Ηγέτες σκέψης
Ο ρόλος του tinyML στην ενεργοποίηση της υπολογιστικής όρασης στο άκρο – Ηγετικά πρόσωπα

Βασικά σημείαΤο tinyML επιτρέπει την υπολογιστική όραση σε μικροελεγκτές με 100.000 φορές λιγότερη…
Δείτε περισσότερα
- Το tinyML επιτρέπει την υπολογιστική όραση σε μικροελεγκτές με 100.000 φορές λιγότερη μνήμη από τις GPU cloud.
- Η αυτοματοποιημένη μηχανική μάθηση μέσω tinyML καταρρίπτει τα εμπόδια για την ανάπτυξη τεχνητής νοημοσύνης σε συσκευές άκρης με περιορισμένους πόρους.
- Το Ίδρυμα tinyML ενώνει πάνω από 10.000 μέλη για την προώθηση της μηχανικής μάθησης εξαιρετικά χαμηλής ισχύος στην άκρη.
Από: Davis Sawyer, Συνιδρυτής & Διευθυντής Προϊόντων, Deeplite
Η υπολογιστική όραση έχει τεράστιο δυναμικό να βελτιώσει την καθημερινή μας ζωή – και υπάρχουν πολλές εφαρμογές και χρήσεις για αυτήν. Κάποια παραδείγματα περιλαμβάνουν:
- Εξελιγμένα κουδούνια για την ασφάλεια του σπιτιού βοηθούν στην πρόληψη των κλοπών δεμάτων από την είσοδο και των διαρρήξεων. Σύμφωνα με έρευνα της I.H.S. Markit (δημοσιευμένη στο SecurityInfoWatch) ο αριθμός των παγκοσμίων συσκευών επιτήρησης αναμενόταν να φτάσει το 1 δισεκατομμύριο το 2021. Μόνο στις Ηνωμένες Πολιτείες, ο αριθμός των συσκευών αναμενόταν να φτάσει τα 85 εκατομμύρια;
- Στα πάρκινγκ, οι κάμερες με ενεργοποιημένο AI αυτοματοποιούν τον εντοπισμό των διαθέσιμων και των κατειλημμένων θέσεων στάθμευσης, ενημερώνοντας τους καταναλωτές για τις διαθέσιμες θέσεις;
- Κάμερες στο ταμπλό των φορτηγών διαβάζουν τις πινακίδες ορίων ταχύτητας και μειώνουν δυναμικά την ταχύτητα του οχήματος για να βελτιώσουν την ασφάλεια;
- Και δρόνες με συνδεδεμένες κάμερες παρακολουθούν απομακρυσμένες και δύσκολα προσβάσιμες περιοχές και μπορούν να επεξεργαστούν εικόνες και να λάβουν αποφάσεις σε πραγματικό χρόνο.
Όλες αυτές οι εφαρμογές χρησιμοποιούν εξελιγμένες βίντεο αναλύσεις, οδηγούμενες από το AI και το ML, για να παρακολουθήσουν βίντεο, να χρησιμοποιήσουν ευφυΐα για να λάβουν αποφάσεις και στη συνέχεια να ενεργήσουν.
Η Υπολογιστική Όραση Χρειάζεται Περισσότερους Πόρους στο Άκρο
Ωστόσο, όπως πολλές εφαρμογές που οδηγούνται από το AI, η υπολογιστική όραση χρειάζεται εκρήξεις υπολογιστικής δύναμης, μνήμης και ενέργειας για να κάνει την πολύπλοκη ανάλυση και να λάβει αποφάσεις. Ενώ αυτό είναι εντάξει σε ένα κέντρο δεδομένων με πολλή υπολογιστική δύναμη, μπορεί να εμποδίσει την μεταφορά του AI στο άκρο. Συγκεκριμένα, μικρές συσκευές που βρίσκονται μακριά από τα εταιρικά κέντρα δεδομένων και λειτουργούν με μικρές μπαταρίες χρειάζονται έναν νέο τύπο AI που είναι μικρότερος, ταχύτερος και “ελαφρύτερος” από τις παραδοσιακές προσεγγίσεις. Και οι υπάρχουσες συσκευές θα χρειαστούν να αναβαθμιστούν με νέες λειτουργίες AI + ML (υπολογιστική όραση) για να παραμείνουν βιώσιμες και ανταγωνιστικές.
