ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಇದೀಗ ಎಲ್ಲೆಡೆ ಇವೆ. ಹಗಲಿನಲ್ಲಿ, ನೀವು ಬಹುಶಃ ಈ ಮಾದರಿಗಳನ್ನು ನೀವು ತಿಳಿದುಕೊಳ್ಳುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ಬಳಸುತ್ತೀರಿ. ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಬ್ರೌಸಿಂಗ್, ಛಾಯಾಚಿತ್ರ ತೆಗೆಯುವುದು ಮತ್ತು ಹವಾಮಾನವನ್ನು ಪರಿಶೀಲಿಸುವಂತಹ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.
ಯಂತ್ರ-ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ ನಿಮಗೆ ಈ ಬ್ಲಾಗ್ ಅನ್ನು ಶಿಫಾರಸು ಮಾಡಿರಬಹುದು. ಈ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಎಷ್ಟು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಎಂಬುದರ ಕುರಿತು ನಾವೆಲ್ಲರೂ ಕೇಳಿದ್ದೇವೆ. ಈ ಮಾದರಿಗಳ ತರಬೇತಿ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಎಂದು ನಾವೆಲ್ಲರೂ ಕೇಳಿದ್ದೇವೆ.
ಆದಾಗ್ಯೂ, ಈ ಮಾದರಿಗಳ ಮೇಲೆ ನಿರ್ಣಯವನ್ನು ಮಾಡುವುದು ಆಗಾಗ್ಗೆ ಗಣನೆಗೆ ದುಬಾರಿಯಾಗಿದೆ.
ನಾವು ಯಂತ್ರ ಕಲಿಕೆ ಸೇವೆಗಳನ್ನು ಬಳಸುತ್ತಿರುವ ದರವನ್ನು ನಿರ್ವಹಿಸಲು ಸಾಕಷ್ಟು ವೇಗದ ಕಂಪ್ಯೂಟರ್ ಸಿಸ್ಟಮ್ಗಳು ನಮಗೆ ಅಗತ್ಯವಿದೆ. ಪರಿಣಾಮವಾಗಿ, ಈ ಮಾದರಿಗಳ ಬಹುಪಾಲು CPU ಮತ್ತು GPU ಕ್ಲಸ್ಟರ್ಗಳೊಂದಿಗೆ (ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ TPU ಗಳು) ಬೃಹತ್ ಡೇಟಾ ಕೇಂದ್ರಗಳಲ್ಲಿ ರನ್ ಆಗುತ್ತವೆ.
ನೀವು ಚಿತ್ರವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವಾಗ, ನೀವು ಬಯಸುತ್ತೀರಿ ಯಂತ್ರ ಕಲಿಕೆ ತಕ್ಷಣ ಅದನ್ನು ಸುಧಾರಿಸಲು. ಚಿತ್ರವನ್ನು ಡೇಟಾ ಸೆಂಟರ್ಗೆ ವರ್ಗಾಯಿಸಲು, ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಮತ್ತು ನಿಮಗೆ ಹಿಂತಿರುಗಿಸಲು ನೀವು ಕಾಯಬೇಕಾಗಿಲ್ಲ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಬೇಕು.
ನೀವು "ಹೇ ಸಿರಿ" ಅಥವಾ "ಸರಿ, Google" ಎಂದು ಹೇಳಿದಾಗ ನಿಮ್ಮ ಗ್ಯಾಜೆಟ್ಗಳು ತಕ್ಷಣವೇ ಪ್ರತಿಕ್ರಿಯಿಸಬೇಕೆಂದು ನೀವು ಬಯಸುತ್ತೀರಿ. ನಿಮ್ಮ ಧ್ವನಿಯನ್ನು ಕಂಪ್ಯೂಟರ್ಗಳಿಗೆ ರವಾನಿಸಲು ನಿರೀಕ್ಷಿಸಲಾಗುತ್ತಿದೆ, ಅಲ್ಲಿ ಅದನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಡೇಟಾವನ್ನು ಪಡೆಯಲಾಗುತ್ತದೆ.
ಇದು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಬಳಕೆದಾರರ ಅನುಭವದ ಮೇಲೆ ಹಾನಿಕಾರಕ ಪರಿಣಾಮವನ್ನು ಬೀರುತ್ತದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯು ಸ್ಥಳೀಯವಾಗಿಯೂ ಕೆಲಸ ಮಾಡಲು ನೀವು ಬಯಸುತ್ತೀರಿ. ಇಲ್ಲಿ TinyML ಬರುತ್ತದೆ.
ಈ ಪೋಸ್ಟ್ನಲ್ಲಿ, ನಾವು TinyML, ಅದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಅದರ ಉಪಯೋಗಗಳು, ಅದರೊಂದಿಗೆ ಹೇಗೆ ಪ್ರಾರಂಭಿಸುವುದು ಮತ್ತು ಹೆಚ್ಚಿನದನ್ನು ನೋಡುತ್ತೇವೆ.
ಏನದು TinyML?
