الذكاء الاصطناعي
TinyML: التطبيقات والقيود واستخدامها في أجهزة إنترنت الأشياء وأجهزة Edge
في السنوات القليلة الماضية، تطور الذكاء الاصطناعي (AI) و تعلم آلة (ML) شهدت ارتفاعًا كبيرًا في شعبيتها وتطبيقاتها، ليس فقط في الصناعة ولكن أيضًا في الأوساط الأكاديمية. ومع ذلك، فإن نماذج التعلم الآلي والذكاء الاصطناعي الحالية بها قيد رئيسي واحد: فهي تتطلب قدرًا هائلاً من قوة الحوسبة والمعالجة لتحقيق النتائج والدقة المطلوبة. وهذا غالبًا ما يحصر استخدامها في الأجهزة ذات القدرة العالية ذات القدرة الحاسوبية الكبيرة.
ولكن نظرًا للتقدم المحرز في تكنولوجيا النظام المضمن، والتطور الكبير في صناعة إنترنت الأشياء، فمن المستحسن دمج استخدام تقنيات ومفاهيم تعلم الآلة في نظام مضمن محدود الموارد للذكاء في كل مكان. تعد الرغبة في استخدام مفاهيم ML في الأنظمة المدمجة وأنظمة إنترنت الأشياء هي العامل المحفز الرئيسي وراء تطوير TinyML، وهي تقنية ML مضمنة تسمح بنماذج ML وتطبيقاتها على أجهزة متعددة محدودة الموارد ومقيدة الطاقة ورخيصة الثمن.
ومع ذلك، فإن تنفيذ تعلم الآلة على الأجهزة ذات الموارد المحدودة لم يكن أمرًا بسيطًا لأن تنفيذ نماذج تعلم الآلة على الأجهزة ذات القدرة الحاسوبية المنخفضة يمثل تحدياته الخاصة من حيث التحسين، وقدرة المعالجة، والموثوقية، وصيانة النماذج، وغير ذلك الكثير.
في هذه المقالة، سنتعمق أكثر في نموذج TinyML، ونتعرف على المزيد حول خلفيته، والأدوات التي تدعم TinyML، وتطبيقات TinyML التي تستخدم التقنيات المتقدمة. دعنا نبدأ.
مقدمة إلى TinyML: لماذا يحتاج العالم إلى TinyML
تهدف أجهزة إنترنت الأشياء أو أجهزة IoT إلى الاستفادة من الحوسبة المتطورة، وهو نموذج حوسبة يشير إلى مجموعة من الأجهزة والشبكات القريبة من المستخدم لتمكين المعالجة السلسة وفي الوقت الفعلي للبيانات من ملايين أجهزة الاستشعار والأجهزة المترابطة مع بعضها البعض. إحدى المزايا الرئيسية لأجهزة إنترنت الأشياء هي أنها تتطلب طاقة حوسبة ومعالجة منخفضة لأنها قابلة للنشر على حافة الشبكة، وبالتالي لها مساحة ذاكرة منخفضة.
علاوة على ذلك، تعتمد أجهزة إنترنت الأشياء بشكل كبير على منصات الحافة لجمع البيانات ثم نقلها حيث تقوم هذه الأجهزة الطرفية بجمع البيانات الحسية، ثم تنقلها إما إلى موقع قريب، أو منصات سحابية للمعالجة. تقوم تقنية الحوسبة المتطورة بتخزين البيانات وتنفيذها، كما توفر البنية التحتية اللازمة لدعم الحوسبة الموزعة.
يوفر تطبيق الحوسبة المتطورة في أجهزة إنترنت الأشياء
- الأمان والخصوصية والموثوقية الفعالة للمستخدمين النهائيين.
- تأخير أقل.
- توفر أعلى واستجابة إنتاجية للتطبيقات والخدمات.
علاوة على ذلك، نظرًا لأن أجهزة الحافة يمكنها نشر تقنية تعاونية بين أجهزة الاستشعار والسحابة، فيمكن إجراء معالجة البيانات على حافة الشبكة بدلاً من إجرائها على النظام الأساسي السحابي. يمكن أن يؤدي ذلك إلى إدارة فعالة للبيانات، واستمرارية البيانات، والتسليم الفعال، والتخزين المؤقت للمحتوى. بالإضافة إلى ذلك، فإن تنفيذ إنترنت الأشياء في التطبيقات التي تتعامل مع H2M أو التفاعل بين الإنسان والآلة والحوسبة المتطورة للرعاية الصحية الحديثة يوفر طريقة لتحسين خدمات الشبكة بشكل كبير.
