د ماشین زده کړې ماډلونه همدا اوس په ټول ځای کې دي. د ورځې په جریان کې، تاسو شاید دا ماډلونه د هغه څه څخه ډیر کاروئ چې تاسو یې احساس کوئ. د ماشین زده کړې ماډلونه په عامو کارونو کې کارول کیږي لکه د ټولنیزو رسنیو لټون کول، عکس اخیستل، او د هوا چک کول.
د ماشین زده کړې الګوریتم ممکن تاسو ته دا بلاګ وړاندیز کړی وي. موږ ټولو اوریدلي یو چې د دې ماډلونو روزل څومره وخت نیسي. موږ ټولو اوریدلي چې د دې ماډلونو روزنه د وخت مصرف ده.
په هرصورت، د دې ماډلونو په اړه تحلیل کول په مکرر ډول په کمپیوټري توګه ګران دي.
موږ د کمپیوټر سیسټمونو ته اړتیا لرو چې په کافي اندازه ګړندي وي ترڅو هغه نرخ اداره کړي چې موږ یې د ماشین زده کړې خدماتو څخه کار اخلو. د پایلې په توګه ، د دې ماډلونو ډیری برخه د CPU او GPU کلسترونو سره په لوی ډیټا مرکزونو کې پرمخ وړل کیږي (حتی په ځینو مواردو کې TPUs).
کله چې تاسو عکس واخلئ، تاسو غواړئ ماشین زده کړه ترڅو سمدستي یې ښه کړي. تاسو نه غواړئ د دې لپاره انتظار وکړئ چې عکس د ډیټا مرکز ته لیږدول کیږي، پروسس شوی، او تاسو ته بیرته راستنیږي. په دې حالت کې، د ماشین زده کړې ماډل باید په محلي توګه اجرا شي.
کله چې تاسو "ای سری" یا "OK، ګوګل" ووایاست، تاسو غواړئ چې ستاسو وسایل سمدلاسه ځواب ووايي. ستاسو د غږ کمپیوټرونو ته د لیږدولو لپاره انتظار کول، چیرته چې دا به ارزول کیږي او ډاټا ترلاسه کیږي.
دا وخت نیسي او د کارونکي تجربې باندې ناوړه اغیزه لري. پدې حالت کې، تاسو غواړئ د ماشین زده کړې ماډل په محلي توګه هم کار وکړي. دا هغه ځای دی چې TinyML راځي.
پدې پوسټ کې ، موږ به TinyML ته وګورو ، دا څنګه کار کوي ، د هغې کارول ، د دې سره څنګه پیل کول ، او نور ډیر څه.
څه دي TinyML?
TinyML یو عصري ډیسپلین دی چې د ماشین زده کړې انقلابي ظرفیت د وړو وسیلو او ایمبیډ شوي سیسټمونو فعالیت او بریښنا محدودیتونو کې پلي کوي.
پدې صنعت کې بریالي ګمارل د غوښتنلیکونو ، الګوریتمونو ، هارډویر او سافټویر بشپړ پوهاوي ته اړتیا لري. دا د ماشین زده کړې فرعي جینر دی چې په ایمبیډ شوي سیسټمونو کې د ژورې زده کړې او ماشین زده کړې ماډلونه کاروي چې مایکرو کنټرولرونه ، ډیجیټل سیګنال پروسیسرونه ، یا نور د الټرا ټیټ بریښنا ځانګړي پروسیسرونه ګماري.
د TinyML فعال شوي وسیلې د یوې ځانګړې دندې لپاره د ماشین زده کړې الګوریتم چلولو لپاره دي، په ځانګړې توګه د وسیلې د یوې برخې په توګه کنډک کمپیوټري.
د دې لپاره چې د اونیو، میاشتو یا حتی کلونو لپاره د ریچارج یا بیټرۍ بدلولو پرته چلولو لپاره، دا سرایت شوي سیسټمونه باید د 1 میګاواټو څخه کم د بریښنا مصرف ولري.