TinyML ಒಂದು ಅತ್ಯಾಧುನಿಕ ಶಿಸ್ತು, ಇದು ಸಣ್ಣ ಸಾಧನಗಳು ಮತ್ತು ಎಂಬೆಡೆಡ್ ಸಿಸ್ಟಮ್ಗಳ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಶಕ್ತಿಯ ಮಿತಿಗಳಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಯ ಕ್ರಾಂತಿಕಾರಿ ಸಾಮರ್ಥ್ಯವನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ.
ಈ ಉದ್ಯಮದಲ್ಲಿ ಯಶಸ್ವಿ ನಿಯೋಜನೆಗೆ ಅಪ್ಲಿಕೇಶನ್ಗಳು, ಅಲ್ಗಾರಿದಮ್ಗಳು, ಹಾರ್ಡ್ವೇರ್ ಮತ್ತು ಸಾಫ್ಟ್ವೇರ್ಗಳ ಸಂಪೂರ್ಣ ತಿಳುವಳಿಕೆ ಅಗತ್ಯ. ಇದು ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್ಗಳು, ಡಿಜಿಟಲ್ ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸರ್ಗಳು ಅಥವಾ ಇತರ ಅತಿ ಕಡಿಮೆ-ಶಕ್ತಿಯ ವಿಶೇಷ ಪ್ರೊಸೆಸರ್ಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಎಂಬೆಡೆಡ್ ಸಿಸ್ಟಮ್ಗಳಲ್ಲಿ ಆಳವಾದ ಕಲಿಕೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಬಳಸುವ ಯಂತ್ರ ಕಲಿಕೆಯ ಉಪಪ್ರಕಾರವಾಗಿದೆ.
TinyML-ಸಕ್ರಿಯಗೊಳಿಸಿದ ಎಂಬೆಡೆಡ್ ಸಾಧನಗಳು ನಿರ್ದಿಷ್ಟ ಕೆಲಸಕ್ಕಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಚಲಾಯಿಸಲು ಉದ್ದೇಶಿಸಲಾಗಿದೆ, ಸಾಮಾನ್ಯವಾಗಿ ಸಾಧನದ ಭಾಗವಾಗಿ ಎಡ್ಜ್ ಕಂಪ್ಯೂಟಿಂಗ್.
ವಾರಗಳು, ತಿಂಗಳುಗಳು ಅಥವಾ ವರ್ಷಗಳವರೆಗೆ ರೀಚಾರ್ಜ್ ಮಾಡದೆ ಅಥವಾ ಬ್ಯಾಟರಿಯನ್ನು ಬದಲಾಯಿಸದೆ ಚಲಾಯಿಸಲು, ಈ ಎಂಬೆಡೆಡ್ ಸಿಸ್ಟಮ್ಗಳು 1 mW ಗಿಂತ ಕಡಿಮೆ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಹೊಂದಿರಬೇಕು.
ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?
ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್ಗಳು ಮತ್ತು ಕಂಪ್ಯೂಟರ್ಗಳೊಂದಿಗೆ ಬಳಸಬಹುದಾದ ಏಕೈಕ ಯಂತ್ರ ಕಲಿಕೆಯ ಚೌಕಟ್ಟು ಟೆನ್ಸರ್ ಫ್ಲೋ ಲೈಟ್. ಇದು ಡೆವಲಪರ್ಗಳು ತಮ್ಮ ಮಾದರಿಗಳನ್ನು ಮೊಬೈಲ್, ಎಂಬೆಡೆಡ್ ಮತ್ತು ಎಡ್ಜ್ ಸಾಧನಗಳಲ್ಲಿ ಚಲಾಯಿಸಲು ಅವಕಾಶ ನೀಡುವ ಪರಿಕರಗಳ ಸಮೂಹವಾಗಿದೆ, ಹಾರಾಡುತ್ತ ಯಂತ್ರ ಕಲಿಕೆಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ.
ಸಂವೇದಕಗಳಿಂದ (ಮೈಕ್ರೊಫೋನ್ಗಳು, ಕ್ಯಾಮೆರಾಗಳು ಅಥವಾ ಎಂಬೆಡೆಡ್ ಸಂವೇದಕಗಳಂತಹ) ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್ನ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್ಗೆ ಕಳುಹಿಸುವ ಮೊದಲು, ಡೇಟಾವನ್ನು ಕ್ಲೌಡ್-ಆಧಾರಿತ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಯಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ. ಈ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಆಫ್ಲೈನ್ ಮೋಡ್ನಲ್ಲಿ ಬ್ಯಾಚ್ ತರಬೇತಿಯನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ. ಇದಕ್ಕಾಗಿ ಬಳಸಲಾಗುವ ಸಂವೇದಕ ಡೇಟಾ ಕಲಿಕೆ ಮತ್ತು ತೀರ್ಮಾನ ನಿರ್ದಿಷ್ಟ ಅಪ್ಲಿಕೇಶನ್ಗಾಗಿ ಈಗಾಗಲೇ ನಿರ್ಧರಿಸಲಾಗಿದೆ.
ವೇಕ್ ವರ್ಡ್ ಅನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮಾದರಿಯನ್ನು ತರಬೇತಿ ನೀಡಲಾಗುತ್ತಿದ್ದರೆ, ಉದಾಹರಣೆಗೆ, ಮೈಕ್ರೊಫೋನ್ನಿಂದ ನಿರಂತರ ಆಡಿಯೊ ಸ್ಟ್ರೀಮ್ ಅನ್ನು ನಿರ್ವಹಿಸಲು ಅದನ್ನು ಈಗಾಗಲೇ ಹೊಂದಿಸಲಾಗಿದೆ.
