Daptar eusi[Sumputkeun][Témbongkeun]
Modél Pembelajaran Mesin aya di sakumna tempat ayeuna. Beurang, Anjeun meureun ngagunakeun model ieu leuwih loba ti anjeun sadar. Modél pembelajaran mesin dianggo dina tugas umum sapertos browsing média sosial, motret, sareng mariksa cuaca.
Algoritma mesin-learning tiasa nyarankeun blog ieu ka anjeun. Urang sadaya parantos nguping kumaha nyéépkeun waktos pikeun ngalatih modél ieu. Urang sadaya parantos nguping yén ngalatih modél ieu nyéépkeun waktos.
Sanajan kitu, nyieun inferensi dina model ieu remen komputasi ongkosna mahal.
Urang peryogi sistem komputer anu cukup gancang pikeun nanganan tingkat dimana urang ngagunakeun jasa pembelajaran mesin. Hasilna, seuseueurna model ieu dijalankeun dina pusat data masif sareng klaster CPU sareng GPU (malah TPU dina sababaraha kasus).
Nalika anjeun nyandak gambar, anjeun hoyong learning mesin pikeun langsung ningkatkeun éta. Anjeun teu hoyong kedah ngantosan gambar ditransfer ka pusat data, diolah, sareng dipulangkeun ka anjeun. Dina hal ieu, modél pembelajaran mesin kedah dilaksanakeun sacara lokal.
Nalika anjeun nyarios "Hei Siri" atanapi "OK, Google," anjeun hoyong gadget anjeun langsung ngabales. Ngantosan sora anjeun dikirimkeun ka komputer, dimana éta bakal dievaluasi sareng data dicandak.
Ieu butuh waktu jeung boga pangaruh detrimental dina pangalaman pamaké. Dina hal ieu, anjeun hoyong modél pembelajaran mesin ogé tiasa dianggo sacara lokal. Ieu dimana TinyML asup.
Dina tulisan ieu, urang bakal ningali kana TinyML, kumaha jalanna, kagunaanna, kumaha ngamimitian éta, sareng seueur deui.
Naon TinyML?
TinyML mangrupikeun disiplin canggih anu nerapkeun poténsi revolusioner pembelajaran mesin pikeun pagelaran sareng wates kakuatan alat leutik sareng sistem anu dipasang.
Panyebaran anu suksés dina industri ieu peryogi pamahaman anu lengkep ngeunaan aplikasi, algoritma, hardware, sareng parangkat lunak. Ieu mangrupikeun subgenre pembelajaran mesin anu ngagunakeun modél pembelajaran jero sareng pembelajaran mesin dina sistem anu dipasang anu nganggo mikrokontroler, prosesor sinyal digital, atanapi prosesor khusus ultra-low-daya anu sanés.
Alat anu dipasang ku TinyML dimaksudkeun pikeun ngajalankeun algoritma pembelajaran mesin pikeun padamelan khusus, biasana salaku bagian tina alat komputasi ujung.
Pikeun ngajalankeun sababaraha minggu, bulan, atanapi malah taun tanpa ngecas atanapi ngagantian batré, sistem anu dipasang ieu kedah gaduh konsumsi daya kirang ti 1 mW.
Kumaha carana sangkan eta pagawean?
Hiji-hijina kerangka pembelajaran mesin anu tiasa dianggo sareng mikrokontroler sareng komputer nyaéta TensorFlow Lite. Ieu mangrupikeun sakumpulan alat anu ngamungkinkeun para pamekar ngajalankeun modélna dina alat sélulér, dipasang, sareng ujung, ngamungkinkeun pikeun diajar mesin kalayan gancang.
Antarmuka mikrokontroler dianggo pikeun ngumpulkeun data tina sénsor (sapertos mikropon, kaméra, atanapi sénsor anu dipasang).
Sateuacan dikirim ka mikrokontroler, datana dilebetkeun kana modél pembelajaran mesin dumasar-awan. Latihan angkatan dina modeu offline biasana dianggo pikeun ngalatih modél ieu. Data sensor anu bakal dianggo pikeun diajar jeung inferensi geus ditangtukeun pikeun aplikasi husus.
Upami modél dilatih pikeun ngadeteksi kecap hudang, contona, éta parantos disetél pikeun ngatur aliran audio kontinyu tina mikropon.
Sadayana parantos dilakukeun kalayan bantosan platform awan sapertos Google Colab dina kasus TensorFlow Lite, kalebet seleksi dataset, normalisasi, underfitting atanapi overfitting model, regularization, augmentation data, pelatihan, validasi, sareng uji.
Modél anu dilatih sapinuhna dirobih sareng ditransfer kana mikrokontroler, mikrokomputer, atanapi prosesor sinyal digital saatos latihan angkatan offline. Modél ieu henteu ngagaduhan latihan tambahan saatos dipindahkeun ka alat anu dipasang. Sabalikna, éta ngan ukur nganggo data real-time tina sénsor atanapi alat input pikeun nerapkeun modél éta.
