Преглед садржаја[Сакрити][Прикажи]
Модели машинског учења су тренутно свуда. Током дана, вероватно користите ове моделе много више него што мислите. Модели машинског учења се користе у уобичајеним задацима као што су прегледање друштвених медија, фотографисање и провера времена.
Алгоритам машинског учења можда вам је препоручио овај блог. Сви смо чули колико је времена за обуку ових модела. Сви смо чули да је обука ових модела дуготрајна.
Међутим, извођење закључака о овим моделима је често рачунски скупо.
Потребни су нам рачунарски системи који су довољно брзи да подносе стопу којом користимо услуге машинског учења. Као резултат тога, већина ових модела ради на масивним центрима података са ЦПУ и ГПУ кластерима (чак и ТПУ у неким случајевима).
Кад сликаш, желиш Машина учење да га тренутно побољшате. Не желите да чекате да се слика пренесе у центар података, обради и врати вама. У овом случају, модел машинског учења треба да се изврши локално.
Када кажете „Хеј Сири“ или „ОК, Гоогле“, желите да ваши уређаји одмах реагују. Чека се да се ваш глас пренесе на рачунаре, где ће бити процењен и добијени подаци.
Ово захтева време и има штетан утицај на корисничко искуство. У овом случају, желите да модел машинског учења ради и локално. Овде долази ТиниМЛ.
У овом посту ћемо погледати ТиниМЛ, како функционише, његову употребу, како да почнете са њим и још много тога.
Шта је ТиниМЛ?
ТиниМЛ је најсавременија дисциплина која примењује револуционарни потенцијал машинског учења на перформансе и ограничења снаге малих уређаја и уграђених система.
Успешна примена у овој индустрији захтева темељно разумевање апликација, алгоритама, хардвера и софтвера. То је поџанр машинског учења који користи моделе дубоког учења и машинског учења у уграђеним системима који користе микроконтролере, процесоре дигиталних сигнала или друге специјализоване процесоре ултра мале потрошње.
Уграђени уређаји који подржавају ТиниМЛ су намењени за покретање алгоритма машинског учења за одређени посао, обично као део уређаја едге цомпутинг.
Да би радили недељама, месецима или чак годинама без поновног пуњења или замене батерије, ови уграђени системи морају имати потрошњу енергије мању од 1 мВ.
Како то функционише?
Једини оквир за машинско учење који се може користити са микроконтролерима и рачунарима је ТенсорФлов Лите. То је скуп алата који програмерима омогућавају да покрећу своје моделе на мобилним, уграђеним и рубним уређајима, омогућавајући машинско учење у ходу.
Интерфејс микроконтролера се користи за прикупљање података са сензора (као што су микрофони, камере или уграђени сензори).
Пре него што се пошаљу микроконтролеру, подаци се уграђују у модел машинског учења заснованог на облаку. Групна обука у офлајн режиму се обично користи за обуку ових модела. Подаци сензора који ће се користити за учење и закључивање већ је одређена за конкретну примену.
Ако се модел обучава да детектује будну реч, на пример, он је већ подешен да рукује континуираним аудио стреамом из микрофона.
Све је већ урађено уз помоћ клауд платформе као што је Гоогле Цолаб у случају ТенсорФлов Лите-а, укључујући избор скупова података, нормализацију, недовољну уградњу или преоптерећење модела, регуларизацију, повећање података, обуку, валидацију и тестирање.
Потпуно обучени модел се на крају трансформише и преноси у микроконтролер, микрорачунар или процесор дигиталних сигнала након групне обуке ван мреже. Модел нема додатну обуку након што је премештен на уграђени уређај. Уместо тога, користи искључиво податке у реалном времену са сензора или улазних уређаја да примени модел.
Као резултат тога, ТиниМЛ модел машинског учења мора бити изузетно издржљив и способан да се поново обучи након година или никада не буде поново обучен. Сва потенцијална недовољна и прекомјерна опрема модела морају се истражити тако да модел остане релевантан дужи временски период, идеално неограничено.
Али зашто користити ТиниМЛ?
