TinyML: Aplikasi, Keterbatasan, dan Penggunaannya pada Perangkat IoT & Edge

Dalam beberapa tahun terakhir, Kecerdasan Buatan (AI) dan Pembelajaran Mesin (ML) telah mengalami peningkatan popularitas dan aplikasi, tidak hanya di industri tetapi juga di akademisi. Namun, model AI dan ML saat ini memiliki satu keterbatasan besar: mereka memerlukan jumlah komputasi dan daya pengolahan yang besar untuk mencapai hasil yang diinginkan dan akurasi. Hal ini sering membatasi penggunaannya pada perangkat dengan kemampuan komputasi yang tinggi.

Namun, dengan kemajuan teknologi sistem tertanam dan pengembangan industri Internet of Things (IoT), sangat diinginkan untuk mengintegrasikan penggunaan teknik ML ke dalam sistem tertanam yang terbatas sumber daya untuk kecerdasan yang lebih luas. Keinginan untuk menggunakan konsep ML pada sistem tertanam dan IoT adalah faktor utama di balik pengembangan TinyML, sebuah teknik ML tertanam yang memungkinkan model dan aplikasi ML pada perangkat yang terbatas sumber daya, terbatas daya, dan murah.

Namun, implementasi ML pada perangkat yang terbatas sumber daya tidaklah sederhana karena mengimplementasikan model ML pada perangkat dengan daya pengolahan yang rendah menimbulkan tantangan tersendiri dalam hal optimisasi, kapasitas pengolahan, keandalan, pemeliharaan model, dan banyak lagi.

Dalam artikel ini, kita akan membahas lebih dalam tentang model TinyML, dan mempelajari lebih lanjut tentang latar belakang, alat yang mendukung TinyML, dan aplikasi TinyML menggunakan teknologi canggih. Jadi, mari kita mulai.

Pengenalan TinyML: Mengapa Dunia Membutuhkan TinyML

Perangkat IoT bertujuan untuk memanfaatkan komputasi edge, sebuah paradigma komputasi yang merujuk pada serangkaian perangkat dan jaringan di dekat pengguna untuk memungkinkan pemrosesan data yang mulus dan waktu nyata dari jutaan sensor dan perangkat yang terhubung satu sama lain. Salah satu kelebihan utama perangkat IoT adalah bahwa mereka memerlukan daya pengolahan yang rendah karena mereka dapat diterapkan di tepi jaringan, dan oleh karena itu mereka memiliki jejak memori yang rendah.

Selain itu, perangkat IoT sangat bergantung pada platform edge untuk mengumpulkan dan kemudian mengirimkan data karena perangkat edge ini mengumpulkan data sensor, dan kemudian mengirimkannya ke lokasi terdekat atau platform cloud untuk diproses. Teknologi komputasi edge menyimpan dan melakukan komputasi pada data, serta menyediakan infrastruktur yang diperlukan untuk mendukung komputasi terdistribusi.

Implementasi komputasi edge pada perangkat IoT menyediakan

1. Keamanan, privasi, dan keandalan yang efektif bagi pengguna akhir.
2. Waktu tunda yang lebih rendah.
3. Ketersediaan yang lebih tinggi, dan respon aplikasi dan layanan yang lebih cepat.

Selain itu, karena perangkat edge dapat menerapkan teknik kolaboratif antara sensor dan cloud, pemrosesan data dapat dilakukan di tepi jaringan bukan di platform cloud. Hal ini dapat menghasilkan pengelolaan data yang efektif, persistensi data, pengiriman yang efektif, dan caching konten. Selain itu, untuk menerapkan IoT pada aplikasi yang berhubungan dengan interaksi Manusia-Mesin dan kesehatan modern, komputasi edge menyediakan cara untuk meningkatkan layanan jaringan secara signifikan.