Hasilna, modél pembelajaran mesin TinyML kedah luar biasa awét sareng tiasa dilatih deui saatos sababaraha taun atanapi henteu kantos dilatih deui. Kabéh model underfitting na overfitting poténsial kudu ditalungtik ambéh model tetep relevan pikeun lila nambahan, ideally salamina.
Tapi Naha nganggo TinyML?
TinyML dimimitian salaku usaha pikeun ngaleungitkeun atanapi ngirangan katergantungan IoT kana jasa awan pikeun skala leutik dasar. learning mesin operasi. Ieu ngabutuhkeun ngagunakeun modél pembelajaran mesin dina alat-alat tepi sorangan. Eta nyadiakeun kauntungan utama handap:
- Kakuatan handap pamakeanana barang: Hiji aplikasi TinyML preferably kedah ngagunakeun kirang ti 1 milliWatt kakuatan. Kalayan konsumsi kakuatan anu rendah sapertos kitu, alat tiasa teras-terasan nyandak kacindekan tina data sensor salami sababaraha bulan atanapi taun, sanaos didamel ku batré koin.
- biaya handap: Ieu dirancang pikeun ngajalankeun on béaya rendah 32-bit microcontrollers atanapi DSPs. Mikrokontroler ieu biasana sababaraha sén masing-masing, sareng total sistem anu dipasang sareng aranjeunna kirang ti $50. Ieu pilihan pisan ongkos-éféktif pikeun ngajalankeun program mesin learning saeutik dina skala badag, sarta hususna mangpaat dina aplikasi IoT dimana learning mesin kudu dilarapkeun.
- Handap Latency: Aplikasina gaduh latency anu rendah sabab henteu kedah ngangkut atanapi tukeur data dina jaringan. Sadaya data sensor dirékam sacara lokal, sareng kasimpulan digambar nganggo modél anu parantos dilatih. Hasil tina inferensi bisa dikirim ka server atawa awan pikeun logging atawa processing tambahan, sanajan ieu teu penting pikeun alat nu bisa jalan. Ieu ngaminimalkeun latency jaringan sareng ngaleungitkeun kabutuhan operasi pembelajaran mesin pikeun dilaksanakeun dina awan atanapi server.
- kalaluasaan: Éta mangrupikeun perhatian utama dina internét sareng internét ngeunaan hal-hal. Karya pembelajaran mesin dina aplikasi TinyML dilaksanakeun sacara lokal, tanpa nyimpen atanapi ngirim data sensor/pamaké ka server/awan. Hasilna, sanajan dihubungkeun sareng jaringan, aplikasi ieu aman dianggo sareng henteu aya résiko privasi.
aplikasi
- Tatanén - Nalika patani nyandak poto pepelakan, aplikasi TensorFlow Lite ngadeteksi panyakit di jerona. Gawéna dina alat naon waé sareng henteu ngabutuhkeun sambungan internét. Prosedur ngajaga kapentingan tatanén sarta mangrupa kabutuhan kritis pikeun patani désa.
- Pangropéa Mékanika - TinyML, nalika dianggo dina alat anu teu kuat, tiasa terus-terusan ngaidentipikasi cacad dina mesin. Ieu merlukeun pangropéa dumasar-prediksi. Ping Services, start-up Australia, parantos ngenalkeun gadget IoT anu ngawas turbin angin ku cara ngagantelkeun diri ka luar turbin. Éta ngabéjaan ka otoritas iraha waé éta ngadeteksi masalah atanapi gangguan anu mungkin.
- Rumah Sakit - The Solar Scare mangrupikeun proyék. Reungit ngagunakeun TinyML pikeun ngeureunkeun panyebaran panyakit sapertos demam berdarah sareng malaria. Hal ieu Powered by tanaga surya sarta ngadeteksi kaayaan beternak reungit saméméh signalling cai pikeun ngahambat beternak reungit.
- Panjagaan Lalu Lintas - Ku nerapkeun TinyML kana sensor anu ngumpulkeun data lalulintas real-time, urang bisa make eta pikeun lalulintas langsung hadé tur motong waktu respon pikeun kandaraan darurat. Swim.AI, contona, ngagunakeun téknologi ieu dina ngalirkeun data pikeun ningkatkeun kasalametan panumpang bari ogé ngirangan kamacetan sareng émisi ngaliwatan rute pinter.
- hukum: TinyML bisa dipaké dina penegak hukum pikeun ngaidentipikasi lampah ilegal kayaning rioting jeung maling ngagunakeun learning mesin sarta pangakuan gesture. Program anu sami ogé tiasa dianggo pikeun ngamankeun ATM bank. Ku ningali paripolah pangguna, modél TinyML tiasa ngaduga naha pangguna mangrupikeun konsumen nyata anu ngarengsekeun transaksi atanapi penceroboh anu nyobian hack atanapi ngancurkeun ATM.
Kumaha ngamimitian sareng TinyML?
Pikeun ngamimitian nganggo TinyML dina TensorFlow Lite, anjeun peryogi papan mikrokontroler anu cocog. TensorFlow Lite pikeun Mikrokontroler ngadukung mikrokontroler anu didaptarkeun di handap.