ಡೇಟಾಸೆಟ್ ಆಯ್ಕೆ, ಸಾಮಾನ್ಯೀಕರಣ, ಮಾದರಿಯ ಅಂಡರ್ಫಿಟ್ಟಿಂಗ್ ಅಥವಾ ಓವರ್ಫಿಟ್ಟಿಂಗ್, ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆ, ಡೇಟಾ ವರ್ಧನೆ, ತರಬೇತಿ, ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ಪರೀಕ್ಷೆ ಸೇರಿದಂತೆ ಟೆನ್ಸರ್ಫ್ಲೋ ಲೈಟ್ನ ಸಂದರ್ಭದಲ್ಲಿ Google Colab ನಂತಹ ಕ್ಲೌಡ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ನ ಸಹಾಯದಿಂದ ಎಲ್ಲವನ್ನೂ ಈಗಾಗಲೇ ಮಾಡಲಾಗಿದೆ.
ಸಂಪೂರ್ಣ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಅಂತಿಮವಾಗಿ ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಆಫ್ಲೈನ್ ಬ್ಯಾಚ್ ತರಬೇತಿಯ ನಂತರ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್, ಮೈಕ್ರೋಕಂಪ್ಯೂಟರ್ ಅಥವಾ ಡಿಜಿಟಲ್ ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸರ್ಗೆ ವರ್ಗಾಯಿಸಲಾಗುತ್ತದೆ. ಎಂಬೆಡೆಡ್ ಸಾಧನಕ್ಕೆ ಸರಿಸಿದ ನಂತರ ಮಾದರಿಯು ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ತರಬೇತಿಯನ್ನು ಹೊಂದಿಲ್ಲ. ಬದಲಾಗಿ, ಇದು ಮಾದರಿಯನ್ನು ಅನ್ವಯಿಸಲು ಸಂವೇದಕಗಳು ಅಥವಾ ಇನ್ಪುಟ್ ಸಾಧನಗಳಿಂದ ನೈಜ-ಸಮಯದ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಬಳಸುತ್ತದೆ.
ಪರಿಣಾಮವಾಗಿ, TinyML ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯು ಅಸಾಧಾರಣವಾಗಿ ಬಾಳಿಕೆ ಬರುವಂತಹದ್ದಾಗಿರಬೇಕು ಮತ್ತು ವರ್ಷಗಳ ನಂತರ ಮರುತರಬೇತಿ ಪಡೆಯುವ ಅಥವಾ ಮರುತರಬೇತಿ ಪಡೆಯದಿರುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರಬೇಕು. ಎಲ್ಲಾ ಸಂಭಾವ್ಯ ಮಾದರಿಯ ಅಂಡರ್ಫಿಟ್ಟಿಂಗ್ ಮತ್ತು ಓವರ್ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ತನಿಖೆ ಮಾಡಬೇಕು ಆದ್ದರಿಂದ ಮಾದರಿಯು ವಿಸ್ತೃತ ಸಮಯದವರೆಗೆ ಸೂಕ್ತವಾಗಿ ಅನಿರ್ದಿಷ್ಟವಾಗಿ ಉಳಿಯುತ್ತದೆ.
ಆದರೆ TinyML ಅನ್ನು ಏಕೆ ಬಳಸಬೇಕು?
TinyML ಮೂಲಭೂತ ಸಣ್ಣ-ಪ್ರಮಾಣದ ಕ್ಲೌಡ್ ಸೇವೆಗಳ ಮೇಲೆ IoT ನ ಅವಲಂಬನೆಯನ್ನು ತೊಡೆದುಹಾಕಲು ಅಥವಾ ಕಡಿಮೆ ಮಾಡುವ ಪ್ರಯತ್ನವಾಗಿ ಪ್ರಾರಂಭವಾಯಿತು. ಯಂತ್ರ ಕಲಿಕೆ ಕಾರ್ಯಾಚರಣೆ. ಇದು ಅಂಚಿನ ಸಾಧನಗಳಲ್ಲಿ ಸ್ವತಃ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳ ಬಳಕೆಯನ್ನು ಅಗತ್ಯಗೊಳಿಸಿತು. ಇದು ಕೆಳಗಿನ ಪ್ರಮುಖ ಪ್ರಯೋಜನಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ:
- ಕಡಿಮೆ ಶಕ್ತಿ ಬಳಕೆ: TinyML ಅಪ್ಲಿಕೇಶನ್ 1 ಮಿಲಿ ವ್ಯಾಟ್ಗಿಂತ ಕಡಿಮೆ ಶಕ್ತಿಯನ್ನು ಬಳಸಬೇಕು. ಅಂತಹ ಕಡಿಮೆ-ವಿದ್ಯುತ್ ಬಳಕೆಯೊಂದಿಗೆ, ನಾಣ್ಯ ಬ್ಯಾಟರಿಯಿಂದ ಚಾಲಿತವಾಗಿದ್ದರೂ ಸಹ, ತಿಂಗಳುಗಳು ಅಥವಾ ವರ್ಷಗಳವರೆಗೆ ಸಂವೇದಕ ಡೇಟಾದಿಂದ ಸಾಧನವು ತೀರ್ಮಾನಗಳನ್ನು ಪಡೆಯುವುದನ್ನು ಮುಂದುವರಿಸಬಹುದು.