Penelitian terbaru di bidang komputasi edge IoT telah menunjukkan potensi untuk menerapkan teknik Pembelajaran Mesin pada beberapa kasus penggunaan IoT. Namun, masalah utama adalah bahwa model Pembelajaran Mesin tradisional sering memerlukan daya pengolahan dan memori yang tinggi, yang membatasi implementasi model ML pada perangkat IoT dan aplikasi.

Selain itu, teknologi komputasi edge saat ini kekurangan kapasitas transmisi yang tinggi dan penghematan daya yang efektif, yang menghasilkan sistem heterogen yang merupakan alasan utama di balik kebutuhan akan infrastruktur yang harmonis dan holistik, terutama untuk memperbarui, melatih, dan menerapkan model ML. Arsitektur yang dirancang untuk perangkat tertanam menimbulkan tantangan lain karena arsitektur ini bergantung pada persyaratan perangkat keras dan perangkat lunak yang bervariasi dari perangkat ke perangkat. Ini adalah alasan utama mengapa sulit untuk membangun arsitektur ML standar untuk jaringan IoT.

Juga, dalam skenario saat ini, data yang dihasilkan oleh perangkat yang berbeda dikirim ke platform cloud untuk diproses karena sifat komputasi yang intensif dari implementasi jaringan. Selain itu, model ML sering bergantung pada Pembelajaran Mendalam, Jaringan Saraf Tiruan, Sirkuit Terintegrasi Aplikasi Spesifik (ASIC), dan Unit Pemrosesan Grafis (GPU) untuk memproses data, dan mereka sering memiliki kebutuhan daya dan memori yang lebih tinggi. Menerapkan model ML lengkap pada perangkat IoT tidaklah layak karena kurangnya daya pengolahan dan memori, serta solusi penyimpanan yang terbatas.

Keinginan untuk meminimalkan perangkat tertanam yang rendah daya dan mengoptimalkan model ML untuk membuatnya lebih efisien dalam hal daya dan memori telah membuka jalan bagi TinyML yang bertujuan untuk menerapkan model dan praktik ML pada perangkat edge IoT dan kerangka kerja. TinyML memungkinkan pemrosesan sinyal pada perangkat IoT dan menyediakan kecerdasan tertanam, sehingga menghilangkan kebutuhan untuk mengirimkan data ke platform cloud untuk diproses. Implementasi TinyML yang sukses pada perangkat IoT dapat menghasilkan privasi yang lebih tinggi dan efisiensi yang lebih tinggi, serta mengurangi biaya operasional. Selain itu, apa yang membuat TinyML lebih menarik adalah bahwa dalam kasus koneksi yang tidak memadai, ia dapat menyediakan analitik on-premise.

TinyML: Pengenalan dan Tinjauan

TinyML adalah alat Pembelajaran Mesin yang dapat melakukan analitik perangkat untuk berbagai modalitas penginderaan seperti audio, visi, dan ucapan. Model ML yang dibangun pada alat TinyML memiliki kebutuhan daya, memori, dan komputasi yang rendah, sehingga membuatnya cocok untuk jaringan tertanam dan perangkat yang beroperasi pada daya baterai. Selain itu, kebutuhan TinyML yang rendah membuatnya menjadi pilihan ideal untuk menerapkan model ML pada kerangka kerja IoT.

Dalam skenario saat ini, sistem ML berbasis cloud menghadapi beberapa kesulitan, termasuk kekhawatiran keamanan dan privasi, konsumsi daya yang tinggi, ketergantungan, dan masalah keterlambatan, yang mengapa model pada platform perangkat keras-lunak sering dipasang sebelumnya. Sensor mengumpulkan data yang mensimulasikan dunia nyata, dan kemudian diproses menggunakan CPU atau MPU (Unit Pengolahan Mikro). MPU memenuhi kebutuhan dukungan analitik ML yang diaktifkan oleh jaringan dan arsitektur ML edge. Arsitektur ML edge berkomunikasi dengan cloud ML untuk transfer data dan implementasi TinyML dapat menghasilkan kemajuan teknologi yang signifikan.