أظهرت الأبحاث الحديثة في مجال حوسبة حافة إنترنت الأشياء إمكانية تنفيذ تقنيات التعلم الآلي في العديد من حالات استخدام إنترنت الأشياء. ومع ذلك، فإن المشكلة الرئيسية هي أن نماذج التعلم الآلي التقليدية غالبًا ما تتطلب قوة حوسبة ومعالجة قوية، وسعة ذاكرة عالية تحد من تنفيذ نماذج التعلم الآلي في أجهزة وتطبيقات إنترنت الأشياء.
علاوة على ذلك، تفتقر تكنولوجيا الحوسبة المتطورة اليوم إلى قدرة نقل عالية وتوفير فعال للطاقة مما يؤدي إلى أنظمة غير متجانسة وهو السبب الرئيسي وراء الحاجة إلى بنية تحتية متناغمة وشاملة بشكل أساسي لتحديث نماذج تعلم الآلة والتدريب عليها ونشرها. تشكل البنية المصممة للأجهزة المدمجة تحديًا آخر حيث تعتمد هذه البنى على متطلبات الأجهزة والبرامج التي تختلف من جهاز لآخر. هذا هو السبب الرئيسي وراء صعوبة إنشاء بنية ML قياسية لشبكات إنترنت الأشياء.
أيضًا، في السيناريو الحالي، يتم إرسال البيانات التي تم إنشاؤها بواسطة أجهزة مختلفة إلى الأنظمة الأساسية السحابية للمعالجة بسبب الطبيعة المكثفة حسابيًا لتطبيقات الشبكة. علاوة على ذلك، غالبًا ما تعتمد نماذج تعلم الآلة على التعلم العميق والشبكات العصبية العميقة والدوائر المتكاملة الخاصة بالتطبيقات (ASICs) ووحدات معالجة الرسومات (GPUs) لمعالجة البيانات، وغالبًا ما تتطلب طاقة وذاكرة أعلى. لا يعد نشر نماذج التعلم الآلي الكاملة على أجهزة إنترنت الأشياء حلاً قابلاً للتطبيق بسبب النقص الواضح في قدرات الحوسبة والمعالجة، وحلول التخزين المحدودة.
إن الطلب على تصغير الأجهزة المدمجة منخفضة الطاقة إلى جانب تحسين نماذج تعلم الآلة لجعلها أكثر كفاءة في استهلاك الطاقة والذاكرة قد مهد الطريق لـ TinyML الذي يهدف إلى تنفيذ نماذج وممارسات تعلم الآلة على أجهزة وإطار عمل إنترنت الأشياء. TinyML يتيح معالجة الإشارات على أجهزة إنترنت الأشياء ويوفر ذكاءً مضمنًا، وبالتالي يلغي الحاجة إلى نقل البيانات إلى الأنظمة الأساسية السحابية للمعالجة. يمكن أن يؤدي التنفيذ الناجح لـ TinyML على أجهزة إنترنت الأشياء في النهاية إلى زيادة الخصوصية والكفاءة مع تقليل تكاليف التشغيل. بالإضافة إلى ذلك، ما يجعل TinyML أكثر جاذبية هو أنه في حالة عدم كفاية الاتصال، يمكنه توفير تحليلات داخل الشركة.
TinyML: مقدمة ونظرة عامة
TinyML هي أداة للتعلم الآلي تتمتع بالقدرة على إجراء تحليلات على الجهاز لطرائق الاستشعار المختلفة مثل الصوت والرؤية والكلام. تتميز نماذج Ml المبنية على أداة TinyML بمتطلبات منخفضة للطاقة والذاكرة والحوسبة مما يجعلها مناسبة للشبكات المدمجة والأجهزة التي تعمل بطاقة البطارية. بالإضافة إلى ذلك، فإن متطلبات TinyML المنخفضة تجعله مناسبًا تمامًا لنشر نماذج تعلم الآلة في إطار عمل إنترنت الأشياء.
في السيناريو الحالي، تواجه أنظمة التعلم الآلي المستندة إلى السحابة بعض الصعوبات بما في ذلك المخاوف المتعلقة بالأمان والخصوصية، والاستهلاك العالي للطاقة، والاعتمادية، ومشاكل زمن الوصول، وهذا هو سبب تثبيت النماذج على الأنظمة الأساسية للأجهزة والبرامج مسبقًا. تقوم أجهزة الاستشعار بجمع البيانات التي تحاكي العالم المادي، ثم تتم معالجتها باستخدام وحدة المعالجة المركزية (CPU) أو MPU (وحدة المعالجة الدقيقة). تلبي وحدة MPU احتياجات الدعم التحليلي لتعلم الآلة الذي يتم تمكينه من خلال شبكات وبنية تعلم الآلة التي تدرك الحافة. تتواصل بنية Edge ML مع سحابة ML لنقل البيانات، ويمكن أن يؤدي تنفيذ TinyML إلى تقدم التكنولوجيا بشكل كبير.
