टिनीएमएल: अनुप्रयोग, सीमाएं, और इसका उपयोग आईओटी और एज डिवाइसेस में

पिछले कुछ वर्षों में, आर्टिफ़िशियल इंटेलिजेंस (एआई) और मशीन लर्निंग (एमएल) ने उद्योग और अकादमिक दोनों में लोकप्रियता और अनुप्रयोगों में एक उल्कापात वृद्धि देखी है। हालांकि, आज के एमएल और एआई मॉडलों में एक बड़ी सीमा है: उन्हें वांछित परिणामों और सटीकता प्राप्त करने के लिए एक विशाल मात्रा में कंप्यूटिंग और प्रोसेसिंग शक्ति की आवश्यकता होती है। यह अक्सर उनके उपयोग को उच्च-क्षमता वाले उपकरणों के साथ सीमित कर देता है जिनमें पर्याप्त कंप्यूटिंग शक्ति होती है।

लेकिन एम्बेडेड सिस्टम प्रौद्योगिकी में प्रगति और इंटरनेट ऑफ थिंग्स उद्योग में महत्वपूर्ण विकास को देखते हुए, यह वांछनीय है कि एमएल तकनीकों और अवधारणाओं को संसाधन-सीमित एम्बेडेड सिस्टम में शामिल किया जाए ताकि व्यापक बुद्धिमत्ता प्राप्त की जा सके। एम्बेडेड और आईओटी प्रणालियों में एमएल अवधारणाओं का उपयोग करने की इच्छा टिनीएमएल के विकास के पीछे प्राथमिक प्रेरक कारक है, जो एक एम्बेडेड एमएल तकनीक है जो संसाधन-सीमित, शक्ति-सीमित और सस्ते उपकरणों पर एमएल मॉडल और अनुप्रयोगों की अनुमति देती है।

हालांकि, संसाधन-सीमित उपकरणों पर एमएल का कार्यान्वयन सरल नहीं रहा है क्योंकि कम कंप्यूटिंग शक्ति वाले उपकरणों पर एमएल मॉडल को लागू करने से अनुकूलन, प्रोसेसिंग क्षमता, विश्वसनीयता, मॉडल के रखरखाव और बहुत कुछ के मामले में अपनी चुनौतियां हैं।

इस लेख में, हम टिनीएमएल मॉडल में गहराई से जाने जा रहे हैं, और इसकी पृष्ठभूमि, टिनीएमएल को समर्थन देने वाले उपकरण, और उन्नत प्रौद्योगिकियों का उपयोग करके टिनीएमएल के अनुप्रयोगों के बारे में अधिक जानेंगे। तो आइए शुरू करें।

टिनीएमएल का परिचय: टिनीएमएल की आवश्यकता क्यों है

इंटरनेट ऑफ थिंग्स या आईओटी उपकरणों का उद्देश्य एज कंप्यूटिंग का लाभ उठाना है, जो एक कंप्यूटिंग परिदृश्य है जो उपयोगकर्ता के पास उपकरणों और नेटवर्क की एक श्रृंखला को संदर्भित करता है ताकि लाखों सेंसर और उपकरणों के बीच डेटा के वास्तविक समय में प्रसंस्करण को सक्षम किया जा सके। आईओटी उपकरणों के एक प्रमुख लाभ यह है कि उन्हें कम कंप्यूटिंग और प्रोसेसिंग शक्ति की आवश्यकता होती है क्योंकि वे नेटवर्क एज पर तैनात किए जा सकते हैं, और इसलिए वे कम मेमोरी फुटप्रिंट हैं।

इसके अलावा, आईओटी उपकरण डेटा इकट्ठा करने और प्रसारित करने के लिए एज प्लेटफ़ॉर्म पर भारी रूप से निर्भर करते हैं क्योंकि एज उपकरण सेंसर डेटा इकट्ठा करते हैं और फिर इसे प्रसंस्करण के लिए एक निकटवर्ती स्थान या क्लाउड प्लेटफ़ॉर्म पर प्रसारित करते हैं। एज कंप्यूटिंग प्रौद्योगिकी डेटा को संग्रहीत करती है और डेटा पर कंप्यूटिंग करती है, और साथ ही वितरित कंप्यूटिंग को समर्थन देने के लिए आवश्यक बुनियादी ढांचे की प्रदान करती है।

आईओटी उपकरणों में एज कंप्यूटिंग का कार्यान्वयन

1. अंतिम उपयोगकर्ताओं के लिए प्रभावी सुरक्षा, गोपनीयता और विश्वसनीयता प्रदान करता है।
2. कम विलंबता प्रदान करता है।
3. उच्च उपलब्धता और अनुप्रयोगों और सेवाओं के लिए प्रतिक्रिया प्रदान करता है।

इसके अलावा, क्योंकि एज उपकरण सेंसर और क्लाउड के बीच सहयोगी तकनीक को तैनात कर सकते हैं, डेटा प्रसंस्करण नेटवर्क एज पर किया जा सकता है, न कि क्लाउड प्लेटफ़ॉर्म पर। इससे प्रभावी डेटा प्रबंधन, डेटा स्थिरता, प्रभावी डिलीवरी और सामग्री कैशिंग हो सकती है। इसके अलावा, आईओटी को मानव-से-मशीन इंटरैक्शन और आधुनिक स्वास्थ्य सेवा में एज कंप्यूटिंग प्रदान करने से नेटवर्क सेवाओं में काफी सुधार हो सकता है।