ТиниМЛ је започео као покушај да се елиминише или смањи ослањање ИоТ-а на услуге у облаку за основне мале Машина учење операције. Ово је захтевало употребу модела машинског учења на самим ивичним уређајима. Пружа следеће главне предности:
- Мале снаге потрошња: ТиниМЛ апликација би пожељно требало да користи мање од 1 милиВатт снаге. Са тако малом потрошњом енергије, уређај може наставити да изводи закључке из података сензора месецима или годинама, чак и ако се напаја помоћу дугмасте батерије.
- Нижа цена: Дизајниран је да ради на јефтиним 32-битним микроконтролерима или ДСП-овима. Ови микроконтролери су обично по неколико центи, а укупан уграђени систем развијен са њима је мањи од 50 долара. Ово је веома исплатива опција за покретање малих програма машинског учења у великом обиму, а посебно је корисна у ИоТ апликацијама где се мора применити машинско учење.
- Ловер Латенци: Његове апликације имају мало кашњење јер не морају да преносе или размењују податке преко мреже. Сви подаци сензора се снимају локално, а закључци се доносе помоћу модела који је већ обучен. Резултати закључака се могу послати серверу или облаку ради евидентирања или додатне обраде, иако то није неопходно за рад уређаја. Ово минимизира кашњење мреже и елиминише потребу да се операције машинског учења изводе у облаку или серверу.
- приватност: То је велика брига на интернету и Интернету ствари. Рад машинског учења у ТиниМЛ апликацијама се обавља локално, без складиштења или слања података сензора/корисника на сервер/облак. Као резултат тога, чак и док су повезане са мрежом, ове апликације су безбедне за коришћење и не представљају ризик по приватност.
aplikacije
- Пољопривреда – Када фармери фотографишу биљку, апликација ТенсорФлов Лите открива болести у њој. Ради на било ком уређају и не захтева интернет везу. Поступак штити пољопривредне интересе и критична је потреба за сеоске пољопривреднике.
- Одржавање механике – ТиниМЛ, када се користи на уређајима мале снаге, може стално да идентификује недостатке у машини. То подразумева одржавање засновано на предвиђањима. Пинг Сервицес, аустралијски старт-уп, представио је ИоТ гаџет који прати турбине на ветар тако што се причвршћује на спољашњу страну турбине. Обавештава надлежне органе кад год открије било какав могући проблем или квар.
- Болнице – Тхе Солар Сцаре је пројекат. Комарац користи ТиниМЛ да заустави ширење болести као што су денга и маларија. Напаја се соларном енергијом и детектује услове размножавања комараца пре него што сигнализира води да инхибира размножавање комараца.
- Саобраћајни надзор – Аутор применом ТиниМЛ-а на сензоре који прикупљају податке о саобраћају у реалном времену, можемо их користити за боље усмеравање саобраћаја и скраћење времена одговора за возила хитне помоћи. Свим.АИ, на пример, користи ову технологију за стриминг података како би повећао безбедност путника, а истовремено смањио загушење и емисије путем паметног рутирања.
- Закон: ТиниМЛ се може користити у органима за спровођење закона за идентификацију незаконитих радњи као што су немири и крађа користећи машинско учење и препознавање покрета. Сличан програм се такође може користити за обезбеђење банкомата банака. Гледајући понашање корисника, ТиниМЛ модел може предвидети да ли је корисник прави потрошач који завршава трансакцију или уљез који покушава да хакује или уништи банкомат.
Како започети са ТиниМЛ-ом?
Да бисте започели са ТиниМЛ-ом у ТенсорФлов Лите-у, требаће вам компатибилна плоча микроконтролера. ТенсорФлов Лите за микроконтролере подржава доле наведене микроконтролере.