سيكون من الآمن أن نقول إن TinyML عبارة عن مزيج من البرامج والأجهزة والخوارزميات التي تعمل بشكل متزامن مع بعضها البعض لتقديم الأداء المطلوب. قد تكون هناك حاجة إلى الحوسبة التناظرية أو حوسبة الذاكرة لتوفير تجربة تعليمية أفضل وأكثر فعالية للأجهزة وأجهزة إنترنت الأشياء التي لا تدعم مسرعات الأجهزة. بقدر ما يتعلق الأمر بالبرمجيات، يمكن نشر التطبيقات التي تم إنشاؤها باستخدام TinyML وتنفيذها عبر منصات مثل Linux أو Linux المضمن، وعبر البرامج التي تدعم السحابة. أخيرًا، يجب أن تحظى التطبيقات والأنظمة المبنية على خوارزمية TinyML بدعم خوارزميات جديدة تحتاج إلى نماذج ذات حجم ذاكرة منخفض لتجنب الاستهلاك العالي للذاكرة.
لتلخيص الأمور، يجب على التطبيقات التي تم إنشاؤها باستخدام أداة TinyML تحسين مبادئ وطرق تعلم الآلة إلى جانب تصميم البرنامج بشكل مضغوط، في ظل وجود بيانات عالية الجودة. يجب بعد ذلك تمرير هذه البيانات عبر الملفات الثنائية التي يتم إنشاؤها باستخدام نماذج تم تدريبها على أجهزة ذات سعة أكبر بكثير وقدرة حاسوبية.
بالإضافة إلى ذلك، يجب أن توفر الأنظمة والتطبيقات التي تعمل على أداة TinyML دقة عالية عند الأداء في ظل قيود أكثر صرامة لأن البرامج المدمجة ضرورية لاستهلاك الطاقة الصغير الذي يدعم تأثيرات TinyML. علاوة على ذلك، قد تعتمد تطبيقات أو وحدات TinyML على طاقة البطارية لدعم عملياتها على الأنظمة المدمجة في الحافة.
ومع ذلك، فإن تطبيقات TinyML لها متطلبان أساسيان
- القدرة على توسيع نطاق مليارات الأنظمة المدمجة الرخيصة.
- تخزين الكود على ذاكرة الوصول العشوائي (RAM) الخاصة بالجهاز بسعة أقل من بضعة كيلو بايت.
تطبيقات TinyML باستخدام التقنيات المتقدمة
أحد الأسباب الرئيسية التي تجعل TinyML موضوعًا ساخنًا في صناعة الذكاء الاصطناعي والتعلم الآلي هو بسبب تطبيقاته المحتملة بما في ذلك التطبيقات القائمة على الرؤية والكلام، والتشخيص الصحي، وضغط وتصنيف أنماط البيانات، وواجهة التحكم في الدماغ، وحوسبة الحافة، وعلم المظاهر، والذاتية. -قيادة السيارات، وأكثر من ذلك.
التطبيقات القائمة على الكلام
الاتصالات الكلامية
عادةً، تعتمد التطبيقات القائمة على الكلام على طرق الاتصال التقليدية التي تكون فيها جميع البيانات مهمة ويتم إرسالها. ومع ذلك، في السنوات الأخيرة، ظهر الاتصال الدلالي كبديل للاتصال التقليدي كما هو الحال في الاتصال الدلالي، حيث يتم نقل المعنى أو سياق البيانات فقط. يمكن تنفيذ الاتصال الدلالي عبر التطبيقات القائمة على الكلام باستخدام منهجيات TinyML.
بعض التطبيقات الأكثر شيوعًا في صناعة الاتصالات الكلامية اليوم هي اكتشاف الكلام والتعرف على الكلام والتعلم عبر الإنترنت والتدريس عبر الإنترنت والتواصل الموجه نحو الأهداف. عادةً ما تتمتع هذه التطبيقات باستهلاك أعلى للطاقة، كما أنها تتطلب أيضًا بيانات عالية على الجهاز المضيف. للتغلب على هذه المتطلبات، تم تقديم مكتبة TinySpeech جديدة تسمح للمطورين ببناء بنية حسابية منخفضة تستخدم شبكات تلافيفية عميقة لبناء منشأة تخزين منخفضة.