आईओटी एज कंप्यूटिंग के क्षेत्र में हाल के शोध ने कई आईओटी उपयोग मामलों में मशीन लर्निंग तकनीकों को लागू करने की संभावना का प्रदर्शन किया है। हालांकि, मुख्य मुद्दा यह है कि पारंपरिक मशीन लर्निंग मॉडल अक्सर मजबूत कंप्यूटिंग और प्रोसेसिंग शक्ति और उच्च मेमोरी क्षमता की आवश्यकता होती है जो आईओटी उपकरणों और अनुप्रयोगों में एमएल मॉडल को लागू करने को सीमित करती है।

इसके अलावा, वर्तमान में एज कंप्यूटिंग प्रौद्योगिकी उच्च प्रसारण क्षमता और प्रभावी शक्ति की बचत में कमी के कारण विषम प्रणालियों की कमी के कारण एमएल मॉडल को अद्यतन, प्रशिक्षण और तैनात करने के लिए एक सुसंगत और समग्र बुनियादी ढांचे की कमी है। एम्बेडेड उपकरणों के लिए डिज़ाइन की गई वास्तुकला एक और चुनौती पेश करती है क्योंकि ये वास्तुकलाएं हार्डवेयर और सॉफ़्टवेयर आवश्यकताओं पर निर्भर करती हैं जो उपकरण से उपकरण में भिन्न होती हैं। यह मुख्य कारण है कि यह आईओटी नेटवर्क के लिए एक मानक एमएल वास्तुकला बनाना मुश्किल बनाता है।

इसके अलावा, वर्तमान परिदृश्य में, विभिन्न उपकरणों द्वारा उत्पन्न डेटा को संसाधित करने के लिए क्लाउड प्लेटफ़ॉर्म पर भेजा जाता है क्योंकि नेटवर्क कार्यान्वयन की गणनात्मक रूप से गहन प्रकृति के कारण। इसके अलावा, एमएल मॉडल अक्सर डीप लर्निंग, डीप न्यूरल नेटवर्क, एप्लिकेशन स्पेसिफिक इंटीग्रेटेड सर्किट (एएसआईसी) और ग्राफिक प्रोसेसिंग यूनिट (जीपीयू) पर डेटा प्रसंस्करण के लिए निर्भर करते हैं और अक्सर उच्च शक्ति और मेमोरी आवश्यकता होती है। आईओटी उपकरणों पर पूर्ण एमएल मॉडल तैनात करना एक व्यवहार्य समाधान नहीं है क्योंकि स्पष्ट रूप से कम कंप्यूटिंग और प्रोसेसिंग शक्ति और सीमित स्टोरेज समाधानों की कमी है।

कम शक्ति वाले एम्बेडेड उपकरणों को कम करने और एमएल मॉडल को अधिक शक्ति और मेमोरी कुशल बनाने की आवश्यकता ने टिनीएमएल के लिए मार्ग प्रशस्त किया है, जो एज आईओटी उपकरणों और फ्रेमवर्क पर एमएल मॉडल और प्रथाओं को लागू करने का लक्ष्य रखता है। टिनीएमएल आईओटी उपकरणों पर सिग्नल प्रसंस्करण को सक्षम बनाता है और एम्बेडेड बुद्धिमत्ता प्रदान करता है, जिससे डेटा को क्लाउड प्लेटफ़ॉर्म पर प्रसंस्करण के लिए स्थानांतरित करने की आवश्यकता समाप्त हो जाती है। आईओटी उपकरणों पर टिनीएमएल का सफल कार्यान्वयन अंततः गोपनीयता और दक्षता में वृद्धि के परिणामस्वरूप हो सकता है, जबकि संचालन लागत को कम कर सकता है। इसके अलावा, जो टिनीएमएल को और भी आकर्षक बनाता है वह यह है कि पर्याप्त कनेक्टिविटी की कमी की स्थिति में, यह ऑन-प्रिमाइसेस विश्लेषण प्रदान कर सकता है।

टिनीएमएल: परिचय और अवलोकन

टिनीएमएल एक मशीन लर्निंग टूल है जो ऑडियो, दृष्टि और भाषण जैसी विभिन्न सेंसिंग मॉडलिटी के लिए डिवाइस पर विश्लेषण करने में सक्षम है। टिनीएमएल टूल पर निर्मित एमएल मॉडल में कम शक्ति, मेमोरी और कंप्यूटिंग आवश्यकताएं होती हैं जो उन्हें बैटरी शक्ति पर चलने वाले एम्बेडेड नेटवर्क और उपकरणों के लिए उपयुक्त बनाती हैं। इसके अलावा, टिनीएमएल की कम आवश्यकताएं इसे आईओटी फ्रेमवर्क पर एमएल मॉडल तैनात करने के लिए एक आदर्श फिट बनाती हैं।

वर्तमान परिदृश्य में, क्लाउड-आधारित एमएल सिस्टम को सुरक्षा और गोपनीयता चिंताओं, उच्च शक्ति की खपत, निर्भरता और विलंबता समस्याओं सहित कुछ कठिनाइयों का सामना करना पड़ता है, जिसके कारण हार्डवेयर-सॉफ़्टवेयर प्लेटफ़ॉर्म पर मॉडल पूर्व-स्थापित होते हैं। सेंसर डेटा इकट्ठा करते हैं जो भौतिक दुनिया का अनुकरण करते हैं और फिर इसे सीपीयू या एमपीयू (माइक्रोप्रोसेसर यूनिट) द्वारा संसाधित किया जाता है। एमपीयू एमएल विश्लेषणात्मक समर्थन की आवश्यकताओं को पूरा करता है जो एज-जागरूक एमएल नेटवर्क और वास्तुकला द्वारा संचालित होता है। एज एमएल वास्तुकला डेटा हस्तांतरण और एमएल क्लाउड के साथ संवाद करती है, और टिनीएमएल का कार्यान्वयन प्रौद्योगिकी में काफी प्रगति कर सकता है।