دا څنګه کار کوی؟
د ماشین زده کړې یوازینی چوکاټ چې د مایکرو کنټرولرونو او کمپیوټرونو سره کارول کیدی شي د ټینس فلو لایټ. دا د وسیلو یوه ټولګه ده چې پراختیا کونکو ته اجازه ورکوي خپل ماډلونه په ګرځنده ، سرایت شوي او څنډه وسیلو کې پرمخ وړي ، په الوتنه کې د ماشین زده کړې ته اجازه ورکوي.
د مایکرو کنټرولر انٹرفیس د سینسرونو څخه د معلوماتو راټولولو لپاره کارول کیږي (لکه مایکروفون، کیمرې، یا سرایت شوي سینسرونه).
مخکې له دې چې مایکرو کنټرولر ته واستول شي، معلومات د کلاوډ پر بنسټ د ماشین زده کړې ماډل کې شامل شوي. په آفلاین حالت کې د بیچ روزنه معمولا د دې ماډلونو روزنې لپاره ګمارل کیږي. د سینسر ډاټا چې به کارول کیږي زده کړه او اټکل د ځانګړي غوښتنلیک لپاره دمخه ټاکل شوی.
که ماډل د وییک کلمې موندلو لپاره روزل کیږي، د بیلګې په توګه، دا دمخه د مایکروفون څخه د دوامداره آډیو جریان اداره کولو لپاره تنظیم شوی.
هرڅه دمخه د کلاوډ پلیټ فارم په مرسته ترسره شوي لکه د ګوګل کولاب د TensorFlow لایټ په قضیه کې ، پشمول د ډیټاسیټ انتخاب ، نورمال کول ، د ماډل انډر فټینګ یا اوور فټینګ ، منظم کول ، د ډیټا وده کول ، روزنه ، اعتبار کول او ازموینې.
یو بشپړ روزل شوی ماډل په پای کې د آفلاین بیچ روزنې وروسته مایکرو کنټرولر، مایکرو کمپیوټر، یا ډیجیټل سیګنال پروسیسر ته بدل شوی او لیږدول کیږي. ماډل د ایمبیډ شوي وسیلې ته د لیږدولو وروسته هیڅ اضافي روزنه نلري. پرځای یې، دا یوازې د ماډل پلي کولو لپاره د سینسرونو یا ان پټ وسیلو څخه د ریښتیني وخت ډیټا کاروي.
د پایلې په توګه، د TinyML ماشین زده کړې ماډل باید په استثنایي ډول دوامدار او د دې وړتیا ولري چې له کلونو وروسته بیا وروزل شي یا هیڅکله بیا نه روزل کیږي. ټول احتمالي ماډل انډر فټینګ او ډیر فټینګ باید وڅیړل شي ترڅو موډل د اوږدې مودې لپاره اړوند پاتې شي ، په مثالي توګه غیر معین وخت.
مګر ولې TinyML وکاروئ؟
TinyML د لومړنۍ کوچنۍ کچې لپاره د کلاوډ خدماتو باندې د IoT انحصار له مینځه وړو یا کمولو لپاره د یوې هڅې په توګه پیل شو. ماشین زده کړه عملیات دا پخپله په څنډه وسیلو کې د ماشین زده کړې ماډلونو کارولو ته اړتیا لري. دا لاندې مهمې ګټې وړاندې کوي:
- ټیټ ځواک د مصرف: د TinyML غوښتنلیک باید په غوره توګه له 1 ملی واټ څخه لږ بریښنا وکاروي. د داسې ټیټ بریښنا مصرف سره، یو وسیله ممکن د میاشتو یا کلونو لپاره د سینسر ډیټا څخه پایلې ترلاسه کولو ته دوام ورکړي، حتی که د سکې بیټرۍ لخوا ځواکمن وي.