لاستخدام TinyML لتحسين الكلام، تناول المطورون أولاً تغيير حجم نموذج تحسين الكلام لأنه كان خاضعًا لقيود وقيود الأجهزة. لمعالجة هذه المشكلة، تم نشر التقليم المنظم والتكميم الصحيح لـ RNN أو نموذج تحسين الكلام للشبكات العصبية المتكررة. اقترحت النتائج أن يتم تقليل حجم النموذج بمقدار 12x تقريبًا، في حين سيتم تقليل العمليات بمقدار 3x تقريبًا. بالإضافة إلى ذلك، من الضروري استخدام الموارد بشكل فعال خاصة عند نشرها على تطبيقات محدودة الموارد والتي تنفذ تطبيقات التعرف على الصوت.
ونتيجة لذلك، لتقسيم العملية، تم اقتراح طريقة التصميم المشترك لتطبيقات التعرف على الصوت والكلام المستندة إلى TinyML. استخدم المطورون عملية النوافذ لتقسيم البرامج والأجهزة بطريقة لمعالجة البيانات الصوتية الأولية مسبقًا. ويبدو أن الطريقة ناجحة حيث أشارت النتائج إلى انخفاض في استهلاك الطاقة على الأجهزة. وأخيرًا، هناك أيضًا إمكانية تنفيذ التقسيم الأمثل بين التصميم المشترك للبرامج والأجهزة للحصول على أداء أفضل في المستقبل القريب.
علاوة على ذلك، اقترحت الأبحاث الحديثة استخدام محول الطاقة المعتمد على الهاتف لأنظمة التعرف على الكلام، ويهدف الاقتراح إلى استبدال تنبؤات LSTM بطبقة Conv1D لتقليل احتياجات الحساب على الأجهزة الطرفية. عند تنفيذه، عاد الاقتراح بنتائج إيجابية حيث أن SVD أو تحليل القيمة المفردة قد ضغط النموذج بنجاح في حين أن استخدام WFST أو فك التشفير المعتمد على محولات الحالة المحدودة الموزونة أدى إلى مزيد من المرونة في تحيز تحسين النموذج.
تستخدم الكثير من التطبيقات البارزة للتعرف على الكلام مثل المساعدين الافتراضيين أو الصوتيين والتعليق المباشر والأوامر الصوتية تقنيات التعلم الآلي للعمل. يقوم المساعدون الصوتيون المشهورون حاليًا، مثل Siri وGoogle Assistant، بإجراء اختبار اتصال بالنظام الأساسي السحابي في كل مرة يتلقون فيها بعض البيانات، مما يخلق مخاوف كبيرة تتعلق بالخصوصية وأمن البيانات. يعد TinyML حلاً قابلاً للتطبيق لهذه المشكلة لأنه يهدف إلى التعرف على الكلام على الأجهزة، والقضاء على الحاجة إلى ترحيل البيانات إلى الأنظمة الأساسية السحابية. تتمثل إحدى طرق تحقيق التعرف على الكلام على الجهاز في استخدام Tiny Transducer، وهو نموذج للتعرف على الكلام يستخدم طبقة DFSMN أو Deep Feed-Forward Sequential Memory Block مقترنة بطبقة Conv1D واحدة بدلاً من طبقات LSTM لتقليل متطلبات الحساب. ومعلمات الشبكة.
مساعدات للسمع
يعد فقدان السمع مصدر قلق صحي كبير في جميع أنحاء العالم، وتضعف قدرة البشر على سماع الأصوات بشكل عام مع تقدمهم في السن، وهي مشكلة كبيرة في البلدان التي تتعامل مع شيخوخة السكان بما في ذلك الصين واليابان وكوريا الجنوبية. تعمل أجهزة السمع حاليًا على مبدأ بسيط يتمثل في تضخيم جميع الأصوات المدخلة من البيئة المحيطة مما يجعل من الصعب على الشخص التمييز أو التمييز بين الصوت المطلوب خاصة في بيئة صاخبة.
قد يكون TinyML هو الحل العملي لهذه المشكلة حيث أن استخدام نموذج TinyLSTM الذي يستخدم خوارزمية التعرف على الكلام لأجهزة السمع يمكن أن يساعد المستخدمين على التمييز بين الأصوات المختلفة.
التطبيقات القائمة على الرؤية
لدى TinyML القدرة على لعب دور حاسم في المعالجة رؤية الكمبيوتر مجموعات بيانات قائمة على أساس أنه للحصول على مخرجات أسرع، يجب معالجة مجموعات البيانات هذه على منصة الحافة نفسها. ولتحقيق ذلك، يواجه نموذج TinyML التحديات العملية التي يواجهها أثناء تدريب النموذج باستخدام لوحة التحكم الدقيقة OpenMV H7. اقترح المطورون أيضًا بنية لاكتشاف لغة الإشارة الأمريكية بمساعدة متحكم ARM Cortex M7 الذي يعمل فقط مع 496 كيلو بايت من ذاكرة الوصول العشوائي المؤقتة للإطارات.