यह कहना सुरक्षित होगा कि टिनीएमएल सॉफ़्टवेयर, हार्डवेयर और एल्गोरिदम का एक संयोजन है जो एक दूसरे के साथ मिलकर काम करते हैं ताकि वांछित प्रदर्शन प्रदान किया जा सके। हार्डवेयर और आईओटी उपकरणों के लिए एक बेहतर और प्रभावी सीखने के अनुभव के लिए एनालॉग या मेमोरी कंप्यूटिंग की आवश्यकता हो सकती है जो हार्डवेयर त्वरणकारी का समर्थन नहीं करते हैं। सॉफ़्टवेयर के संदर्भ में, टिनीएमएल का उपयोग करके निर्मित अनुप्रयोग लिनक्स या एम्बेडेड लिनक्स जैसे प्लेटफ़ॉर्म पर तैनात और कार्यान्वित किए जा सकते हैं, और क्लाउड-सक्षम सॉफ़्टवेयर पर भी। अंत में, टिनीएमएल एल्गोरिदम पर निर्मित अनुप्रयोग और प्रणालियों को कम मेमोरी आकार वाले मॉडल के लिए नए एल्गोरिदम के समर्थन की आवश्यकता होती है ताकि उच्च मेमोरी की खपत से बचा जा सके।

टिनीएमएल का उपयोग करके निर्मित अनुप्रयोगों को एमएल सिद्धांतों और विधियों को अनुकूलित करने के साथ-साथ सॉफ़्टवेयर को कompactly डिज़ाइन करने की आवश्यकता होती है, जिसमें उच्च गुणवत्ता वाले डेटा की आवश्यकता होती है। फिर इस डेटा को बाइनरी फ़ाइलों के माध्यम से फ्लैश किया जाना चाहिए जो बड़ी क्षमता और कंप्यूटिंग शक्ति वाले मशीनों पर प्रशिक्षित मॉडल का उपयोग करके उत्पन्न किया जाता है।

इसके अलावा, टिनीएमएल टूल पर चलने वाले सिस्टम और अनुप्रयोगों को कompactly सॉफ़्टवेयर की आवश्यकता होती है जो छोटी शक्ति की खपत को समर्थन देता है जो टिनीएमएल के निहितार्थ को समर्थन देता है। इसके अलावा, टिनीएमएल अनुप्रयोग या मॉड्यूल बैटरी शक्ति पर काम करने के लिए एज एम्बेडेड सिस्टम पर निर्भर हो सकते हैं।

इसके साथ ही, टिनीएमएल अनुप्रयोगों के दो मूलभूत आवश्यकताएं हैं

1. अरबों सस्ते एम्बेडेड सिस्टम को स्केल करने की क्षमता।
2. कुछ किलोबाइट की क्षमता के साथ डिवाइस रैम पर कोड संग्रहीत करना।

उन्नत प्रौद्योगिकियों का उपयोग करके टिनीएमएल के अनुप्रयोग

टिनीएमएल के अनुप्रयोगों में से एक प्रमुख कारण यह है कि इसके अनुप्रयोगों की संभावना है, जिनमें दृष्टि और भाषण आधारित अनुप्रयोग, स्वास्थ्य निदान, डेटा पैटर्न संपीड़न और वर्गीकरण, ब्रेन-कंप्यूटर इंटरफ़ेस, एज कंप्यूटिंग, फेनोमिक्स, स्व-ड्राइविंग कारें और अधिक शामिल हैं।

भाषण आधारित अनुप्रयोग

भाषण संचार

आम तौर पर, भाषण आधारित अनुप्रयोग पारंपरिक संचार विधियों पर निर्भर करते हैं जिनमें सभी डेटा महत्वपूर्ण होता है और प्रसारित किया जाता है। हालांकि, हाल के वर्षों में, सेमेंटिक संचार पारंपरिक संचार के विकल्प के रूप में उभरा है, जिसमें केवल डेटा का अर्थ या संदर्भ प्रसारित किया जाता है। टिनीएमएल पद्धतियों का उपयोग करके भाषण आधारित अनुप्रयोगों में सेमेंटिक संचार लागू किया जा सकता है।

भाषण संचार उद्योग में सबसे लोकप्रिय अनुप्रयोगों में से कुछ में भाषण पता लगाना, भाषण मान्यता, ऑनलाइन शिक्षा, ऑनलाइन शिक्षण और लक्ष्य-उन्मुख संचार शामिल हैं। ये अनुप्रयोग आमतौर पर उच्च शक्ति की खपत और होस्ट उपकरण पर उच्च डेटा आवश्यकताओं की आवश्यकता होती है। इन आवश्यकताओं को पूरा करने के लिए, एक नई टिनीस्पीच लाइब्रेरी पेश की गई है जो गहरे सम्मिलन नेटवर्क का उपयोग करके एक कम गणनात्मक वास्तुकला बनाने की अनुमति देती है।

टिनीएमएल का उपयोग करके भाषण सुधार के लिए, डेवलपर्स ने पहले भाषण सुधार मॉडल के आकार को संबोधित किया क्योंकि यह हार्डवेयर सीमाओं और प्रतिबंधों के अधीन था। इस मुद्दे से निपटने के लिए, आरएनएन या पुनरावृत्ति न्यूरल नेटवर्क भाषण सुधार मॉडल के लिए संरचित छंटनी और पूर्णांक संकल्पना तैनात की गई थी। परिणामों से पता चला कि मॉडल का आकार लगभग 12 गुना कम हो गया था, जबकि ऑपरेशन लगभग 3 गुना कम हो गए थे। इसके अलावा, यह महत्वपूर्ण है कि संसाधनों का प्रभावी ढंग से उपयोग किया जाना चाहिए, विशेष रूप से जब उन्हें संसाधन-सीमित अनुप्रयोगों पर तैनात किया जाता है जो आवाज़-मान्यता अनुप्रयोगों को निष्पादित करते हैं।