- ټیټ لګښت: دا د ټیټ لګښت 32-bit مایکرو کنټرولرونو یا DSPs چلولو لپاره ډیزاین شوی. دا مایکرو کنټرولرونه معمولا د هر یو څو سینټ دي، او د دوی سره رامینځته شوي ټول سرایت شوي سیسټم له $ 50 څخه کم دی. دا په لویه پیمانه د کوچني ماشین زده کړې برنامو چلولو لپاره خورا ارزانه انتخاب دی ، او دا په ځانګړي توګه د IoT غوښتنلیکونو کې ګټور دی چیرې چې د ماشین زده کړې باید پلي شي.
- ټیټ ځنډ: د دې غوښتنلیکونه ټیټ ځنډ لري ځکه چې دوی د شبکې له لارې د معلوماتو لیږد یا تبادلې ته اړتیا نلري. د سینسر ټول معلومات په محلي توګه ثبت شوي، او پایلې د هغه ماډل په کارولو سره اخیستل کیږي چې دمخه روزل شوي. د پایلو پایلې ممکن سرور یا کلاوډ ته د ننوتلو یا اضافي پروسس کولو لپاره واستول شي ، که څه هم دا د وسیلې کار کولو لپاره اړین ندي. دا د شبکې ځنډ کموي او په کلاوډ یا سرور کې د ترسره کولو لپاره د ماشین زده کړې عملیاتو اړتیا له مینځه وړي.
- د پټنتيا: دا په انټرنیټ او د شیانو انټرنیټ سره لویه اندیښنه ده. په TinyML ایپس کې د ماشین زده کړې کار په محلي توګه ترسره کیږي، پرته له دې چې سرور/کلاؤډ ته د سینسر/کاروونکي ډیټا ذخیره یا لیږل. د پایلې په توګه، حتی په داسې حال کې چې د شبکې سره تړل شوي، دا غوښتنلیکونه د کارولو لپاره خوندي دي او د محرمیت هیڅ خطر نلري.
غوښتنلیکونه
- کرنه – کله بزګران د نبات عکس اخلي، د TensorFlow Lite اپلیکیشن په هغه کې ناروغۍ کشف کوي. دا په هر وسیله کار کوي او د انټرنیټ پیوستون ته اړتیا نلري. دا کړنلاره د کرنیزو ګټو ساتنه کوي او د کلیوالو کروندګرو لپاره یوه مهمه اړتیا ده.
- میخانیک ساتنه - TinyML، کله چې په ټیټ ځواک لرونکي وسیلو کې کارول کیږي، کولی شي په دوامداره توګه په ماشین کې نیمګړتیاوې وپیژني. دا د وړاندوینې پراساس ساتنه ته اړتیا لري. Ping Services، د آسټرالیا یو پیل شوی، یو IoT ګیجټ معرفي کړی چې د باد توربینونه د توربین بهر سره نښلوي. دا چارواکو ته خبر ورکوي کله چې کومه احتمالي ستونزه یا نیمګړتیا ومومي.
- روغتونونه – د Solar Scare یوه پروژه ده. مچۍ TinyML کاروي ترڅو د ناروغیو خپریدو مخه ونیسي لکه ډینګي او ملاریا. دا د لمریز انرژی لخوا پرمخ وړل کیږي او د مچیو د نسل کولو شرایط کشف کوي مخکې له دې چې د مچیو د نسل د مخنیوي لپاره د اوبو سیګنال ورکړي.
- د ترافیکي څارنې – لخوا د سینسرونو لپاره د TinyML پلي کول چې د ریښتیني وخت ترافیک ډیټا راټولوي ، موږ کولی شو دا غوره مستقیم ترافیک او د بیړني وسایطو لپاره د غبرګون وخت کمولو لپاره وکاروو. Swim.AI، د مثال په توګه، دا ټیکنالوژي د سټیمینګ ډیټا په اړه کاروي ترڅو د مسافرینو خوندیتوب زیات کړي پداسې حال کې چې د سمارټ روټینګ له لارې د ګڼې ګوڼې او اخراج کموي.