Νέες Προοδεύσεις Ενισχύουν τα Βαθιά Νευρωνικά Δίκτυα
Σήμερα, νέες προοδεύσεις στο AI κάνουν τα Βαθιά Νευρωνικά Δίκτυα (DNNs) ταχύτερα, μικρότερα και πιο ενεργειακά αποδοτικά – και βοηθούν στην μεταφορά του AI από το cloud και τα κέντρα δεδομένων στις συσκευές άκρου και στους αισθητήρες που τροφοδοτούνται με μπαταρία. Όταν πρόκειται για την εκπαίδευση μοντέλων AI, το τεράστιο αποτύπωμα άνθρακα έχει τεκμηριωθεί και συζητηθεί (π.χ. η εκπαίδευση ενός μοντέλου AI γλώσσας εκπέμπει τόσο CO2 όσο και 5 αυτοκίνητα σε όλη τη διάρκεια της ζωής τους). Ωστόσο, πρέπει να κατανοήσουμε τι είναι ο περιβαλλοντικός αντίκτυπος της εκτέλεσης συμπερασμάτων μοντέλων AI και πώς να μειώσουμε αυτόν τον αντίκτυπο. Αυτό είναι όπου η βελτίωση μοντέλων μπορεί να έχει τεράστιες ωφέλειες μέσω της μείωσης του οικονομικού και περιβαλλοντικού κόστους των DNNs.
Το TinyML Ενεργοποιεί το AI στις Μικρές Συσκευές
Μια τέτοια προοδεύση είναι το tinyML, μια ισχυρή νέα τάση για να ενεργοποιήσει τις μικρές, μπαταριών-κίνητες συσκευές να χρησιμοποιήσουν προηγμένα ML για να παραδώσουν υπολογιστική όραση και άλλες αναγνωριστικές εργασίες. Βοηθά στην εκτέλεση συμπερασμάτων ML σε μικρές, περιορισμένες σε πόρους συσκευές, συνήθως στο άκρο του cloud, και βοηθά στην ενεργοποίηση εφαρμογών άκρου κοντά στον χρήστη.
Για παράδειγμα, ένας διακομιστής GPU όπως ο NVIDIA A100 έχει πάνω από 40GB διαθέσιμης μνήμης, που είναι κατάλληλο για να τρέξει πολύπλοκο AI όπως η υπολογιστική όραση και η επεξεργασία φυσικής γλώσσας. Ωστόσο, όταν μιλάμε για συσκευές άκρου και tinyML, ένας κοινός μικροελεγκτής (MCU) μπορεί να έχει μόνο 256KB εσωτερικής μνήμης, που είναι πάνω από 100.000 φορές λιγότερη μνήμη από το cloud! Επιπλέον, σε αντίθεση με τα κέντρα δεδομένων και το cloud, το υλικό των συσκευών άκρου δεν μπορεί εύκολα να ενημερωθεί στο πεδίο. Αυτό σημαίνει ότι πρέπει να “προσαρμόσουμε” το AI μας στο διαθέσιμο υλικό, που μπορεί να πάρει μήνες έως χρόνια δοκιμών και λαθών για τους προγραμματιστές να το επιτύχουν, αν αυτό είναι δυνατό. Αυτό είναι όπου το tinyML, ιδιαίτερα η αυτόματη μηχανική μάθηση (AutoML), μπορεί να παίξει έναν σημαντικό ρόλο στην κατάρριψη των εμποδίων για την υιοθέτηση του AI στον πραγματικό κόσμο.
Και η επιρροή του tinyML αυξάνεται. Με πάνω από 10.000 μέλη, η κοινότητα tinyML Foundation μεγαλώνει το οικοσύστημα για να υποστηρίξει την ανάπτυξη και την εγκατάσταση λύσεων υπερβολικά χαμηλής κατανάλωσης ML στο άκρο. Η Κοινότητα ενώνει μια παγκόσμια κοινότητα υλικού, λογισμικού, μηχανικής μάθησης, επιστημόνων δεδομένων, συστημικών μηχανικών, σχεδιαστών, προϊόντων και επιχειρηματιών.
Ένας Κόσμος Ευκαιριών
Συνολικά, υπάρχουν δισεκατομμύρια μικρές, συνδεδεμένες συσκευές παντού που μπορούν να ωφεληθούν από προηγμένη ευφυΐα. Η πρόκληση είναι ότι έχουν πολύ περιορισμένους πόρους, οπότε πώς μπορούμε να προσθέσουμε ευφυΐα σε αυτές; Το tinyML μπορεί να παίξει έναν σημαντικό ρόλο στην εισαγωγή του AI και του ML σε περισσότερες εφαρμογές υπολογιστικής όρασης, στο άκρο, σε μικρές συσκευές. Και αυτό μπορεί να ξεκλειδώσει έναν κόσμο ωφελημάτων για τους ανθρώπους και τις εταιρείες σε μια σειρά προϊόντων, υπηρεσιών και βιομηχανιών, βοηθώντας μας να προωθήσουμε σε νέες επικράτειες για το AI.