परिणामस्वरूप, प्रक्रिया को विभाजित करने के लिए, टिनीएमएल आधारित आवाज़ और भाषण मान्यता अनुप्रयोगों के लिए एक सह-डिज़ाइन विधि प्रस्तावित की गई थी। डेवलपर्स ने सॉफ़्टवेयर और हार्डवेयर को विभाजित करने के लिए विंडो ऑपरेशन का उपयोग किया, जिसमें कच्चे आवाज़ डेटा को प्री-प्रोसेस करने के लिए एक तरीका था। विधि काम करती प्रतीत हुई क्योंकि परिणामों से पता चला कि हार्डवेयर पर ऊर्जा की खपत में कमी आई है। अंत में, भविष्य में सॉफ़्टवेयर और हार्डवेयर को-डिज़ाइन के बीच अनुकूलित विभाजन लागू करने की संभावना है।

इसके अलावा, हाल के शोध ने एक फोन-आधारित ट्रांसड्यूसर का प्रस्ताव दिया है जो भाषण मान्यता प्रणाली के लिए एलएसटीएम प्रेडिक्टर को कॉनवोल्यूशनल लेयर 1डी के साथ बदलने के लिए है, जो एज उपकरणों पर गणना की आवश्यकताओं को कम करने के लिए है। जब लागू किया गया, तो प्रस्ताव सकारात्मक परिणाम लौटाए क्योंकि एसवीडी या सिंगुलर वैल्यू डिकंपोज़िशन ने मॉडल को सफलतापूर्वक संकुचित किया, जबकि डब्ल्यूएफएसटी या वेटेड फाइनाइट स्टेट ट्रांसड्यूसर-आधारित डिकोडिंग ने मॉडल सुधार पूर्वाग्रह में अधिक लचीलापन प्रदान किया।

भाषण मान्यता के कई प्रमुख अनुप्रयोग जैसे कि वर्चुअल या वॉयस असिस्टेंट, लाइव कैप्शनिंग और वॉयस कमांड एमएल तकनीकों का उपयोग करते हैं ताकि वे काम कर सकें। वर्तमान में लोकप्रिय वॉयस असिस्टेंट जैसे कि सिरी और गूगल असिस्टेंट प्रत्येक बार जब वे कुछ डेटा प्राप्त करते हैं तो क्लाउड प्लेटफ़ॉर्म पर पिंग करते हैं, जो महत्वपूर्ण गोपनीयता और डेटा सुरक्षा चिंताओं को जन्म देता है। टिनीएमएल इस मुद्दे का एक व्यवहार्य समाधान है क्योंकि यह उपकरणों पर भाषण मान्यता करने का लक्ष्य रखता है और डेटा को क्लाउड प्लेटफ़ॉर्म पर स्थानांतरित करने की आवश्यकता को समाप्त करता है। टिनीट्रांसड्यूसर, एक भाषण मान्यता मॉडल जो एक डीएफएसएमबी या गहरे फीड-फॉरवर्ड सीक्वेंशियल मेमोरी ब्लॉक लेयर के साथ एक कॉनवोल्यूशनल लेयर 1डी का उपयोग करता है, उपकरणों पर भाषण मान्यता हासिल करने का एक तरीका है।

श्रवण यंत्र

श्रवण हानि दुनिया भर में एक प्रमुख स्वास्थ्य चिंता है, और मानवों की सुनने की क्षमता आमतौर पर उम्र के साथ कमजोर होती जाती है, और यह चीन, जापान और दक्षिण कोरिया जैसे देशों में एक प्रमुख समस्या है जो उम्र बढ़ने की आबादी से निपटते हैं। वर्तमान में श्रवण यंत्र सरल सिद्धांत पर काम करते हैं जिसमें सभी इनपुट ध्वनियों को बढ़ाया जाता है, जो व्यक्ति के लिए वांछित ध्वनि को पहचानना और अलग करना मुश्किल बना देता है, विशेष रूप से शोर वाले वातावरण में।

टिनीएमएल इस मुद्दे का एक व्यवहार्य समाधान हो सकता है क्योंकि श्रवण यंत्रों में एक टिनीलएसटीएम मॉडल का उपयोग करने से जो भाषण मान्यता एल्गोरिदम का उपयोग करता है, उपयोगकर्ताओं को विभिन्न ध्वनियों के बीच अंतर करने में मदद मिल सकती है।

दृष्टि आधारित अनुप्रयोग

टिनीएमएल कंप्यूटर विजन आधारित डेटासेट को संसाधित करने में एक महत्वपूर्ण भूमिका निभा सकता है क्योंकि तेज़ आउटपुट के लिए इन डेटासेट को एज प्लेटफ़ॉर्म पर ही संसाधित किया जाना चाहिए। इसे प्राप्त करने के लिए, टिनीएमएल मॉडल ने ओपनएमवी एच7 माइक्रोकंट्रोलर बोर्ड का उपयोग करके मॉडल को प्रशिक्षित करने के दौरान सामने आने वाली व्यावहारिक चुनौतियों का सामना किया। डेवलपर्स ने एक आर्म कॉर्टेक्स एम7 माइक्रोकंट्रोलर का उपयोग करके अमेरिकी सांकेतिक भाषा का पता लगाने के लिए एक वास्तुकला का प्रस्ताव दिया, जो केवल 496केबी के फ्रेम-बफ़र रैम के साथ काम करता है।