- د قانون د: TinyML د قانون پلي کولو کې کارول کیدی شي د ماشین زده کړې او اشارې پیژندنې په کارولو سره د غیرقانوني کړنو پیژندلو لپاره لکه فساد او غلا. ورته برنامه ممکن د بانک ATMs خوندي کولو لپاره هم وکارول شي. د کارونکي چلند په لیدو سره، د TinyML ماډل ممکن وړاندوینه وکړي چې ایا کارونکی یو ریښتینی مصرف کونکی دی چې معامله بشپړوي یا مداخله کونکی د ATM هیک یا ویجاړولو هڅه کوي.
د TinyML سره څنګه پیل کول؟
په TensorFlow Lite کې د TinyML سره پیل کولو لپاره، تاسو به یو مناسب مایکرو کنټرولر بورډ ته اړتیا ولرئ. د مایکرو کنټرولرونو لپاره ټینسر فلو لایټ لاندې لیست شوي مایکرو کنټرولرونو ملاتړ کوي.
- د وایو ټرمینل: ATSAMD51
- Himax WE-I Plus EVB پای ټکی AI پراختیایی بورډ
- د STM32F746 کشف کټ
- Adafruit EdgeBadge
- Synopsys DesignWare ARC EM سافټویر پرمختیا پلیټ فارم
- سوني سپریسینس
- اردوینو نانو 33 BLE احساس
- SparkFun څنډه
- د مایکرو کنټرولر کټ لپاره اډافروټ ټینسر فلو لایټ
- Adafruit سرکټ د لوبې ډګر Bluefruit
- Espressif ESP32-DevKitC
- Espressif ESP-EYE
دا 32-bit مایکرو کنټرولرونه دي چې د ماشین زده کړې ماډل اجرا کولو لپاره کافي فلش حافظه ، RAM او د ساعت فریکوینسي لري. بورډونه یو شمیر آن بورډ سینسرونه هم لري چې د هر ایمبیډ شوي برنامه چلولو وړتیا لري او په نښه شوي غوښتنلیک کې د ماشین زده کړې ماډلونه پلي کوي. ته د ماشین زده کړې ماډل جوړ کړئ، تاسو به د هارډویر پلیټ فارم سربیره لپ ټاپ یا کمپیوټر ته اړتیا ولرئ.
هر هارډویر پلیټ فارم د ماشین زده کړې ماډلونو جوړولو ، روزنې ، او پورټینګ کولو لپاره خپل برنامه کولو وسیلې لري ، کوم چې د مایکرو کنټرولر کڅوړې لپاره ټینسر فلو لایټ کاروي. TensorFlow Lite د کارولو او تعدیل لپاره وړیا دی ځکه چې دا دی د پرانيستې سرچينې.
د TinyML او TensorFlow Lite سره د پیل کولو لپاره، تاسو ټول هغه څه ته اړتیا لرئ چې پورته ذکر شوي ایمبیډ شوي هارډویر پلیټ فارمونو څخه یو، کمپیوټر/لیپ ټاپ، یو USB کیبل، یو USB-to-سیریل کنورټر - او د ایمبیډ شوي سیسټمونو سره د ماشین زده کړې تمرین کولو لیوالتیا ده. .
ننګونې
حتی په داسې حال کې چې د TinyML پرمختګ ډیری مثبتې پایلې ترلاسه کړې، د ماشین زده کړې صنعت لاهم د پام وړ خنډونو سره مخ دی.
- د سافټویر تنوع - لاسي کوډ کول، د کوډ تولید، او د ML ترجمانان په TinyML وسیلو کې د ماډلونو ځای په ځای کولو لپاره ټول اختیارونه دي، او هر یو مختلف وخت او هڅې اخلي. د دې په پایله کې مختلف فعالیت رامینځته کیدی شي.