Dapat dikatakan bahwa TinyML adalah kombinasi dari perangkat lunak, perangkat keras, dan algoritma yang bekerja bersama untuk menghasilkan kinerja yang diinginkan. Komputasi analog atau memori mungkin diperlukan untuk menyediakan pengalaman pembelajaran yang lebih baik dan efektif untuk perangkat keras dan perangkat IoT yang tidak mendukung akselerator perangkat keras. Mengenai perangkat lunak, aplikasi yang dibangun menggunakan TinyML dapat diterapkan dan diimplementasikan pada platform seperti Linux atau Linux tertanam, serta pada perangkat lunak yang diaktifkan cloud. Akhirnya, aplikasi dan sistem yang dibangun pada algoritma TinyML harus memiliki dukungan dari algoritma baru yang memerlukan model dengan ukuran memori yang rendah untuk menghindari konsumsi memori yang tinggi.

Untuk merangkum, aplikasi yang dibangun menggunakan alat TinyML harus mengoptimalkan prinsip dan metode ML, serta merancang perangkat lunak secara kompak, dengan adanya data berkualitas tinggi. Data ini kemudian harus diflash melalui file biner yang dihasilkan menggunakan model yang dilatih pada mesin dengan kapasitas dan daya pengolahan yang jauh lebih besar.

Selain itu, sistem dan aplikasi yang berjalan pada alat TinyML harus menyediakan akurasi yang tinggi saat beroperasi di bawah kendala yang lebih ketat karena perangkat lunak yang kompak diperlukan untuk konsumsi daya yang rendah yang mendukung implikasi TinyML. Selain itu, aplikasi atau modul TinyML mungkin bergantung pada daya baterai untuk mendukung operasinya pada sistem tertanam edge.

Dengan demikian, aplikasi TinyML memiliki dua kebutuhan fundamental

1. Kemampuan untuk menskalakan miliaran sistem tertanam yang murah.
2. Menyimpan kode pada RAM perangkat dengan kapasitas di bawah beberapa KB.

Aplikasi TinyML Menggunakan Teknologi Canggih

Salah satu alasan utama mengapa TinyML menjadi topik hangat di industri AI dan ML adalah karena potensi aplikasinya, termasuk aplikasi berbasis visi dan ucapan, diagnosis kesehatan, klasifikasi dan kompresi pola data, antarmuka otak-komputer, komputasi edge, fenomik, mobil swakemudi, dan lain-lain.

Aplikasi Berbasis Ucapan

Komunikasi Ucapan

Biasanya, aplikasi berbasis ucapan bergantung pada metode komunikasi konvensional di mana semua data penting dan dikirim. Namun, dalam beberapa tahun terakhir, komunikasi semantik telah muncul sebagai alternatif untuk komunikasi konvensional karena dalam komunikasi semantik, hanya makna atau konteks data yang dikirim. Komunikasi semantik dapat diimplementasikan pada aplikasi berbasis ucapan menggunakan metodologi TinyML.

Beberapa aplikasi paling populer di industri komunikasi ucapan saat ini adalah deteksi ucapan, pengenalan ucapan, pembelajaran online, pengajaran online, dan komunikasi yang berorientasi pada tujuan. Aplikasi ini biasanya memiliki konsumsi daya yang lebih tinggi dan juga memiliki kebutuhan data yang tinggi pada perangkat host. Untuk mengatasi kebutuhan ini, perpustakaan TinySpeech baru telah diperkenalkan yang memungkinkan pengembang untuk membangun arsitektur komputasi yang rendah yang menggunakan jaringan konvolusi dalam untuk membangun fasilitas penyimpanan yang rendah.

Untuk menggunakan TinyML untuk peningkatan ucapan, pengembang pertama-tama mengatasi ukuran model peningkatan ucapan karena ukuran model tersebut dipengaruhi oleh keterbatasan perangkat keras dan kendala. Untuk mengatasi masalah ini, pemangkasan terstruktur dan kuantisasi integer untuk model peningkatan ucapan RNN atau Jaringan Saraf Berulang diterapkan. Hasilnya menunjukkan bahwa ukuran model dapat dikurangi sekitar 12 kali lipat, sedangkan operasi dapat dikurangi sekitar 3 kali lipat. Selain itu, sangat penting bahwa sumber daya harus digunakan secara efektif, terutama saat diterapkan pada aplikasi yang terbatas sumber daya yang menjalankan aplikasi pengenalan suara.