يتطلب تطبيق TinyML للتطبيق القائم على رؤية الكمبيوتر على منصات الحافة من المطورين التغلب على التحدي الرئيسي المتمثل في شبكة CNN أو الشبكات العصبية التلافيفية مع وجود خطأ تعميمي كبير ودقة عالية في التدريب والاختبار. ومع ذلك، لم يتم تعميم التنفيذ بشكل فعال على الصور ضمن حالات الاستخدام الجديدة وكذلك الخلفيات ذات الضوضاء. عندما استخدم المطورون طريقة زيادة الاستيفاء، أعاد النموذج درجة دقة تزيد عن 98% في بيانات الاختبار، وحوالي 75% في التعميم.
علاوة على ذلك، لوحظ أنه عندما استخدم المطورون طريقة زيادة الاستيفاء، كان هناك انخفاض في دقة النموذج أثناء التكميم، ولكن في الوقت نفسه، كان هناك أيضًا زيادة في سرعة الاستدلال للنموذج، وتعميم التصنيف. واقترح المطورون أيضًا طريقة لتعزيز دقة التدريب على نموذج التعميم على البيانات التي تم الحصول عليها من مجموعة متنوعة من المصادر المختلفة، واختبار الأداء لاستكشاف إمكانية نشره على منصات الحافة مثل الساعات الذكية المحمولة.
علاوة على ذلك، هناك دراسات إضافية حول سي ان ان أشار إلى أنه من الممكن نشر وتحقيق النتائج المرغوبة باستخدام بنية CNN على الأجهزة ذات الموارد المحدودة. في الآونة الأخيرة، تمكن المطورون من تطوير إطار عمل للكشف عن أقنعة الوجه الطبية على وحدة التحكم الدقيقة ARM Cortex M7 بموارد محدودة باستخدام TensorFlow lite مع الحد الأدنى من آثار الذاكرة. كان حجم النموذج بعد التكميم حوالي 138 كيلو بايت بينما كانت سرعة التداخل على اللوحة المستهدفة حوالي 30 إطارًا في الثانية.
تطبيق آخر لـ TinyML للتطبيق القائم على رؤية الكمبيوتر هو تنفيذ جهاز للتعرف على الإيماءات يمكن تثبيته على عصا لمساعدة الأشخاص ضعاف البصر على التنقل خلال حياتهم اليومية بسهولة. لتصميمه، استخدم المطورون مجموعة بيانات الإيماءات، واستخدموا مجموعة البيانات لتدريب نموذج ProtoNN باستخدام خوارزمية التصنيف. وكانت النتائج التي تم الحصول عليها من الإعداد دقيقة، وكان التصميم منخفض التكلفة، وحقق نتائج مرضية.
يوجد تطبيق مهم آخر لـ TinyML في صناعة المركبات ذاتية القيادة والمركبات ذاتية القيادة بسبب نقص الموارد وقوة الحساب على متن الطائرة. ولمعالجة هذه المشكلة، قدم المطورون طريقة تعلم ذات حلقة مغلقة مبنية على نموذج TinyCNN الذي اقترح نموذجًا للتنبؤ عبر الإنترنت يلتقط الصورة في وقت التشغيل. كانت المشكلة الرئيسية التي واجهها المطورون عند تطبيق TinyML للقيادة الذاتية هي أن نموذج القرار الذي تم تدريبه للعمل على البيانات غير المتصلة بالإنترنت قد لا يعمل بشكل جيد بنفس القدر عند التعامل مع البيانات عبر الإنترنت. ولتحقيق أقصى قدر من تطبيقات السيارات ذاتية القيادة والسيارات ذاتية القيادة، يجب أن يكون النموذج قادرًا بشكل مثالي على التكيف مع البيانات في الوقت الفعلي.
تصنيف نمط البيانات وضغطها
أحد أكبر التحديات التي يواجهها إطار عمل TinyML الحالي هو تسهيل التكيف مع بيانات التدريب عبر الإنترنت. لمعالجة هذه المشكلة، اقترح المطورون طريقة تُعرف باسم TinyOL أو TinyML Online Learning للسماح بالتدريب من خلال التعلم المتزايد عبر الإنترنت على وحدات التحكم الدقيقة وبالتالي السماح للنموذج بالتحديث على أجهزة إنترنت الأشياء. تم التنفيذ باستخدام لغة البرمجة C++، وتمت إضافة طبقة إضافية إلى بنية TinyOL.