- د هارډویر تنوع - هلته د هارډویر ډیری اختیارونه شتون لري. د TinyML پلیټ فارمونه د عمومي هدف مایکرو کنټرولرونو څخه نیولې تر عصبي پروسیسرونو پورې هرڅه کیدی شي. دا په مختلف جوړښتونو کې د ماډل ګمارلو سره مسلې رامینځته کوي.
- د ستونزو حل کول / ډیبګ کول - کله د ML ماډل په بادل کې خراب فعالیت کوي، دا ساده ده چې ډاټا وګورئ او معلومه کړئ چې څه غلط کیږي. کله چې یو ماډل د زرګونو TinyML وسیلو په اوږدو کې خپور شي ، د ډیټا جریان سره بادل ته بیرته نه راځي ، ډیبګ کول ستونزمن کیږي او ممکن مختلف میتود ته اړتیا ولري.
- د حافظې محدودیتونه - دودیز پلیټ فارمونه، لکه سمارټ فونونه او لپټاپونه، ګیګابایټ رام ته اړتیا لري، پداسې حال کې چې د TinyML وسایل کیلوبایټ یا میګابایټ کاروي. د پایلې په توګه، د ماډل اندازه چې کیدای شي ځای پرځای شي محدود دی.
- د ماډل روزنه - که څه هم په TinyML وسیلو کې د ML ماډلونو ځای په ځای کولو لپاره ډیری ګټې شتون لري ، د ML ډیری ماډلونه لاهم په بادل کې روزل شوي ترڅو تکرار او په دوامداره توګه د ماډل درستیت ښه کړي.
راتلونکي
TinyML، د خپل کوچني نقش، د ټیټ بیټرۍ مصرف، او د انټرنیټ اتصال د نشتوالي یا محدودیت سره، په راتلونکي کې خورا لوی ظرفیت لري، لکه څنګه چې ډیری محدودیت لري. مصنوعي هوښیارتیا په څنډه وسیلو یا خپلواکه سرایت شوي ګیجټونو کې به پلي شي.
دا به د IoT غوښتنلیکونه د ګټې اخیستنې له لارې ډیر شخصي او خوندي کړي. که څه هم ټیسسر فولډ لایټ اوس مهال د مایکرو کنټرولرونو او مایکرو کمپیوټرونو لپاره د ماشین زده کړې یوازینۍ چوکاټ دی، نور د پرتله کولو وړ چوکاټونه لکه سینسر او د ARM CMSIS-NN په کار کې دي.
پداسې حال کې چې ټینسر فلو لایټ د خلاصې سرچینې پروژه ده چې په پرمختګ کې ده چې د ګوګل ټیم سره په زړه پوري پیل ته رسیدلی ، دا لاهم اصلي جریان ته د ننوتلو لپاره د ټولنې ملاتړ ته اړتیا لري.
پایله
TinyML یوه نوې طریقه ده چې د ماشین زده کړې سره یوځای شوي سیسټمونه یوځای کوي. لکه څنګه چې تنګ AI په ډیری عمودی او ډومینونو کې لوړیږي، ټیکنالوژي کولی شي د ماشین زده کړې او مصنوعي استخباراتو کې د یو مهم فرعي ساحې په توګه راڅرګند شي.
دا د ډیری ننګونو لپاره حل چمتو کوي چې د IoT سکتور او مسلکیان چې ډیری ډومین ځانګړي ډیسکونو ته د ماشین زده کړې پلي کوي اوس ورسره مخ دي.
د ماشین زده کړې کارولو مفهوم د وړو کمپیوټرو سره څنډه وسایل د فوټ نښان او د بریښنا مصرف د پام وړ بدلون راوستلو وړتیا لري چې څنګه سرایت شوي سیسټمونه او روبوټیکونه جوړیږي.
یو ځواب ورکړئ ووځي