Sebagai hasilnya, untuk membagi proses, metode co-desain telah diusulkan untuk aplikasi pengenalan suara dan ucapan berbasis TinyML. Pengembang menggunakan operasi windowing untuk membagi perangkat lunak dan perangkat keras sehingga dapat melakukan pra-pengolahan data suara mentah. Metode ini tampaknya berhasil karena hasilnya menunjukkan penurunan konsumsi energi pada perangkat keras. Akhirnya, ada juga potensi untuk mengimplementasikan partisi yang dioptimalkan antara perangkat lunak dan perangkat keras co-desain untuk kinerja yang lebih baik di masa depan.

Selain itu, penelitian terbaru telah mengusulkan penggunaan transduser berbasis ponsel untuk sistem pengenalan ucapan, dan proposal ini bertujuan untuk menggantikan prediktor LSTM dengan lapisan Conv1D untuk mengurangi kebutuhan komputasi pada perangkat edge. Ketika diimplementasikan, proposal ini mengembalikan hasil positif karena SVD atau Dekomposisi Nilai Singular telah mengompresi model dengan sukses, sedangkan penggunaan WFST atau Transduser Berbasis Finite State Weighted menghasilkan lebih banyak fleksibilitas dalam bias model.

Banyak aplikasi pengenalan ucapan yang terkenal seperti asisten virtual atau asisten suara, caption langsung, dan perintah suara menggunakan teknik ML untuk bekerja. Asisten suara populer saat ini seperti Siri dan Asisten Google menghubungi platform cloud setiap kali mereka menerima beberapa data, dan ini menciptakan kekhawatiran signifikan terkait privasi dan keamanan data. TinyML adalah solusi yang layak untuk masalah ini karena bertujuan untuk melakukan pengenalan ucapan pada perangkat, dan menghilangkan kebutuhan untuk mengirimkan data ke platform cloud. Salah satu cara untuk mencapai pengenalan ucapan pada perangkat adalah dengan menggunakan Tiny Transducer, model pengenalan ucapan yang menggunakan lapisan DFSMN atau Blok Memori Sekuensial Berulang Dalam yang dihubungkan dengan satu lapisan Conv1D sebagai gantinya lapisan LSTM untuk mengurangi kebutuhan komputasi dan parameter jaringan.

Alat Bantu Dengar

Kehilangan pendengaran adalah masalah kesehatan utama di seluruh dunia, dan kemampuan manusia untuk mendengar suara secara umum melemah seiring bertambahnya usia, dan ini adalah masalah besar di negara-negara yang menghadapi masalah penduduk yang menua, termasuk Cina, Jepang, dan Korea Selatan. Perangkat alat bantu dengar saat ini bekerja berdasarkan prinsip sederhana dengan memperkuat semua suara input dari sekitar, yang membuatnya sulit bagi orang tersebut untuk membedakan atau membedakan antara suara yang diinginkan, terutama di lingkungan yang bising.

TinyML mungkin merupakan solusi yang layak untuk masalah ini karena menggunakan model TinyLSTM yang menggunakan algoritma pengenalan ucapan untuk perangkat alat bantu dengar dapat membantu pengguna membedakan antara suara yang berbeda.

Aplikasi Berbasis Visi

TinyML memiliki potensi untuk memainkan peran penting dalam memproses dataset berbasis visi karena untuk mendapatkan output yang lebih cepat, dataset ini perlu diproses pada platform edge itu sendiri. Untuk mencapai ini, model TinyML menghadapi tantangan praktis saat melatih model menggunakan papan mikrokontroler OpenMV H7. Pengembang juga mengusulkan arsitektur untuk mendeteksi Bahasa Isyarat Amerika dengan bantuan mikrokontroler ARM Cortex M7 yang hanya bekerja dengan 496KB RAM bingkai.

