Adafruit Circuit Bluefruit
- Espressif ESP32-DevKitC
- Espressif ESP-EYE
ទាំងនេះគឺជា microcontrollers 32-bit ដែលមានអង្គចងចាំ flash, RAM និងប្រេកង់នាឡិកាគ្រប់គ្រាន់ ដើម្បីប្រតិបត្តិនូវ machine learning model។ ក្តារបន្ទះក៏មានឧបករណ៍ចាប់សញ្ញានៅលើយន្តហោះមួយចំនួនដែលមានសមត្ថភាពដំណើរការកម្មវិធីបង្កប់ណាមួយ និងអនុវត្តគំរូសិក្សាម៉ាស៊ីនទៅកម្មវិធីគោលដៅ។ ទៅ បង្កើតគំរូរៀនម៉ាស៊ីនអ្នកនឹងត្រូវការកុំព្យូទ័រយួរដៃ ឬកុំព្យូទ័របន្ថែមលើវេទិកាផ្នែករឹង។
វេទិកាផ្នែករឹងនីមួយៗមានឧបករណ៍សរសេរកម្មវិធីផ្ទាល់ខ្លួនសម្រាប់ការសាងសង់ ការបណ្តុះបណ្តាល និងការបញ្ជូនម៉ូដែលរៀនម៉ាស៊ីន ដែលប្រើប្រាស់កញ្ចប់ TensorFlow Lite សម្រាប់ Microcontrollers ។ TensorFlow Lite គឺឥតគិតថ្លៃក្នុងការប្រើប្រាស់ និងកែប្រែព្រោះវាជា ប្រភពបើកចំហ.
ដើម្បីចាប់ផ្តើមជាមួយ TinyML និង TensorFlow Lite អ្វីទាំងអស់ដែលអ្នកត្រូវការគឺជាផ្នែកមួយនៃវេទិកាផ្នែករឹងដែលបានបង្កប់ខាងលើ កុំព្យូទ័រ/កុំព្យូទ័រយួរដៃ ខ្សែ USB ឧបករណ៍បំប្លែង USB ទៅ Serial - និងបំណងប្រាថ្នាដើម្បីអនុវត្តការរៀនម៉ាស៊ីនជាមួយប្រព័ន្ធបង្កប់។ .
បញ្ហាប្រឈម
ទោះបីជាការរីកចម្រើនរបស់ TinyML បានផ្តល់លទ្ធផលវិជ្ជមានជាច្រើនក៏ដោយ ក៏ឧស្សាហកម្មរៀនម៉ាស៊ីននៅតែប្រឈមមុខនឹងឧបសគ្គជាច្រើន។
- ភាពសម្បូរបែបនៃកម្មវិធី - ការសរសេរកូដដោយដៃការបង្កើតកូដ និងអ្នកបកប្រែ ML គឺជាជម្រើសទាំងអស់សម្រាប់ការដាក់ពង្រាយម៉ូដែលនៅលើឧបករណ៍ TinyML ហើយនីមួយៗត្រូវការពេលវេលា និងការខិតខំប្រឹងប្រែងខុសៗគ្នា។ ការសម្តែងផ្សេងៗគ្នាអាចកើតឡើងជាលទ្ធផលនៃរឿងនេះ។
- ភាពចម្រុះផ្នែករឹង - នៅទីនោះ មានជម្រើសផ្នែករឹងមួយចំនួន។ វេទិកា TinyML អាចជាអ្វីទាំងអស់ពី microcontrollers គោលបំណងទូទៅ រហូតដល់ប្រព័ន្ធដំណើរការសរសៃប្រសាទដែលទំនើបបំផុត។ វាបណ្តាលឱ្យមានបញ្ហាជាមួយនឹងការដាក់ពង្រាយគំរូនៅទូទាំងស្ថាបត្យកម្មផ្សេងៗគ្នា។
- ការដោះស្រាយបញ្ហា / បំបាត់កំហុស - ពេលណា គំរូ ML ដំណើរការមិនល្អនៅលើពពក វាសាមញ្ញក្នុងការមើលទិន្នន័យ និងស្វែងយល់ថាតើមានអ្វីខុស។ នៅពេលដែលគំរូមួយត្រូវបានរីករាលដាលនៅលើឧបករណ៍ TinyML រាប់ពាន់ ដោយគ្មានស្ទ្រីមទិន្នន័យត្រឡប់ទៅពពកវិញ ការកែកំហុសក្លាយជាការលំបាក ហើយប្រហែលជាត្រូវការវិធីសាស្ត្រផ្សេង។