कंप्यूटर विजन आधारित अनुप्रयोगों के लिए टिनीएमएल का कार्यान्वयन एज प्लेटफ़ॉर्म पर आवश्यक था क्योंकि उच्च सामान्यीकरण त्रुटि और उच्च प्रशिक्षण और परीक्षण सटीकता के साथ सीएनएन या कन्वोल्यूशनल न्यूरल नेटवर्क को सामना करना पड़ा। हालांकि, कार्यान्वयन नए उपयोग मामलों और शोर वाले पृष्ठभूमि में छवियों में प्रभावी ढंग से सामान्य नहीं हुआ। जब डेवलपर्स ने इंटरपोलेशन ऑगमेंटेशन विधि का उपयोग किया, तो मॉडल ने परीक्षण डेटा पर 98% से अधिक का सटीकता स्कोर लौटाया, और सामान्यीकरण में लगभग 75%।

इसके अलावा, यह देखा गया कि जब डेवलपर्स ने इंटरपोलेशन ऑगमेंटेशन विधि का उपयोग किया, तो मॉडल की सटीकता में कमी आई, लेकिन साथ ही मॉडल की अनुमान गति में वृद्धि हुई, और सामान्यीकरण में भी। डेवलपर्स ने विभिन्न स्रोतों से प्राप्त डेटा पर मॉडल के प्रदर्शन का परीक्षण करने और पोर्टेबल स्मार्टवॉच जैसे एज प्लेटफ़ॉर्म पर तैनात करने की संभावना का अन्वेषण करने के लिए एक विधि का प्रस्ताव दिया।

इसके अलावा, सीएनएन पर अतिरिक्त अध्ययनों से पता चला है कि सीमित संसाधनों वाले उपकरणों पर सीएनएन वास्तुकला को तैनात करने और प्राप्त करने योग्य परिणाम प्राप्त करने की संभावना है। हाल ही में, डेवलपर्स एक आर्म कॉर्टेक्स एम7 माइक्रोकंट्रोलर पर सीमित संसाधनों के साथ चिकित्सा फेस मास्क का पता लगाने के लिए एक फ्रेमवर्क विकसित करने में सक्षम थे, जो टेंसरफ्लो लाइट के साथ था, जिसमें न्यूनतम मेमोरी फुटप्रिंट था। मॉडल का आकार क्वांटीकरण के बाद लगभग 138 केबी था, जबकि लक्ष्य बोर्ड पर हस्तक्षेप गति लगभग 30 एफपीएस थी।

टिनीएमएल का एक और अनुप्रयोग कंप्यूटर विजन आधारित अनुप्रयोगों के लिए एक इशारा मान्यता उपकरण को लागू करना है जो एक छड़ी से जुड़ा हो सकता है ताकि दृष्टिहीन लोग अपने दैनिक जीवन में आसानी से नेविगेट कर सकें। डिज़ाइन करने के लिए, डेवलपर्स ने इशारा डेटासेट का उपयोग किया और डेटासेट का उपयोग प्रोटोनएन मॉडल को प्रशिक्षित करने के लिए किया, जिसमें एक वर्गीकरण एल्गोरिदम था। परिणाम संतोषजनक थे, डिज़ाइन कम लागत वाला था, और यह संतोषजनक परिणाम दिया।

टिनीएमएल का एक और महत्वपूर्ण अनुप्रयोग स्व-ड्राइविंग और स्वायत्त वाहनों के उद्योग में है क्योंकि संसाधनों की कमी और ऑन-बोर्ड कंप्यूटिंग शक्ति की कमी है। इस मुद्दे से निपटने के लिए, डेवलपर्स ने एक बंद लूप सीखने की विधि प्रस्तावित की जो टिनीसीएनएन मॉडल पर आधारित थी, जिसमें एक ऑनलाइन प्रेडिक्टर मॉडल था जो रनटाइम पर छवि को पकड़ता था। डेवलपर्स ने स्वायत्त ड्राइविंग के लिए टिनीएमएल को लागू करने का सामना किया क्योंकि ऑफलाइन डेटा पर प्रशिक्षित निर्णय मॉडल ऑनलाइन डेटा के साथ काम करने में उतना ही अच्छा काम नहीं कर सकता है। स्वायत्त कारों और स्व-ड्राइविंग कारों के अनुप्रयोगों को पूरी तरह से अधिकतम करने के लिए, मॉडल को वास्तविक समय डेटा के अनुकूल होने में सक्षम होना चाहिए।

डेटा पैटर्न वर्गीकरण और संपीड़न

वर्तमान टिनीएमएल फ्रेमवर्क की सबसे बड़ी चुनौतियों में से एक यह है कि इसे ऑनलाइन प्रशिक्षण डेटा के अनुकूल बनाने में सक्षम बनाना। इस मुद्दे से निपटने के लिए, डेवलपर्स ने टिनीओएल या टिनीएमएल ऑनलाइन लर्निंग नामक एक विधि का प्रस्ताव दिया है जो माइक्रोकंट्रोलर यूनिट पर इंक्रीमेंटल ऑनलाइन लर्निंग के साथ प्रशिक्षण की अनुमति देता है, जिससे मॉडल को आईओटी एज डिवाइस पर अपडेट किया जा सकता है। कार्यान्वयन सी++ प्रोग्रामिंग भाषा का उपयोग करके किया गया था, और टिनीओएल वास्तुकला में एक अतिरिक्त परत जोड़ी गई थी।