Implementasi TinyML untuk aplikasi berbasis visi pada platform edge memerlukan pengembang untuk mengatasi tantangan besar CNN atau Jaringan Konvolusi dengan kesalahan generalisasi yang tinggi dan akurasi pelatihan dan pengujian yang tinggi. Namun, implementasi ini tidak generalisasi secara efektif ke gambar dalam kasus penggunaan baru serta latar belakang dengan kebisingan. Ketika pengembang menggunakan metode augmentasi interpolasi, model ini mengembalikan skor akurasi lebih dari 98% pada data pengujian dan sekitar 75% dalam generalisasi.

Selain itu, diamati bahwa ketika pengembang menggunakan metode augmentasi interpolasi, ada penurunan akurasi model selama kuantisasi, tetapi pada saat yang sama, ada peningkatan kecepatan inferensi model dan generalisasi klasifikasi. Pengembang juga mengusulkan metode untuk lebih meningkatkan akurasi model pelatihan pada data yang diperoleh dari berbagai sumber yang berbeda dan menguji kinerjanya untuk mengeksplorasi kemungkinan penerapan pada platform edge seperti jam tangan pintar yang dapat dibawa.

Selain itu, penelitian tambahan pada CNN menunjukkan bahwa memungkinkan untuk menerapkan dan mencapai hasil yang diinginkan dengan arsitektur CNN pada perangkat dengan sumber daya yang terbatas. Baru-baru ini, pengembang berhasil mengembangkan kerangka kerja untuk deteksi masker wajah medis pada mikrokontroler ARM Cortex M7 dengan sumber daya yang terbatas menggunakan TensorFlow Lite dengan jejak memori yang minimal. Ukuran model setelah kuantisasi sekitar 138 KB, sedangkan kecepatan inferensi pada papan target sekitar 30 FPS.

Aplikasi lain dari TinyML untuk aplikasi berbasis visi adalah untuk mengimplementasikan perangkat pengenalan gerakan yang dapat dipasang pada tongkat untuk membantu orang-orang yang memiliki keterbatasan visual untuk bernavigasi melalui kehidupan sehari-hari dengan lebih mudah. Untuk merancangnya, pengembang menggunakan dataset gerakan dan menggunakan dataset untuk melatih model ProtoNN dengan algoritma klasifikasi. Hasil yang diperoleh dari pengaturan ini akurat, desain ini berbiaya rendah, dan menghasilkan hasil yang memuaskan.

Aplikasi TinyML lain yang signifikan adalah di industri kendaraan swakemudi dan kendaraan otonom karena keterbatasan sumber daya dan daya pengolahan pada kendaraan. Untuk mengatasi masalah ini, pengembang memperkenalkan metode pembelajaran tertutup yang dibangun pada model TinyCNN yang mengusulkan model prediktor online yang menangkap gambar pada waktu jalankan. Masalah utama yang dihadapi pengembang saat mengimplementasikan TinyML untuk mengemudi otonom adalah bahwa model keputusan yang dilatih untuk bekerja pada data offline mungkin tidak bekerja sama baiknya saat menangani data online. Untuk memaksimalkan aplikasi kendaraan otonom dan swakemudi, model harus dapat beradaptasi dengan data waktu nyata.

Klasifikasi dan Kompresi Pola Data

Salah satu tantangan terbesar dari kerangka kerja TinyML saat ini adalah untuk memungkinkannya beradaptasi dengan data pelatihan online. Untuk mengatasi masalah ini, pengembang telah mengusulkan metode yang dikenal sebagai TinyOL atau Pembelajaran Online TinyML untuk memungkinkan pelatihan dengan pembelajaran online inkremental pada unit mikrokontrol, sehingga memungkinkan model untuk diperbarui pada perangkat edge IoT. Implementasi ini dicapai menggunakan bahasa pemrograman C++ dan lapisan tambahan ditambahkan ke arsitektur TinyOL.