- ឧបសគ្គនៃការចងចាំ - ប្រពៃណី វេទិកា ដូចជាស្មាតហ្វូន និងកុំព្យូទ័រយួរដៃ ត្រូវការ RAM ទំហំជីហ្គាបៃ ចំណែកឧបករណ៍ TinyML ប្រើគីឡូបៃ ឬមេកាបៃ។ ជាលទ្ធផលទំហំនៃគំរូដែលអាចដាក់ពង្រាយត្រូវបានកំណត់។
- ការបណ្តុះបណ្តាលគំរូ - ទោះបីជា មានអត្ថប្រយោជន៍ជាច្រើនក្នុងការដាក់ពង្រាយម៉ូដែល ML នៅលើឧបករណ៍ TinyML ភាគច្រើននៃម៉ូដែល ML នៅតែត្រូវបានបណ្តុះបណ្តាលនៅលើពពក ដើម្បីធ្វើការរំលឹកឡើងវិញ និងបន្តកែលម្អភាពត្រឹមត្រូវនៃម៉ូដែល។
នាពេលអនាគត
TinyML ដែលមានទំហំតូច ការប្រើប្រាស់ថ្មតិច និងការពឹងផ្អែកមានកម្រិតលើការតភ្ជាប់អ៊ីនធឺណិត មានសក្ដានុពលដ៏ធំសម្បើមនាពេលអនាគត ដោយសារភាគច្រើននៃតូចចង្អៀត។ ក្លែងបន្លំ នឹងត្រូវបានអនុវត្តនៅលើឧបករណ៍គែម ឬឧបករណ៍បង្កប់ឯករាជ្យ។
វានឹងធ្វើឱ្យកម្មវិធី IoT កាន់តែមានលក្ខណៈឯកជន និងមានសុវត្ថិភាពដោយប្រើប្រាស់ពួកវា។ ទោះបីជា TensorFlow បច្ចុប្បន្ន Lite គឺជាក្របខ័ណ្ឌសិក្សាម៉ាស៊ីនតែមួយគត់សម្រាប់ microcontrollers និង microcomputers ក្របខ័ណ្ឌដែលអាចប្រៀបធៀបបានផ្សេងទៀតដូចជា sensor និង CMSIS-NN របស់ ARM គឺកំពុងដំណើរការ។
ខណៈពេលដែល TensorFlow Lite គឺជាគម្រោងប្រភពបើកចំហដែលកំពុងដំណើរការដែលបានចាប់ផ្តើមដ៏អស្ចារ្យជាមួយនឹងក្រុមរបស់ Google នោះវានៅតែត្រូវការការគាំទ្រពីសហគមន៍ដើម្បីចូលទៅក្នុងចរន្តសំខាន់។
សន្និដ្ឋាន
TinyML គឺជាវិធីសាស្រ្តប្រលោមលោកដែលរួមបញ្ចូលគ្នានូវប្រព័ន្ធបង្កប់ជាមួយនឹងការរៀនម៉ាស៊ីន។ នៅពេលដែល AI តូចចង្អៀតឡើងដល់កំពូលក្នុងផ្នែកបញ្ឈរ និងដែនជាច្រើន បច្ចេកវិទ្យាអាចលេចចេញជាវាលរងដ៏លេចធ្លោមួយក្នុងការរៀនម៉ាស៊ីន និងបញ្ញាសិប្បនិម្មិត។
វាផ្តល់នូវដំណោះស្រាយចំពោះបញ្ហាប្រឈមជាច្រើនដែលវិស័យ IoT និងអ្នកជំនាញដែលអនុវត្តការរៀនម៉ាស៊ីនចំពោះមុខវិជ្ជាជាក់លាក់នៃដែនជាច្រើនឥឡូវនេះកំពុងប្រឈមមុខ។
គំនិតនៃការប្រើប្រាស់ម៉ាស៊ីនរៀននៅ ឧបករណ៍គែមជាមួយកុំព្យូទ័រតូចមួយ footprint និងការប្រើប្រាស់ថាមពលមានសក្តានុពលក្នុងការផ្លាស់ប្តូរយ៉ាងសំខាន់ពីរបៀបដែលប្រព័ន្ធបង្កប់ និងមនុស្សយន្តត្រូវបានសាងសង់។
សូមផ្ដល់យោបល់