इसके अलावा, डेवलपर्स ने आर्डुइनो नैनो 33 बीएलई सेंसर बोर्ड का ऑटो-एन्कोडिंग किया, और मॉडल प्रशिक्षित था जो नए डेटा पैटर्न को वर्गीकृत करने में सक्षम था। इसके अलावा, विकास कार्य में डिवाइस प्रशिक्षण पैटर्न का समर्थन करने के लिए तंत्रिका नेटवर्क के लिए अधिक अनुकूलित और कुशल एल्गोरिदम डिज़ाइन करना शामिल था।

टिनीओएल और टिनीएमएल में शोध से पता चला है कि क्रियाशील परतों की संख्या आईओटी एज डिवाइस के लिए एक प्रमुख मुद्दा है जो संसाधन-सीमित हैं। इस मुद्दे से निपटने के लिए, डेवलपर्स ने टिनीटीएल या टिनी ट्रांसफर लर्निंग मॉडल का परिचय दिया ताकि आईओटी एज डिवाइस पर मेमोरी का उपयोग अधिक प्रभावी बनाया जा सके, और क्रियाशील उद्देश्यों के लिए मध्यवर्ती परतों का उपयोग करने से बचा जा सके। इसके अलावा, डेवलपर्स ने अनुकूलन क्षमताओं को अधिकतम करने और सुविधा अनुकूलन को प्राप्त करने के लिए एक नई पूर्वाग्रह मॉड्यूल का परिचय दिया जिसे “लाइट-रेसिडुअल मॉड्यूल” कहा जाता है।

पूर्ण नेटवर्क फाइन-ट्यूनिंग की तुलना में, परिणाम टिनीटीएल वास्तुकला के पक्ष में थे क्योंकि परिणामों से पता चला कि टिनीटीएल ने मेमोरी ओवरहेड को लगभग 6.5 गुना कम कर दिया, जबकि सटीकता में मध्यम नुकसान हुआ। जब अंतिम परत को फाइन-ट्यून किया गया, तो टिनीएमएल ने सटीकता में 34% की वृद्धि की, जबकि सटीकता में मध्यम नुकसान हुआ।

इसके अलावा, डेटा संपीड़न पर शोध से पता चला है कि डेटा संपीड़न एल्गोरिदम को पोर्टेबल डिवाइस पर एकत्रित डेटा को प्रबंधित करने की आवश्यकता है, और इसे प्राप्त करने के लिए, डेवलपर्स ने टीएसी या टिनी एनोमली कंप्रेसर का प्रस्ताव दिया। टीएसी ने एसडीटी या स्विंग डोर ट्रेंडिंग और डीसीटी या डिस्क्रीट कोसाइन ट्रांसफॉर्म एल्गोरिदम को पार किया। इसके अलावा, टीएसी एल्गोरिदम ने दोनों एसडीटी और डीसीटी एल्गोरिदम को 98% से अधिक की अधिकतम संपीड़न दर प्राप्त करके और तीनों एल्गोरिदम में से उच्चतम पीक सिग्नल-टू-शोर अनुपात प्राप्त करके बेहतर प्रदर्शन किया।

स्वास्थ्य निदान

कोविड-19 वैश्विक महामारी ने टिनीएमएल के कार्यान्वयन के लिए नए अवसर खोले हैं क्योंकि खांसी और सर्दी से संबंधित श्वसन लक्षणों का निरंतर पता लगाना अब एक आवश्यक अभ्यास है। निर्बंधित निगरानी सुनिश्चित करने के लिए, डेवलपर्स ने एक सीएनएन मॉडल टिनी रेस्पनेट प्रस्तावित किया है जो एक मल्टी-मॉडल सेटिंग पर काम करता है, और मॉडल एक जिलेक्स आर्टिक्स-7 100टी एफपीजीए पर तैनात किया जाता है जो डिवाइस को समानांतर में जानकारी प्रसंस्करण करने की अनुमति देता है, उच्च दक्षता और कम शक्ति की खपत है। इसके अलावा, टिनी रेस्प मॉडल रोगियों की खांसी से संबंधित लक्षणों को वर्गीकृत करने के लिए रोगियों की आवाज़, ऑडियो रिकॉर्डिंग और जनसांख्यिकी की जानकारी को इनपुट के रूप में लेता है, और तीन अलग-अलग डेटासेट का उपयोग करके खांसी से संबंधित लक्षणों को वर्गीकृत किया जाता है।

इसके अलावा, डेवलपर्स ने एक मॉडल का प्रस्ताव दिया है जो एज डिवाइस पर गहरे शिक्षण गणना करने में सक्षम है, एक टिनीएमएल मॉडल जिसे टिनीडीएल कहा जाता है, और यह स्मार्टवॉच और पहनने योग्य उपकरणों जैसे एज डिवाइस पर स्वास्थ्य निदान के लिए तैनात किया जा सकता है, और यह बैंडविथ, विलंबता और ऊर्जा की खपत को कम करने के लिए प्रदर्शन विश्लेषण करने में सक्षम है। टिनीडीएल को हाथ में पकड़ने वाले उपकरणों पर तैनात करने के लिए, एक एलएसटीएम मॉडल को विशेष रूप से एक पहनने योग्य डिवाइस के लिए डिज़ाइन और प्रशिक्षित किया गया था, और इसे एकत्रित डेटा के रूप में खिलाया गया था। मॉडल का सटीकता स्कोर लगभग 75 से 80% था, और यह ऑफ-डिवाइस डेटा के साथ भी काम कर सकता था। इन मॉडलों ने एज डिवाइस पर चलने का потенियल दिखाया और वर्तमान में आईओटी डिवाइसों का सामना करने वाली चुनौतियों को हल करने में मदद मिली।