- ಕಡಿಮೆ ವೆಚ್ಚ: ಇದು ಕಡಿಮೆ ಬೆಲೆಯ 32-ಬಿಟ್ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್ಗಳು ಅಥವಾ DSP ಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಈ ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರತಿಯೊಂದಕ್ಕೂ ಕೆಲವು ಸೆಂಟ್ಗಳು, ಮತ್ತು ಇವುಗಳೊಂದಿಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ ಒಟ್ಟು ಎಂಬೆಡೆಡ್ ಸಿಸ್ಟಮ್ $50 ಕ್ಕಿಂತ ಕಡಿಮೆಯಿರುತ್ತದೆ. ಸಣ್ಣ ಯಂತ್ರ ಕಲಿಕೆ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಚಲಾಯಿಸಲು ಇದು ಅತ್ಯಂತ ವೆಚ್ಚ-ಪರಿಣಾಮಕಾರಿ ಆಯ್ಕೆಯಾಗಿದೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅನ್ವಯಿಸಬೇಕಾದ IoT ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ ಇದು ವಿಶೇಷವಾಗಿ ಪ್ರಯೋಜನಕಾರಿಯಾಗಿದೆ.
- ಕಡಿಮೆ ಸುಪ್ತತೆ: ಇದರ ಅಪ್ಲಿಕೇಶನ್ಗಳು ಕಡಿಮೆ ಸುಪ್ತತೆಯನ್ನು ಹೊಂದಿವೆ ಏಕೆಂದರೆ ಅವುಗಳು ನೆಟ್ವರ್ಕ್ ಮೂಲಕ ಡೇಟಾವನ್ನು ಸಾಗಿಸಲು ಅಥವಾ ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುವ ಅಗತ್ಯವಿಲ್ಲ. ಎಲ್ಲಾ ಸಂವೇದಕ ಡೇಟಾವನ್ನು ಸ್ಥಳೀಯವಾಗಿ ದಾಖಲಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಈಗಾಗಲೇ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ. ತೀರ್ಮಾನಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಲಾಗಿಂಗ್ ಅಥವಾ ಹೆಚ್ಚುವರಿ ಸಂಸ್ಕರಣೆಗಾಗಿ ಸರ್ವರ್ ಅಥವಾ ಕ್ಲೌಡ್ಗೆ ಕಳುಹಿಸಬಹುದು, ಆದಾಗ್ಯೂ ಸಾಧನವು ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಇದು ಅನಿವಾರ್ಯವಲ್ಲ. ಇದು ನೆಟ್ವರ್ಕ್ ಲೇಟೆನ್ಸಿಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಕ್ಲೌಡ್ ಅಥವಾ ಸರ್ವರ್ನಲ್ಲಿ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಅಗತ್ಯವನ್ನು ನಿವಾರಿಸುತ್ತದೆ.
- ಗೌಪ್ಯತೆ: ಇದು ಅಂತರ್ಜಾಲದಲ್ಲಿ ಮತ್ತು ವಸ್ತುಗಳ ಅಂತರ್ಜಾಲದಲ್ಲಿ ಪ್ರಮುಖ ಕಾಳಜಿಯಾಗಿದೆ. TinyML ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿನ ಯಂತ್ರ ಕಲಿಕೆಯ ಕೆಲಸವನ್ನು ಸಂವೇದಕ/ಬಳಕೆದಾರ ಡೇಟಾವನ್ನು ಸರ್ವರ್/ಕ್ಲೌಡ್ಗೆ ಸಂಗ್ರಹಿಸದೆ ಅಥವಾ ಕಳುಹಿಸದೆಯೇ ಸ್ಥಳೀಯವಾಗಿ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ, ನೆಟ್ವರ್ಕ್ಗೆ ಲಿಂಕ್ ಮಾಡಿದರೂ ಸಹ, ಈ ಅಪ್ಲಿಕೇಶನ್ಗಳು ಬಳಸಲು ಸುರಕ್ಷಿತವಾಗಿರುತ್ತವೆ ಮತ್ತು ಯಾವುದೇ ಗೌಪ್ಯತೆ ಅಪಾಯಗಳನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ.
ಅಪ್ಲಿಕೇಶನ್ಗಳು
- ಕೃಷಿ - ಯಾವಾಗ ರೈತರು ಸಸ್ಯದ ಫೋಟೋವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ, ಟೆನ್ಸರ್ ಫ್ಲೋ ಲೈಟ್ ಅಪ್ಲಿಕೇಶನ್ ಅದರಲ್ಲಿರುವ ಅನಾರೋಗ್ಯವನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ. ಇದು ಯಾವುದೇ ಸಾಧನದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಇಂಟರ್ನೆಟ್ ಸಂಪರ್ಕದ ಅಗತ್ಯವಿಲ್ಲ. ಕಾರ್ಯವಿಧಾನವು ಕೃಷಿ ಹಿತಾಸಕ್ತಿಗಳನ್ನು ರಕ್ಷಿಸುತ್ತದೆ ಮತ್ತು ಗ್ರಾಮೀಣ ರೈತರಿಗೆ ನಿರ್ಣಾಯಕ ಅಗತ್ಯವಾಗಿದೆ.