- Wio Terminal: ATSAMD51
- Himax WE-I Ditambah EVB Endpoint AI Development Board
- STM32F746 Kit Papanggihan
- Adafruit EdgeBadge
- Synopsys DesignWare ARC EM Software Development Platform
- Sony Spressense
- Arduino Nano 33 BLE Rasa
- SparkFun Tepi
- Adafruit TensorFlow Lite pikeun Microcontrollers Kit
- Adafruit Circuit tempat kaulinan Bluefruit
- Espressif ESP32-DevKitC
- Espressif ESP-PANON
Ieu mangrupikeun mikrokontroler 32-bit anu gaduh mémori lampu kilat, RAM, sareng frékuénsi jam anu cekap pikeun ngaéksekusi modél pembelajaran mesin. Papan ogé gaduh sababaraha sénsor onboard anu tiasa ngajalankeun program anu dipasang sareng nerapkeun modél pembelajaran mesin kana aplikasi anu dituju. Ka ngawangun modél pembelajaran mesin, anjeun peryogi laptop atanapi komputer salian ti platform hardware.
Unggal platform hardware boga parabot programming sorangan pikeun ngawangun, palatihan, jeung porting model learning mesin, nu ngagunakeun TensorFlow Lite pikeun pakét Microcontrollers. TensorFlow Lite bébas ngagunakeun sareng ngarobih sabab éta open source.
Pikeun ngamimitian nganggo TinyML sareng TensorFlow Lite, sadaya anu anjeun peryogikeun nyaéta salah sahiji platform hardware anu disebatkeun di luhur, komputer / laptop, kabel USB, konverter USB-to-Serial - sareng kahayang pikeun latihan mesin diajar sareng sistem anu dipasang. .
tantangan
Sanaos kamajuan TinyML parantos ngahasilkeun seueur hasil anu positif, industri pembelajaran mesin masih nyanghareupan halangan anu ageung.
- Diversity software - leungeun-coding, Generasi kode, sareng juru ML mangrupikeun pilihan pikeun nyebarkeun modél dina alat TinyML, sareng masing-masing butuh waktos sareng usaha anu béda. pintonan béda bisa timbul salaku hasil tina ieu.
- Diversity hardware - Aya Aya sababaraha pilihan hardware. Platform TinyML tiasa waé tina mikrokontroler tujuan umum dugi ka prosesor saraf canggih. Ieu nyababkeun masalah sareng panyebaran modél dina arsitéktur anu béda.
- Ngungkulan / debugging - Nalika model ML ngalakukeun goréng dina awan, éta basajan katingal dina data jeung angka kaluar naon anu bade salah. Nalika modél disebarkeun ka rébuan alat TinyML, tanpa aliran data anu balik deui ka méga, debugging janten sesah sareng peryogi metode anu béda.
- Konstrain memori - Tradisional platform, kayaning smartphone jeung laptop, merlukeun gigabytes RAM, sedengkeun alat TinyML ngagunakeun kilobytes atawa megabytes. Hasilna, ukuran model anu tiasa disebarkeun diwatesan.
- Latihan modél - Sanajan Aya sababaraha kaunggulan pikeun deploying model ML dina alat TinyML, bulk model ML masih dilatih dina awan pikeun iterate sarta terus ngaronjatkeun akurasi model.
hareup
TinyML, kalayan tapak suku anu leutik, konsumsi batré anu rendah, sareng kurangna atanapi ngandelkeun kawates dina konektipitas internét, gaduh poténsi anu ageung di hareup, sabab seuseueurna anu sempit. kacerdasan buatan bakal dilaksanakeun dina alat ujung atawa gadget embedded bebas.
Éta bakal ngajantenkeun aplikasi IoT langkung pribadi sareng aman ku ngamangpaatkeunana. Padahal TensorFlow Lite ayeuna mangrupikeun hiji-hijina kerangka pembelajaran mesin pikeun mikrokontroler sareng mikrokomputer, kerangka kerja anu dibandingkeun sapertos sensor sareng CMSIS-NN ARM nuju didamel.
Nalika TensorFlow Lite mangrupikeun proyék open-source anu nuju ngamimitian anu saé sareng Tim Google, éta masih peryogi dukungan komunitas pikeun asup kana arus utama.
kacindekan
TinyML mangrupikeun pendekatan novél anu ngagabungkeun sistem anu dipasang sareng pembelajaran mesin. Salaku puncak AI sempit dina loba vertikal sarta domain, téhnologi bisa muncul salaku subfield nonjol dina mesin learning jeung kecerdasan jieunan.
Éta nyayogikeun solusi pikeun seueur tantangan anu sektor IoT sareng profésional anu nerapkeun pembelajaran mesin ka seueur disiplin khusus domain anu ayeuna disanghareupan.
Konsep ngamangpaatkeun machine learning di alat ujung kalawan komputasi leutik Sidik sareng konsumsi kakuatan gaduh poténsi pikeun ngarobih sacara signifikan kumaha sistem anu dipasang sareng robotika diwangun.
Leave a Reply