अंत में, डेवलपर्स ने बुजुर्ग लोगों के स्वास्थ्य की निगरानी करने के लिए एक और अनुप्रयोग का प्रस्ताव दिया है जो उनके शरीर की मुद्रा का अनुमान लगाने और विश्लेषण करने के लिए है। मॉडल ने एक अज्ञेय फ्रेमवर्क का उपयोग किया जो डिवाइस पर मान्यता और तेजी से अनुकूलन को सक्षम बनाता है, और यह शरीर की मुद्रा का पता लगाने के लिए शरीर की मुद्रा एल्गोरिदम को चेहरे की विशेषताओं के साथ जोड़ता है।

एज कंप्यूटिंग

टिनीएमएल के अनुप्रयोगों में से एक प्रमुख है एज कंप्यूटिंग के क्षेत्र में क्योंकि आईओटी उपकरणों के उपयोग में वृद्धि के साथ दुनिया भर में उपकरणों को जोड़ने के लिए एज डिवाइस स्थापित करना आवश्यक है। ये एज डिवाइस व्यक्तिगत डेटा केंद्रों की सुविधा प्रदान करेंगे जो डिवाइस पर ही उच्च स्तरीय कंप्यूटिंग करने में सक्षम होंगे, न कि क्लाउड वास्तुकला पर। इसके परिणामस्वरूप, यह क्लाउड पर निर्भरता को कम करेगा, विलंबता में सुधार करेगा, उपयोगकर्ता सुरक्षा और गोपनीयता में सुधार करेगा, और बैंडवidth को कम करेगा।

एज डिवाइस टिनीएमएल एल्गोरिदम का उपयोग करके वर्तमान पावर, कंप्यूटिंग और मेमोरी आवश्यकताओं से संबंधित प्रतिबंधों को हल करने में मदद करेंगे।

इसके अलावा, टिनीएमएल अनमैन्ड एयरियल वेहिकल्स (यूएवी) के उपयोग और अनुप्रयोगों को बढ़ाने में भी मदद कर सकता है क्योंकि ये मशीनें वर्तमान में सीमित हैं क्योंकि उनमें कम लेटेंसी, उच्च कंप्यूटिंग शक्ति और ऊर्जा-कुशल डिवाइस को लागू करने की क्षमता है।

ब्रेन-कंप्यूटर इंटरफ़ेस या बीसीआई

टिनीएमएल के स्वास्थ्य सेवा उद्योग में महत्वपूर्ण अनुप्रयोग हैं और यह विभिन्न क्षेत्रों में बहुत लाभदायक हो सकता है, जिनमें कैंसर और ट्यूमर का पता लगाना, ईसीजी और ईईजी सिग्नल का उपयोग करके स्वास्थ्य भविष्यवाणी करना, और भावनात्मक बुद्धिमत्ता शामिल हैं। टिनीएमएल का उपयोग एडाप्टिव डीप ब्रेन स्टिमुलेशन (एडीबीएस) को सफलतापूर्वक नैदानिक ​​अनुकूलन के लिए अनुकूलित करने में मदद कर सकता है। टिनीएमएल का उपयोग एडीबीएस को रोग से संबंधित जैव चिह्न और उनके लक्षणों की पहचान करने में मदद कर सकता है जो आक्रामक रिकॉर्डिंग द्वारा मस्तिष्क संकेतों का उपयोग करके किया जाता है।

इसके अलावा, स्वास्थ्य सेवा उद्योग अक्सर एक मरीज़ के बारे में एक बड़ी मात्रा में डेटा एकत्र करता है, और इस डेटा को तब प्रशिक्षित किया जाना चाहिए ताकि मरीज़ के इलाज के लिए विशिष्ट समाधान प्राप्त किए जा सकें। इसके परिणामस्वरूप, एक प्रणाली बनाना आवश्यक है जो न केवल उच्च प्रभावी हो बल्कि उच्च सुरक्षित भी हो। जब हम आईओटी अनुप्रयोग को टिनीएमएल मॉडल के साथ जोड़ते हैं, तो एक नया क्षेत्र बनता है जिसे एच-आईओटी या हेल्थकेयर इंटरनेट ऑफ थिंग्स कहा जाता है, और एच-आईओटी के प्रमुख अनुप्रयोग निदान, निगरानी, लॉजिस्टिक्स, नियंत्रण और सहायक प्रणाली हैं। यदि हम दूरस्थ रूप से एक मरीज़ के स्वास्थ्य का पता लगाने और विश्लेषण करने में सक्षम उपकरण विकसित करना चाहते हैं, तो यह आवश्यक है कि हम एक प्रणाली विकसित करें जिसमें वैश्विक पहुंच और कम विलंबता हो।

स्व-ड्राइविंग वाहन

अंत में, टिनीएमएल के स्व-ड्राइविंग वाहन उद्योग में व्यापक अनुप्रयोग हो सकते हैं क्योंकि इन वाहनों का उपयोग विभिन्न तरीकों से किया जा सकता है, जिनमें मानव ट्रैकिंग, सैन्य उद्देश्य और औद्योगिक अनुप्रयोग शामिल हैं। इन वाहनों की एक प्राथमिक आवश्यकता यह है कि वे कुशलता से वस्तुओं की पहचान कर सकें जब वस्तु की खोज की जा रही हो।

वर्तमान में, स्व-ड्राइविंग वाहन और स्व-ड्राइविंग एक जटिल कार्य है, विशेष रूप से जब मिनी या छोटे आकार के वाहनों को विकसित करने की बात आती है। हाल के विकास ने मिनी वाहनों के लिए स्व-ड्राइविंग के अनुप्रयोग में सुधार करने की क्षमता दिखाई है जो सीएनएन वास्तुकला का उपयोग करके और मॉडल को जीएपी8 एमसीआई पर तैनात करके हासिल की जा सकती है।