- ಮೆಕ್ಯಾನಿಕ್ಸ್ ನಿರ್ವಹಣೆ - TinyML, ಕಡಿಮೆ-ಚಾಲಿತ ಸಾಧನಗಳಲ್ಲಿ ಬಳಸಿದಾಗ, ಯಂತ್ರದಲ್ಲಿನ ನ್ಯೂನತೆಗಳನ್ನು ನಿರಂತರವಾಗಿ ಗುರುತಿಸಬಹುದು. ಇದು ಮುನ್ಸೂಚನೆ ಆಧಾರಿತ ನಿರ್ವಹಣೆಯನ್ನು ಒಳಗೊಳ್ಳುತ್ತದೆ. ಆಸ್ಟ್ರೇಲಿಯನ್ ಸ್ಟಾರ್ಟ್-ಅಪ್ ಆಗಿರುವ ಪಿಂಗ್ ಸರ್ವಿಸಸ್, IoT ಗ್ಯಾಜೆಟ್ ಅನ್ನು ಪರಿಚಯಿಸಿದೆ, ಅದು ಗಾಳಿ ಟರ್ಬೈನ್ಗಳನ್ನು ಟರ್ಬೈನ್ನ ಹೊರಭಾಗಕ್ಕೆ ಜೋಡಿಸುವ ಮೂಲಕ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತದೆ. ಯಾವುದೇ ಸಂಭವನೀಯ ಸಮಸ್ಯೆ ಅಥವಾ ಅಸಮರ್ಪಕ ಕಾರ್ಯವನ್ನು ಪತ್ತೆಹಚ್ಚಿದಾಗ ಅದು ಅಧಿಕಾರಿಗಳಿಗೆ ಸೂಚನೆ ನೀಡುತ್ತದೆ.
- ಆಸ್ಪತ್ರೆಗಳು - ದಿ ಸೋಲಾರ್ ಸ್ಕೇರ್ ಒಂದು ಯೋಜನೆಯಾಗಿದೆ. ಡೆಂಗ್ಯೂ ಮತ್ತು ಮಲೇರಿಯಾದಂತಹ ಕಾಯಿಲೆಗಳ ಹರಡುವಿಕೆಯನ್ನು ತಡೆಯಲು ಸೊಳ್ಳೆಗಳು TinyML ಅನ್ನು ಬಳಸುತ್ತವೆ. ಇದು ಸೌರ ಶಕ್ತಿಯಿಂದ ಚಾಲಿತವಾಗಿದೆ ಮತ್ತು ಸೊಳ್ಳೆ ಸಂತಾನೋತ್ಪತ್ತಿಯನ್ನು ತಡೆಯಲು ನೀರನ್ನು ಸಂಕೇತಿಸುವ ಮೊದಲು ಸೊಳ್ಳೆ ಸಂತಾನೋತ್ಪತ್ತಿಯ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ.
- ಸಂಚಾರ ಕಣ್ಗಾವಲು - ಮೂಲಕ ನೈಜ-ಸಮಯದ ಟ್ರಾಫಿಕ್ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವ ಸಂವೇದಕಗಳಿಗೆ TinyML ಅನ್ನು ಅನ್ವಯಿಸುವುದರಿಂದ, ಉತ್ತಮ ಟ್ರಾಫಿಕ್ ಅನ್ನು ನಿರ್ದೇಶಿಸಲು ಮತ್ತು ತುರ್ತು ವಾಹನಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯವನ್ನು ಕಡಿತಗೊಳಿಸಲು ನಾವು ಅವುಗಳನ್ನು ಬಳಸಬಹುದು. Swim.AI, ಉದಾಹರಣೆಗೆ, ಸ್ಮಾರ್ಟ್ ರೂಟಿಂಗ್ ಮೂಲಕ ದಟ್ಟಣೆ ಮತ್ತು ಹೊರಸೂಸುವಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವಾಗ ಪ್ರಯಾಣಿಕರ ಸುರಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಸ್ಟ್ರೀಮಿಂಗ್ ಡೇಟಾದಲ್ಲಿ ಈ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸುತ್ತದೆ.
- ಲಾ: TinyML ಅನ್ನು ಕಾನೂನು ಜಾರಿಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಗೆಸ್ಚರ್ ಗುರುತಿಸುವಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಗಲಭೆ ಮತ್ತು ಕಳ್ಳತನದಂತಹ ಕಾನೂನುಬಾಹಿರ ಕ್ರಮಗಳನ್ನು ಗುರುತಿಸಲು ಬಳಸಬಹುದು. ಬ್ಯಾಂಕ್ ಎಟಿಎಂಗಳನ್ನು ಸುರಕ್ಷಿತಗೊಳಿಸಲು ಇದೇ ರೀತಿಯ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಬಳಸಬಹುದು. ಬಳಕೆದಾರರ ನಡವಳಿಕೆಯನ್ನು ವೀಕ್ಷಿಸುವ ಮೂಲಕ, TinyML ಮಾದರಿಯು ಬಳಕೆದಾರರು ವ್ಯವಹಾರವನ್ನು ಪೂರ್ಣಗೊಳಿಸುವ ನಿಜವಾದ ಗ್ರಾಹಕ ಅಥವಾ ATM ಅನ್ನು ಹ್ಯಾಕ್ ಮಾಡಲು ಅಥವಾ ನಾಶಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ಒಳನುಗ್ಗುವ ವ್ಯಕ್ತಿಯೇ ಎಂದು ಊಹಿಸಬಹುದು.