علاوة على ذلك، أجرى المطورون أيضًا التشفير التلقائي للوحة مستشعر Arduino Nano 33 BLE، وتمكن النموذج الذي تم تدريبه من تصنيف أنماط البيانات الجديدة. علاوة على ذلك، تضمنت أعمال التطوير تصميم خوارزميات فعالة وأكثر تحسينًا للشبكات العصبية لدعم أنماط تدريب الأجهزة عبر الإنترنت.
أشارت الأبحاث في TinyOL وTinyML إلى أن عدد طبقات التنشيط كان يمثل مشكلة رئيسية لأجهزة إنترنت الأشياء المتطورة التي كانت محدودة الموارد. ولمعالجة هذه المشكلة، قدم المطورون نموذج TinyTL أو Tiny Transfer Learning الجديد لجعل استخدام الذاكرة عبر أجهزة حافة إنترنت الأشياء أكثر فعالية، وتجنب استخدام الطبقات المتوسطة لأغراض التنشيط. بالإضافة إلى ذلك، قدم المطورون أيضًا وحدة تحيز جديدة تمامًا تُعرف باسم "وحدة لايت المتبقية"لتعظيم قدرات التكيف، وبالطبع السماح لمستخرجي الميزات باكتشاف خرائط الميزات المتبقية.
عند مقارنتها بالضبط الدقيق للشبكة بالكامل، كانت النتائج لصالح بنية TinyTL حيث أظهرت النتائج أن TinyTL يقلل من حمل الذاكرة حوالي 6.5 مرة مع فقدان دقة معتدل. عندما تم ضبط الطبقة الأخيرة بشكل جيد، قام TinyML بتحسين الدقة بنسبة 34% مع فقدان معتدل للدقة.
علاوة على ذلك، فقد أشارت الأبحاث المتعلقة بضغط البيانات إلى ذلك خوارزميات ضغط البيانات يجب إدارة البيانات المجمعة على جهاز محمول، ولتحقيق ذلك، اقترح المطورون TAC أو Tiny Anomaly Compressor. كان TAC قادرًا على التفوق في الأداء على خوارزميات SDT أو Swing Door Trending وDCT أو تحويل جيب التمام المنفصل. بالإضافة إلى ذلك، تفوقت خوارزمية TAC على كل من خوارزميات SDT وDCT من خلال تحقيق أقصى معدل ضغط يزيد عن 98%، والحصول على أعلى نسبة إشارة إلى ضوضاء من بين الخوارزميات الثلاثة.
التشخيص الصحي
لقد فتح الوباء العالمي Covid-19 أبوابًا جديدة من الفرص لتنفيذ TinyML حيث أصبح الآن ممارسة أساسية للكشف المستمر عن أعراض الجهاز التنفسي المتعلقة بالسعال والبرد. ولضمان المراقبة دون انقطاع، اقترح المطورون نموذج CNN Tiny RespNet الذي يعمل على إعداد متعدد النماذج، ويتم نشر النموذج عبر Xilinx Artix-7 100t FPGA الذي يسمح للجهاز بمعالجة المعلومات بشكل متوازي، ويتمتع بكفاءة عالية، وانخفاض استهلاك الطاقة. بالإضافة إلى ذلك، يأخذ نموذج TinyResp أيضًا كلام المرضى والتسجيلات الصوتية والمعلومات الديموغرافية كمدخلات للتصنيف، ويتم تصنيف الأعراض المرتبطة بالسعال لدى المريض باستخدام ثلاث مجموعات بيانات متميزة.
علاوة على ذلك، اقترح المطورون أيضًا نموذجًا قادرًا على تشغيل حسابات التعلم العميق على الأجهزة الطرفية، وهو نموذج TinyML يسمى TinyDL. يمكن نشر نموذج TinyDL على الأجهزة الطرفية مثل الساعات الذكية والأجهزة القابلة للارتداء للتشخيص الصحي، كما أنه قادر على إجراء تحليل الأداء لتقليل عرض النطاق الترددي وزمن الوصول واستهلاك الطاقة. لتحقيق نشر TinyDL على الأجهزة المحمولة، تم تصميم نموذج LSTM وتدريبه خصيصًا لجهاز يمكن ارتداؤه، وتم تغذيته بالبيانات المجمعة كمدخل. يتمتع النموذج بدرجة دقة تبلغ حوالي 75 إلى 80%، وكان قادرًا على العمل مع البيانات خارج الجهاز أيضًا. أظهرت هذه النماذج التي تعمل على الأجهزة المتطورة القدرة على حل التحديات الحالية التي تواجهها أجهزة إنترنت الأشياء.