Selain itu, pengembang juga melakukan pengkodean otomatis papan sensor Arduino Nano 33 BLE, dan model yang dilatih dapat mengklasifikasikan pola data baru. Selain itu, pekerjaan pengembangan termasuk merancang algoritma yang lebih efisien dan dioptimalkan untuk jaringan saraf untuk mendukung pola pelatihan perangkat online.

Penelitian pada TinyOL dan TinyML telah menunjukkan bahwa jumlah lapisan aktivasi telah menjadi masalah besar untuk perangkat edge IoT yang memiliki sumber daya yang terbatas. Untuk mengatasi masalah ini, pengembang memperkenalkan model TinyTL atau Pembelajaran Transfer TinyML baru untuk membuat penggunaan memori pada perangkat edge IoT lebih efektif dan menghindari penggunaan lapisan antara untuk tujuan aktivasi. Selain itu, pengembang juga memperkenalkan modul bias baru yang disebut “modul residual ringan” untuk memaksimalkan kemampuan adaptasi dan memungkinkan ekstraktor fitur untuk menemukan peta fitur residual.

Ketika dibandingkan dengan penyetelan jaringan penuh, hasilnya mendukung arsitektur TinyTL karena hasilnya menunjukkan bahwa TinyTL mengurangi overhead memori sekitar 6,5 kali lipat dengan kehilangan akurasi yang moderat. Ketika lapisan terakhir disesuaikan, TinyML meningkatkan akurasi sebesar 34% dengan kehilangan akurasi yang moderat.

Selain itu, penelitian pada kompresi data telah menunjukkan bahwa algoritma kompresi data harus mengelola data yang dikumpulkan pada perangkat portabel, dan untuk mencapai hal ini, pengembang mengusulkan TAC atau Kompresor Kecil Anomali. TAC dapat mengungguli algoritma SDT atau Trending Pintu Ayun dan DCT atau Transformasi Kosinus Terpisah. Selain itu, algoritma TAC mengungguli kedua algoritma SDT dan DCT dengan mencapai tingkat kompresi maksimum lebih dari 98% dan memiliki rasio sinyal-ke-bisingan puncak yang unggul di antara ketiga algoritma.

Diagnosis Kesehatan

Pandemi Covid-19 global membuka peluang baru untuk implementasi TinyML karena sekarang menjadi praktik yang penting untuk terus mendeteksi gejala pernapasan yang terkait dengan batuk dan pilek. Untuk memastikan pemantauan yang tidak terganggu, pengembang telah mengusulkan model CNN yang disebut Tiny RespNet yang beroperasi pada pengaturan multi-model dan model ini diterapkan pada FPGA Xilinx Artix-7 100t yang memungkinkan perangkat untuk memproses informasi secara paralel, memiliki efisiensi yang tinggi, dan konsumsi daya yang rendah. Selain itu, model TinyResp juga mengambil suara pasien, rekaman audio, dan informasi demografi sebagai input untuk mengklasifikasikan gejala batuk yang terkait dengan pasien menggunakan tiga dataset yang berbeda.

Selain itu, pengembang juga telah mengusulkan model yang dapat menjalankan komputasi pembelajaran mendalam pada perangkat edge, model TinyML yang disebut TinyDL. Model TinyDL dapat diterapkan pada perangkat edge seperti jam tangan pintar dan perangkat yang dapat dikenakan untuk diagnosis kesehatan dan juga dapat melakukan analisis kinerja untuk mengurangi bandwidth, keterlambatan, dan konsumsi energi. Untuk mencapai penerapan TinyDL pada perangkat genggam, model LSTM dirancang dan dilatih khusus untuk perangkat yang dapat dikenakan dan diberi data yang dikumpulkan sebagai input. Model ini memiliki skor akurasi sekitar 75 hingga 80% dan dapat bekerja dengan data yang tidak ada di perangkat.