TinyML ನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸುವುದು ಹೇಗೆ?
TensorFlow Lite ನಲ್ಲಿ TinyML ನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಲು, ನಿಮಗೆ ಹೊಂದಾಣಿಕೆಯ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್ ಬೋರ್ಡ್ ಅಗತ್ಯವಿದೆ. ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್ಗಳಿಗಾಗಿ ಟೆನ್ಸರ್ಫ್ಲೋ ಲೈಟ್ ಕೆಳಗೆ ಪಟ್ಟಿ ಮಾಡಲಾದ ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್ಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.
- ವೈಯೋ ಟರ್ಮಿನಲ್: ATSAMD51
- Himax WE-I ಪ್ಲಸ್ EVB ಎಂಡ್ಪಾಯಿಂಟ್ AI ಡೆವಲಪ್ಮೆಂಟ್ ಬೋರ್ಡ್
- STM32F746 ಡಿಸ್ಕವರಿ ಕಿಟ್
- ಅಡಾಫ್ರೂಟ್ ಎಡ್ಜ್ಬ್ಯಾಡ್ಜ್
- ಸಾರಾಂಶ ವಿನ್ಯಾಸವೇರ್ ARC EM ಸಾಫ್ಟ್ವೇರ್ ಅಭಿವೃದ್ಧಿ ವೇದಿಕೆ
- ಸೋನಿ ಸ್ಪ್ರೆಸೆನ್ಸ್
- ಅರ್ಡುನೊ ನ್ಯಾನೋ 33 ಬಿಎಲ್ಇ ಸೆನ್ಸ್
- ಸ್ಪಾರ್ಕ್ ಫನ್ ಎಡ್ಜ್
- ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್ಗಳ ಕಿಟ್ಗಾಗಿ Adafruit TensorFlow Lite
- ಅಡಾಫ್ರೂಟ್ ಸರ್ಕ್ಯೂಟ್ ಆಟದ ಮೈದಾನ ಬ್ಲೂಫ್ರೂಟ್
- ಎಸ್ಪ್ರೆಸಿಫ್ ESP32-DevKitC
- ಎಸ್ಪ್ರೆಸಿಫ್ ESP-EYE
ಇವುಗಳು 32-ಬಿಟ್ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್ಗಳು ಸಾಕಷ್ಟು ಫ್ಲಾಶ್ ಮೆಮೊರಿ, RAM ಮತ್ತು ಗಡಿಯಾರದ ಆವರ್ತನವನ್ನು ಹೊಂದಿರುವ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು. ಬೋರ್ಡ್ಗಳು ಯಾವುದೇ ಎಂಬೆಡೆಡ್ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಚಲಾಯಿಸಲು ಮತ್ತು ಉದ್ದೇಶಿತ ಅಪ್ಲಿಕೇಶನ್ಗೆ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರುವ ಹಲವಾರು ಆನ್ಬೋರ್ಡ್ ಸಂವೇದಕಗಳನ್ನು ಸಹ ಹೊಂದಿವೆ. ಗೆ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ, ನಿಮಗೆ ಹಾರ್ಡ್ವೇರ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಜೊತೆಗೆ ಲ್ಯಾಪ್ಟಾಪ್ ಅಥವಾ ಕಂಪ್ಯೂಟರ್ ಅಗತ್ಯವಿದೆ.
ಪ್ರತಿಯೊಂದು ಹಾರ್ಡ್ವೇರ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳು ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್ಗಳ ಪ್ಯಾಕೇಜ್ಗಾಗಿ ಟೆನ್ಸರ್ಫ್ಲೋ ಲೈಟ್ ಅನ್ನು ಬಳಸುವ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು, ತರಬೇತಿ ನೀಡಲು ಮತ್ತು ಪೋರ್ಟಿಂಗ್ ಮಾಡಲು ತನ್ನದೇ ಆದ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಪರಿಕರಗಳನ್ನು ಹೊಂದಿದೆ. TensorFlow Lite ಅನ್ನು ಬಳಸಲು ಮತ್ತು ಮಾರ್ಪಡಿಸಲು ಉಚಿತವಾಗಿದೆ ಏಕೆಂದರೆ ಅದು ಮುಕ್ತ ಸಂಪನ್ಮೂಲ.