चुनौतियाँ

टिनीएमएल एआई और एमएल उद्योग में एक अपेक्षाकृत नई अवधारणा है, और प्रगति के बावजूद, यह अभी भी एज और आईओटी डिवाइसों के लिए बड़े पैमाने पर तैनाती के लिए उतना प्रभावी नहीं है जितना कि हमें इसकी आवश्यकता है।

टिनीएमएल डिवाइसों का सबसे बड़ा चुनौती वर्तमान में उनकी शक्ति की खपत है। आदर्श रूप से, एम्बेडेड एज और आईओटी डिवाइसों को 10 साल से अधिक की बैटरी लाइफ होनी चाहिए। उदाहरण के लिए, आदर्श स्थिति में, 2एएच बैटरी पर चलने वाला एक आईओटी डिवाइस जिसकी शक्ति की खपत लगभग 12 माइक्रोएंप्स है, की बैटरी लाइफ 10 साल से अधिक होनी चाहिए। हालांकि, वर्तमान स्थिति में, एक आईओटी आर्किटेक्चर जिसमें एक तापमान सेंसर, एक एमसीयू यूनिट और एक वाई-फाई मॉड्यूल है, वर्तमान खपत लगभग 176.4 मिलिएम्प्स है, और इस शक्ति की खपत के साथ, बैटरी केवल 11 घंटे तक चलेगी, 10 साल की बैटरी लाइफ के बजाय।

संसाधन सीमाएं

एक एल्गोरिदम की स्थिरता बनाए रखने के लिए, यह आवश्यक है कि शक्ति की उपलब्धता बनाए रखी जाए, और वर्तमान परिदृश्य में, टिनीएमएल डिवाइसों के लिए सीमित शक्ति उपलब्धता एक महत्वपूर्ण चुनौती है। इसके अलावा, मेमोरी सीमाएं भी एक महत्वपूर्ण चुनौती हैं क्योंकि मॉडल को तैनात करने के लिए अक्सर उच्च मेमोरी की आवश्यकता होती है ताकि यह प्रभावी ढंग से और सटीक रूप से काम कर सके।

हार्डवेयर सीमाएं

हार्डवेयर सीमाएं टिनीएमएल एल्गोरिदम को व्यापक रूप से तैनात करने को मुश्किल बना देती हैं क्योंकि हार्डवेयर उपकरणों की विषमता के कारण। हजारों उपकरण हैं, प्रत्येक की अपनी हार्डवेयर विशिष्टताएं और आवश्यकताएं हैं, और परिणामस्वरूप, टिनीएमएल एल्गोरिदम को वर्तमान में प्रत्येक व्यक्तिगत उपकरण के लिए अनुकूलित करने की आवश्यकता है, जो बड़े पैमाने पर तैनाती को एक मुद्दा बनाता है।

डेटा सेट सीमाएं

टिनीएमएल मॉडल के साथ एक प्रमुख मुद्दा यह है कि वे मौजूदा डेटा सेट का समर्थन नहीं करते हैं। यह सभी एज डिवाइसों के लिए एक चुनौती है क्योंकि वे बाहरी सेंसर का उपयोग करके डेटा एकत्र करते हैं, और ये उपकरण अक्सर शक्ति और ऊर्जा सीमाओं के अधीन होते हैं। इसलिए, मौजूदा डेटा सेट टिनीएमएल मॉडल को प्रभावी ढंग से प्रशिक्षित करने के लिए उपयोग नहीं किए जा सकते हैं।

अंतिम विचार

एमएल तकनीकों का विकास आईओटी पारिस्थितिकी तंत्र में एक क्रांति और दृष्टिकोण में बदलाव लाया है। आईओटी डिवाइसों में एमएल मॉडल को एकीकृत करने से इन एज डिवाइसों को बाहरी मानव इनपुट के बिना स्वयं बुद्धिमान निर्णय लेने में सक्षम बनाया जा सकता है। हालांकि, पारंपरिक रूप से, एमएल मॉडल अक्सर उच्च शक्ति, मेमोरी और कंप्यूटिंग आवश्यकताओं की आवश्यकता होती है जो उन्हें एज डिवाइसों पर तैनात करने के लिए उपयुक्त बनाती है जो अक्सर संसाधन-सीमित होते हैं।

परिणामस्वरूप, एक नई शाखा एआई में आईओटी डिवाइसों के लिए एमएल के रूप में समर्पित थी, और इसे टिनीएमएल कहा जाता था। टिनीएमएल एक एमएल फ्रेमवर्क है जो संसाधन-सीमित डिवाइसों को भी एआई और एमएल की शक्ति का दोहन करने में सक्षम बनाता है ताकि उच्च सटीकता, बुद्धिमत्ता और दक्षता सुनिश्चित की जा सके।

इस लेख में, हमने संसाधन-सीमित आईओटी डिवाइसों पर टिनीएमएल मॉडल के कार्यान्वयन के बारे में बात की है, और यह कार्यान्वयन मॉडल को प्रशिक्षित करने, हार्डवेयर पर मॉडल तैनात करने और क्वांटाइजेशन तकनीकों को करने की आवश्यकता है। हालांकि, वर्तमान दायरे में, आईओटी और एज डिवाइसों पर तैनात करने के लिए तैयार एमएल मॉडल में हार्डवेयर और फ्रेमवर्क संगतता मुद्दों सहित जटिलताएं और प्रतिबंध हैं।