Akhirnya, pengembang juga telah mengusulkan aplikasi lain untuk memantau kesehatan orang tua dengan memperkirakan dan menganalisis postur tubuh mereka. Model ini menggunakan kerangka kerja yang tidak bergantung pada perangkat yang memungkinkan model untuk mengaktifkan validasi dan penerapan yang cepat untuk melakukan adaptasi. Model ini mengimplementasikan algoritma deteksi postur tubuh yang dikaitkan dengan tanda-tanda wajah untuk mendeteksi postur tubuh spasial-waktu dalam waktu nyata.

Komputasi Edge

Salah satu aplikasi utama TinyML adalah di bidang komputasi edge karena dengan meningkatnya penggunaan perangkat IoT untuk menghubungkan perangkat di seluruh dunia, sangat penting untuk menyiapkan perangkat edge yang akan memungkinkan mereka untuk melakukan komputasi tingkat tinggi pada perangkat itu sendiri, bukan bergantung pada arsitektur cloud. Perangkat edge ini akan menampilkan pusat data individual yang akan memungkinkan mereka untuk melakukan komputasi pada perangkat, bukan bergantung pada arsitektur cloud. Sebagai hasilnya, ini akan membantu mengurangi ketergantungan pada cloud, mengurangi keterlambatan, meningkatkan keamanan dan privasi pengguna, dan mengurangi bandwidth.

Perangkat edge yang menggunakan algoritma TinyML akan membantu mengatasi keterbatasan saat ini yang terkait dengan daya, komputasi, dan kebutuhan memori, dan ini dibahas pada gambar di bawah.

Selain itu, TinyML juga dapat meningkatkan penggunaan dan aplikasi Kendaraan Udara Tak Berawak atau UAV dengan mengatasi keterbatasan saat ini yang dihadapi oleh mesin ini. Penggunaan TinyML dapat memungkinkan pengembang untuk mengimplementasikan perangkat yang hemat energi dengan keterlambatan yang rendah dan daya pengolahan yang tinggi yang dapat bertindak sebagai pengontrol untuk UAV ini.

Antarmuka Otak-Komputer atau BCI

TinyML memiliki aplikasi yang signifikan di industri kesehatan dan dapat membuktikan sangat bermanfaat dalam berbagai bidang, termasuk deteksi kanker dan tumor, prediksi kesehatan menggunakan sinyal ECG dan EEG, dan kecerdasan emosional. Penggunaan TinyML dapat memungkinkan Stimulasi Otak Dalam yang Adaptif atau aDBS untuk beradaptasi dengan baik dengan adaptasi klinis. Penggunaan TinyML juga dapat memungkinkan aDBS untuk mengidentifikasi tanda-tanda bio yang terkait dengan penyakit dan gejala menggunakan rekaman invasif sinyal otak.

Selain itu, industri kesehatan sering melibatkan pengumpulan sejumlah besar data pasien, dan data ini kemudian perlu diproses untuk mencapai solusi spesifik untuk pengobatan pasien pada tahap awal penyakit. Sebagai hasilnya, sangat penting untuk membangun sistem yang tidak hanya sangat efektif tetapi juga sangat aman. Ketika kita menggabungkan aplikasi IoT dengan model TinyML, bidang baru lahir yang disebut Internet of Things Kesehatan atau H-IoT, dan aplikasi utama H-IoT adalah diagnosis, pemantauan, logistik, kontrol penyebaran, dan sistem bantuan. Jika kita ingin mengembangkan perangkat yang dapat mendeteksi dan menganalisis kesehatan pasien secara remote, sangat penting untuk mengembangkan sistem yang memiliki aksesibilitas global dan keterlambatan yang rendah.

Kendaraan Otonom

Akhirnya, TinyML dapat memiliki aplikasi yang luas di industri kendaraan otonom karena kendaraan ini dapat digunakan dalam berbagai cara, termasuk pelacakan manusia, tujuan militer, dan memiliki aplikasi industri. Kendaraan ini memiliki persyaratan utama untuk dapat mengidentifikasi objek secara efektif saat objek sedang dicari.