- Вио терминал: АТСАМД51
- Химак ВЕ-И Плус ЕВБ Ендпоинт АИ развојна плоча
- СТМ32Ф746 Комплет за откривање
- Адафруит ЕдгеБадге
- Синопсис ДесигнВаре АРЦ ЕМ платформа за развој софтвера
- Сони Спресенсе
- Ардуино Нано 33 БЛЕ Сенсе
- СпаркФун Едге
- Адафруит ТенсорФлов Лите комплет за микроконтролере
- Адафруит Цирцуит Плаигроунд Блуефруит
- Еспрессиф ЕСП32-ДевКитЦ
- Еспрессиф ЕСП-ЕИЕ
Ово су 32-битни микроконтролери који имају довољно флеш меморије, РАМ-а и фреквенције такта за извршавање модела машинског учења. Плоче такође имају велики број уграђених сензора који могу да покрену било који уграђени програм и примене моделе машинског учења на циљану апликацију. До изградити модел машинског учења, биће вам потребан лаптоп или рачунар поред хардверске платформе.
Свака хардверска платформа има сопствене алате за програмирање за изградњу, обуку и пренос модела машинског учења, који користе ТенсорФлов Лите пакет за микроконтролере. ТенсорФлов Лите је слободан за коришћење и модификовање јер јесте Опен Соурце.
Да бисте започели са ТиниМЛ-ом и ТенсорФлов Лите-ом, све што вам треба је једна од горе наведених уграђених хардверских платформи, рачунар/лаптоп, УСБ кабл, УСБ-на-серијски конвертор – и жеља да вежбате машинско учење са уграђеним системима .
Изазови
Иако је напредак ТиниМЛ-а дао многе позитивне резултате, индустрија машинског учења се и даље суочава са значајним препрекама.
- Разноликост софтвера – Ручно кодирање, генерисање кода и МЛ интерпретери су све опције за примену модела на ТиниМЛ уређајима, и за сваки је потребно различито време и труд. Као резултат тога могу настати различите перформансе.
- Разноликост хардвера – постоји доступно је неколико хардверских опција. ТиниМЛ платформе могу бити било шта, од микроконтролера опште намене до најсавременијих неуронских процесора. Ово узрокује проблеме са применом модела у различитим архитектурама.
- Решавање проблема/отклањање грешака – Када МЛ модел ради лоше у облаку, једноставно је погледати податке и схватити шта није у реду. Када се модел прошири на хиљаде ТиниМЛ уређаја, без тока података који се враћа у облак, отклањање грешака постаје тешко и може захтевати другачији метод.
- Меморијска ограничења – традиционално платформама, као што су паметни телефони и лаптопови, потребни су гигабајти РАМ-а, док ТиниМЛ уређаји користе килобајте или мегабајте. Као резултат тога, величина модела који се може применити је ограничена.
- Обука модела – Иако Постоји неколико предности примене МЛ модела на ТиниМЛ уређајима, већина МЛ модела је још увек обучена у облаку да понавља и континуирано побољшава тачност модела.
Будућност
ТиниМЛ, са својим малим отиском, малом потрошњом батерије и недостатком или ограниченим ослањањем на интернет конекцију, има огроман потенцијал у будућности, јер већина уских вештачка интелигенција биће имплементиран на ивичним уређајима или независним уграђеним гаџетима.
То ће учинити ИоТ апликације приватнијим и сигурнијим тако што ће их искористити. Мада ТенсорФлов Лите је тренутно једини оквир за машинско учење за микроконтролере и микрорачунаре, а други упоредиви оквири као што су сензор и АРМ-ов ЦМСИС-НН су у изради.
Иако је ТенсорФлов Лите пројекат отвореног кода који је у току и који је сјајно започео са Гоогле тимом, и даље му је потребна подршка заједнице да би ушао у маинстреам.
Zakljucak
ТиниМЛ је нови приступ који комбинује уграђене системе са машинским учењем. Како уска вештачка интелигенција достиже врхунац у многим вертикалама и доменима, технологија може да се појави као истакнуто подпоље у машинском учењу и вештачкој интелигенцији.
Пружа решење за бројне изазове са којима се сада суочавају ИоТ сектор и професионалци који примењују машинско учење у многим дисциплинама специфичним за домен.
Концепт коришћења машинског учења на рубни уређаји са малим рачунаром Отисак и потрошња енергије имају потенцијал да значајно трансформишу начин на који се конструишу уграђени системи и роботика.
Ostavite komentar