TinyML ಮತ್ತು TensorFlow Lite ನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಲು, ನಿಮಗೆ ಬೇಕಾಗಿರುವುದು ಮೇಲಿನ-ಸೂಚಿಸಲಾದ ಎಂಬೆಡೆಡ್ ಹಾರ್ಡ್ವೇರ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳು, ಕಂಪ್ಯೂಟರ್/ಲ್ಯಾಪ್ಟಾಪ್, USB ಕೇಬಲ್, USB-ಟು-ಸೀರಿಯಲ್ ಪರಿವರ್ತಕ - ಮತ್ತು ಎಂಬೆಡೆಡ್ ಸಿಸ್ಟಮ್ಗಳೊಂದಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅಭ್ಯಾಸ ಮಾಡುವ ಬಯಕೆ. .
ಸವಾಲುಗಳು
TinyML ನ ಪ್ರಗತಿಯು ಅನೇಕ ಸಕಾರಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಿದ್ದರೂ ಸಹ, ಯಂತ್ರ ಕಲಿಕೆ ಉದ್ಯಮವು ಇನ್ನೂ ಸಾಕಷ್ಟು ಅಡೆತಡೆಗಳನ್ನು ಎದುರಿಸುತ್ತಿದೆ.
- ಸಾಫ್ಟ್ವೇರ್ ವೈವಿಧ್ಯತೆ - ಹ್ಯಾಂಡ್-ಕೋಡಿಂಗ್, ಕೋಡ್ ಉತ್ಪಾದನೆ ಮತ್ತು ML ಇಂಟರ್ಪ್ರಿಟರ್ಗಳು TinyML ಸಾಧನಗಳಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ನಿಯೋಜಿಸಲು ಎಲ್ಲಾ ಆಯ್ಕೆಗಳಾಗಿವೆ ಮತ್ತು ಪ್ರತಿಯೊಂದೂ ವಿಭಿನ್ನ ಸಮಯ ಮತ್ತು ಶ್ರಮವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಇದರ ಪರಿಣಾಮವಾಗಿ ವಿಭಿನ್ನ ಪ್ರದರ್ಶನಗಳು ಉದ್ಭವಿಸಬಹುದು.
- ಹಾರ್ಡ್ವೇರ್ ವೈವಿಧ್ಯತೆ - ಅಲ್ಲಿ ಹಲವಾರು ಹಾರ್ಡ್ವೇರ್ ಆಯ್ಕೆಗಳು ಲಭ್ಯವಿದೆ. TinyML ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳು ಸಾಮಾನ್ಯ-ಉದ್ದೇಶದ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್ಗಳಿಂದ ಅತ್ಯಾಧುನಿಕ ನ್ಯೂರಲ್ ಪ್ರೊಸೆಸರ್ಗಳವರೆಗೆ ಯಾವುದಾದರೂ ಆಗಿರಬಹುದು. ಇದು ವಿವಿಧ ಆರ್ಕಿಟೆಕ್ಚರ್ಗಳಲ್ಲಿ ಮಾದರಿ ನಿಯೋಜನೆಯೊಂದಿಗೆ ಸಮಸ್ಯೆಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
- ದೋಷನಿವಾರಣೆ/ಡೀಬಗ್ ಮಾಡುವಿಕೆ - ಯಾವಾಗ ML ಮಾದರಿಯು ಕ್ಲೌಡ್ನಲ್ಲಿ ಕಳಪೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಡೇಟಾವನ್ನು ನೋಡುವುದು ಮತ್ತು ಏನು ತಪ್ಪಾಗಿದೆ ಎಂಬುದನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಸರಳವಾಗಿದೆ. ಒಂದು ಮಾದರಿಯು ಸಾವಿರಾರು TinyML ಸಾಧನಗಳಲ್ಲಿ ಹರಡಿದಾಗ, ಯಾವುದೇ ಡೇಟಾ ಸ್ಟ್ರೀಮ್ ಕ್ಲೌಡ್ಗೆ ಹಿಂತಿರುಗುವುದಿಲ್ಲ, ಡೀಬಗ್ ಮಾಡುವುದು ಕಷ್ಟವಾಗುತ್ತದೆ ಮತ್ತು ಬೇರೆ ವಿಧಾನದ ಅಗತ್ಯವಿರಬಹುದು.
- ಮೆಮೊರಿ ನಿರ್ಬಂಧಗಳು - ಸಾಂಪ್ರದಾಯಿಕ ಸ್ಮಾರ್ಟ್ಫೋನ್ಗಳು ಮತ್ತು ಲ್ಯಾಪ್ಟಾಪ್ಗಳಂತಹ ಪ್ಲ್ಯಾಟ್ಫಾರ್ಮ್ಗಳಿಗೆ ಗಿಗಾಬೈಟ್ಗಳ RAM ಅಗತ್ಯವಿರುತ್ತದೆ, ಆದರೆ TinyML ಸಾಧನಗಳು ಕಿಲೋಬೈಟ್ಗಳು ಅಥವಾ ಮೆಗಾಬೈಟ್ಗಳನ್ನು ಬಳಸುತ್ತವೆ. ಪರಿಣಾಮವಾಗಿ, ನಿಯೋಜಿಸಬಹುದಾದ ಮಾದರಿಯ ಗಾತ್ರವು ಸೀಮಿತವಾಗಿದೆ.