أخيرًا، اقترح المطورون أيضًا تطبيقًا آخر لمراقبة صحة كبار السن من خلال تقدير وتحليل أوضاع أجسادهم. يستخدم النموذج إطار العمل اللاأدري على الجهاز الذي يسمح للنموذج بتمكين التحقق من الصحة، وتعزيز سريع لإجراء التعديلات. قام النموذج بتنفيذ خوارزميات الكشف عن وضعية الجسم إلى جانب معالم الوجه للكشف عن وضعيات الجسم الزمانية المكانية في الوقت الفعلي.
EdgeComputing
أحد التطبيقات الرئيسية لـ TinyML هو في مجال حوسبة الحافة، كما هو الحال مع الزيادة في استخدام أجهزة إنترنت الأشياء لتوصيل الأجهزة في جميع أنحاء العالم، فمن الضروري إعداد أجهزة الحافة لأنها ستساعد في تقليل الحمل على البنيات السحابية. . ستحتوي هذه الأجهزة المتطورة على مراكز بيانات فردية تسمح لها بإجراء حوسبة عالية المستوى على الجهاز نفسه، بدلاً من الاعتماد على البنية السحابية. ونتيجة لذلك، سيساعد ذلك في تقليل الاعتماد على السحابة، وتقليل زمن الوصول، وتعزيز أمان المستخدم وخصوصيته، وكذلك تقليل عرض النطاق الترددي.
ستساعد الأجهزة المتطورة التي تستخدم خوارزميات TinyML في حل القيود الحالية المتعلقة بمتطلبات الطاقة والحوسبة والذاكرة، وقد تمت مناقشتها في الصورة أدناه.
علاوة على ذلك، يمكن لـ TinyML أيضًا تحسين استخدام وتطبيق المركبات الجوية بدون طيار أو الطائرات بدون طيار من خلال معالجة القيود الحالية التي تواجهها هذه الآلات. يمكن أن يسمح استخدام TinyML للمطورين بتنفيذ جهاز موفر للطاقة مع زمن وصول منخفض وقدرة حوسبة عالية يمكن أن تكون بمثابة وحدة تحكم لهذه الطائرات بدون طيار.
واجهة الدماغ والحاسوب أو BCI
لدى TinyML تطبيقات مهمة في صناعة الرعاية الصحية، ويمكن أن يكون مفيدًا للغاية في مجالات مختلفة بما في ذلك اكتشاف السرطان والأورام، والتنبؤات الصحية باستخدام إشارات تخطيط القلب وتخطيط كهربية الدماغ، والذكاء العاطفي. يمكن أن يسمح استخدام TinyML لتحفيز الدماغ العميق التكيفي أو aDBS بالتكيف بنجاح مع التكيفات السريرية. يمكن أن يسمح استخدام TinyMl أيضًا لـ aDBS بتحديد العلامات الحيوية المرتبطة بالمرض وأعراضها باستخدام التسجيلات الغازية لإشارات الدماغ.
علاوة على ذلك، غالبًا ما تتضمن صناعة الرعاية الصحية جمع كمية كبيرة من البيانات الخاصة بالمريض، ثم تحتاج هذه البيانات إلى المعالجة للوصول إلى حلول محددة لعلاج المريض في المراحل المبكرة من المرض. ونتيجة لذلك، من الضروري بناء نظام ليس فعالاً للغاية فحسب، بل آمن للغاية أيضًا. عندما ندمج تطبيق إنترنت الأشياء مع نموذج TinyML، يولد مجال جديد يسمى H-IoT أو إنترنت الأشياء للرعاية الصحية، والتطبيقات الرئيسية لـ H-IoT هي التشخيص والمراقبة والخدمات اللوجستية والتحكم في الانتشار والأنظمة المساعدة. إذا أردنا تطوير أجهزة قادرة على اكتشاف صحة المريض وتحليلها عن بُعد، فمن الضروري تطوير نظام يتمتع بإمكانية الوصول العالمية وزمن الوصول المنخفض.
المركبات المستقلة
أخيرًا، يمكن أن يكون لدى TinyML تطبيقات واسعة النطاق في صناعة المركبات ذاتية القيادة حيث يمكن استخدام هذه المركبات بطرق مختلفة بما في ذلك التتبع البشري والأغراض العسكرية ولها تطبيقات صناعية. تتمتع هذه المركبات بمتطلبات أساسية تتمثل في القدرة على تحديد الأشياء بكفاءة عند البحث عن الكائن.
اعتبارًا من الآن، تعد المركبات ذاتية القيادة والقيادة الذاتية مهمة معقدة إلى حد ما خاصة عند تطوير المركبات الصغيرة أو الصغيرة الحجم. أظهرت التطورات الأخيرة إمكانية تحسين تطبيق القيادة الذاتية للمركبات الصغيرة باستخدام بنية CNN، ونشر النموذج عبر GAP8 MCI.
التحديات
يعد TinyML مفهومًا أحدث نسبيًا في صناعة الذكاء الاصطناعي والتعلم الآلي، وعلى الرغم من التقدم، فإنه لا يزال غير فعال بالقدر الذي نحتاجه للنشر الشامل لأجهزة الحافة وإنترنت الأشياء.
التحدي الأكبر الذي تواجهه حاليًا أجهزة TinyML هو استهلاك هذه الأجهزة للطاقة. من الناحية المثالية، من المتوقع أن تتمتع أجهزة الحافة وإنترنت الأشياء المدمجة بعمر بطارية يمتد لأكثر من 10 سنوات. على سبيل المثال، في الحالة المثالية، من المفترض أن يتمتع جهاز إنترنت الأشياء الذي يعمل ببطارية 2Ah بعمر بطارية يزيد عن 10 سنوات نظرًا لأن استهلاك الطاقة للجهاز يبلغ حوالي 12 uأ. ومع ذلك، في الحالة المحددة، وهي بنية إنترنت الأشياء مع مستشعر درجة الحرارة ووحدة MCU ووحدة WiFi، يبلغ الاستهلاك الحالي حوالي 176.4 مللي أمبير، ومع استهلاك الطاقة هذا، ستستمر البطارية لمدة 11 ساعة فقط، بدلاً من ذلك. من عمر البطارية المطلوب وهو 10 سنوات.
قيود المصادر
للحفاظ على اتساق الخوارزمية، من الضروري الحفاظ على توفر الطاقة، وبالنظر إلى السيناريو الحالي، فإن توفر الطاقة المحدود لأجهزة TinyML يمثل تحديًا كبيرًا. علاوة على ذلك، تمثل قيود الذاكرة أيضًا تحديًا كبيرًا نظرًا لأن نشر النماذج غالبًا ما يتطلب قدرًا كبيرًا من الذاكرة للعمل بفعالية ودقة.
قيود الأجهزة
تجعل قيود الأجهزة نشر خوارزميات TinyML على نطاق واسع أمرًا صعبًا بسبب عدم تجانس الأجهزة. هناك الآلاف من الأجهزة، ولكل منها مواصفات ومتطلبات الأجهزة الخاصة به، ونتيجة لذلك، تحتاج خوارزمية TinyML حاليًا إلى تعديل لكل جهاز على حدة، مما يجعل النشر الشامل مشكلة رئيسية.
قيود مجموعة البيانات
إحدى المشكلات الرئيسية في نماذج TinyML هي أنها لا تدعم مجموعات البيانات الموجودة. إنه تحدي لجميع الأجهزة الطرفية لأنها تجمع البيانات باستخدام أجهزة استشعار خارجية، وغالبًا ما تعاني هذه الأجهزة من قيود الطاقة والطاقة. ولذلك، لا يمكن استخدام مجموعات البيانات الموجودة لتدريب نماذج TinyML بشكل فعال.
افكار اخيرة
لقد أحدث تطور تقنيات التعلم الآلي ثورة وتحولًا في المنظور في النظام البيئي لإنترنت الأشياء. إن دمج نماذج التعلم الآلي في أجهزة إنترنت الأشياء سيسمح لهذه الأجهزة المتطورة باتخاذ قرارات ذكية بمفردها دون أي مدخلات بشرية خارجية. ومع ذلك، تقليديًا، غالبًا ما تتمتع نماذج تعلم الآلة بمتطلبات عالية من الطاقة والذاكرة والحوسبة مما يجعلها موحدة لنشرها على الأجهزة المتطورة التي غالبًا ما تكون محدودة الموارد.
ونتيجة لذلك، تم تخصيص فرع جديد في الذكاء الاصطناعي لاستخدام التعلم الآلي لأجهزة إنترنت الأشياء، وتم تسميته باسم TinyML. TinyML هو إطار عمل لتعلم الآلة يسمح حتى للأجهزة المحدودة الموارد بتسخير قوة الذكاء الاصطناعي والتعلم الآلي لضمان دقة وذكاء وكفاءة أعلى.
تحدثنا في هذه المقالة عن تنفيذ نماذج TinyML على أجهزة إنترنت الأشياء محدودة الموارد، ويتطلب هذا التنفيذ تدريب النماذج ونشر النماذج على الأجهزة وتنفيذ تقنيات التكميم. ومع ذلك، نظرًا للنطاق الحالي، فإن نماذج تعلم الآلة الجاهزة للنشر على إنترنت الأشياء والأجهزة الطرفية تعاني من العديد من التعقيدات والقيود بما في ذلك مشكلات توافق الأجهزة وإطار العمل.