- ಮಾದರಿ ತರಬೇತಿ - ಆದರೂ TinyML ಸಾಧನಗಳಲ್ಲಿ ML ಮಾದರಿಗಳನ್ನು ನಿಯೋಜಿಸಲು ಹಲವಾರು ಪ್ರಯೋಜನಗಳಿವೆ, ML ಮಾದರಿಗಳ ಬಹುಪಾಲು ಇನ್ನೂ ಮಾದರಿಯ ನಿಖರತೆಯನ್ನು ಪುನರಾವರ್ತಿಸಲು ಮತ್ತು ನಿರಂತರವಾಗಿ ಸುಧಾರಿಸಲು ಕ್ಲೌಡ್ನಲ್ಲಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ.
ಫ್ಯೂಚರ್
TinyML, ಅದರ ಸಣ್ಣ ಹೆಜ್ಜೆಗುರುತು, ಕಡಿಮೆ ಬ್ಯಾಟರಿ ಬಳಕೆ ಮತ್ತು ಇಂಟರ್ನೆಟ್ ಸಂಪರ್ಕದ ಕೊರತೆ ಅಥವಾ ಸೀಮಿತ ಅವಲಂಬನೆಯೊಂದಿಗೆ, ಭವಿಷ್ಯದಲ್ಲಿ ಅಗಾಧ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ. ಕೃತಕ ಬುದ್ಧಿವಂತಿಕೆ ಅಂಚಿನ ಸಾಧನಗಳು ಅಥವಾ ಸ್ವತಂತ್ರ ಎಂಬೆಡೆಡ್ ಗ್ಯಾಜೆಟ್ಗಳಲ್ಲಿ ಅಳವಡಿಸಲಾಗುವುದು.
ಇದು IoT ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ನಿಯಂತ್ರಿಸುವ ಮೂಲಕ ಅವುಗಳನ್ನು ಹೆಚ್ಚು ಖಾಸಗಿ ಮತ್ತು ಸುರಕ್ಷಿತಗೊಳಿಸುತ್ತದೆ. ಆದರೂ ಟೆನ್ಸರ್ಫ್ಲೊ ಲೈಟ್ ಪ್ರಸ್ತುತ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್ಗಳು ಮತ್ತು ಮೈಕ್ರೋಕಂಪ್ಯೂಟರ್ಗಳಿಗೆ ಏಕೈಕ ಯಂತ್ರ ಕಲಿಕೆಯ ಚೌಕಟ್ಟಾಗಿದೆ, ಸಂವೇದಕ ಮತ್ತು ARM ನ CMSIS-NN ನಂತಹ ಇತರ ಹೋಲಿಸಬಹುದಾದ ಫ್ರೇಮ್ವರ್ಕ್ಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿವೆ.
ಟೆನ್ಸರ್ಫ್ಲೋ ಲೈಟ್ ಓಪನ್ ಸೋರ್ಸ್ ಪ್ರಾಜೆಕ್ಟ್ ಪ್ರಗತಿಯಲ್ಲಿರುವಾಗ ಅದು ಗೂಗಲ್ನ ತಂಡದೊಂದಿಗೆ ಅದ್ಭುತ ಆರಂಭವನ್ನು ಪಡೆದುಕೊಂಡಿದೆ, ಮುಖ್ಯವಾಹಿನಿಗೆ ಬರಲು ಇನ್ನೂ ಸಮುದಾಯದ ಬೆಂಬಲದ ಅಗತ್ಯವಿದೆ.
ತೀರ್ಮಾನ
TinyML ಎಂಬುದು ಯಂತ್ರ ಕಲಿಕೆಯೊಂದಿಗೆ ಎಂಬೆಡೆಡ್ ಸಿಸ್ಟಮ್ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಒಂದು ನವೀನ ವಿಧಾನವಾಗಿದೆ. ಕಿರಿದಾದ AI ಅನೇಕ ವರ್ಟಿಕಲ್ಗಳು ಮತ್ತು ಡೊಮೇನ್ಗಳಲ್ಲಿ ಗರಿಷ್ಠವಾಗಿ, ತಂತ್ರಜ್ಞಾನವು ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ಪ್ರಮುಖ ಉಪಕ್ಷೇತ್ರವಾಗಿ ಹೊರಹೊಮ್ಮಬಹುದು.
IoT ವಲಯ ಮತ್ತು ಅನೇಕ ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ ವಿಭಾಗಗಳಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅನ್ವಯಿಸುವ ವೃತ್ತಿಪರರು ಈಗ ಎದುರಿಸುತ್ತಿರುವ ಹಲವಾರು ಸವಾಲುಗಳಿಗೆ ಇದು ಪರಿಹಾರವನ್ನು ಒದಗಿಸುತ್ತದೆ.
ನಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಪರಿಕಲ್ಪನೆ ಸಣ್ಣ ಕಂಪ್ಯೂಟಿಂಗ್ ಹೊಂದಿರುವ ಅಂಚಿನ ಸಾಧನಗಳು ಹೆಜ್ಜೆಗುರುತು ಮತ್ತು ವಿದ್ಯುತ್ ಬಳಕೆಯು ಎಂಬೆಡೆಡ್ ಸಿಸ್ಟಮ್ಗಳು ಮತ್ತು ರೊಬೊಟಿಕ್ಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಪರಿವರ್ತಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ.
ಪ್ರತ್ಯುತ್ತರ ನೀಡಿ