Saat ini, kendaraan otonom dan mengemudi otonom adalah tugas yang cukup kompleks, terutama saat mengembangkan kendaraan kecil atau mini. Pengembangan terbaru telah menunjukkan potensi untuk meningkatkan aplikasi mengemudi otonom untuk kendaraan mini dengan menggunakan arsitektur CNN dan menerapkan model pada GAP8 MCI.

Tantangan

TinyML adalah konsep yang relatif baru di industri AI dan ML, dan meskipun kemajuan yang telah dibuat, masih belum seefektif yang kita butuhkan untuk penerapan massal pada perangkat edge dan IoT.

Tantangan terbesar yang saat ini dihadapi oleh perangkat TinyML adalah konsumsi daya perangkat. Idealnya, perangkat edge dan IoT yang tertanam seharusnya memiliki umur baterai yang dapat bertahan selama lebih dari 10 tahun. Sebagai contoh, dalam kondisi ideal, perangkat IoT yang berjalan pada baterai 2Ah seharusnya memiliki umur baterai lebih dari 10 tahun jika konsumsi daya perangkat sekitar 12 uA. Namun, dalam keadaan yang diberikan, arsitektur IoT dengan sensor suhu, unit MCU, dan modul WiFi, konsumsi arus sekitar 176,4 mA, dan dengan konsumsi daya ini, baterai akan bertahan hanya sekitar 11 jam, bukan 10 tahun umur baterai yang dibutuhkan.

Keterbatasan Sumber Daya

Untuk mempertahankan konsistensi algoritma, sangat penting untuk mempertahankan ketersediaan daya, dan dalam skenario saat ini, ketersediaan daya yang terbatas untuk perangkat TinyML adalah tantangan kritis. Selain itu, keterbatasan memori juga merupakan tantangan signifikan karena menerapkan model sering memerlukan jumlah memori yang besar untuk bekerja secara efektif dan akurat.

Keterbatasan Perangkat Keras

Keterbatasan perangkat keras membuat penerapan algoritma TinyML pada skala besar sulit karena heterogenitas perangkat keras. Ada ribuan perangkat, masing-masing dengan spesifikasi dan kebutuhan perangkat keras yang unik, dan sebagai hasilnya, algoritma TinyML saat ini perlu disesuaikan untuk setiap perangkat individual, yang membuat penerapan massal menjadi masalah besar.

Keterbatasan Set Data

Salah satu masalah utama dengan model TinyML adalah bahwa mereka tidak mendukung set data yang ada. Ini adalah tantangan bagi semua perangkat edge karena mereka mengumpulkan data menggunakan sensor eksternal, dan perangkat ini sering memiliki keterbatasan daya dan energi. Oleh karena itu, set data yang ada tidak dapat digunakan untuk melatih model TinyML secara efektif.

Pemikiran Akhir

Pengembangan teknik ML telah menyebabkan revolusi dan perubahan perspektif di ekosistem IoT. Integrasi model ML ke dalam perangkat IoT akan memungkinkan perangkat edge ini untuk membuat keputusan cerdas tanpa input manusia eksternal. Namun, secara konvensional, model ML sering memiliki kebutuhan daya, memori, dan komputasi yang tinggi, yang membuatnya tidak cocok untuk diterapkan pada perangkat edge yang sering terbatas sumber daya.

Sebagai hasilnya, cabang baru dalam AI didedikasikan untuk penggunaan ML untuk perangkat IoT, dan disebut sebagai TinyML. TinyML adalah kerangka kerja ML yang memungkinkan bahkan perangkat yang terbatas sumber daya untuk memanfaatkan kekuatan AI dan ML untuk memastikan akurasi yang lebih tinggi, kecerdasan, dan efisiensi.

Dalam artikel ini, kita telah membahas tentang implementasi model TinyML pada perangkat IoT yang terbatas sumber daya, dan implementasi ini memerlukan pelatihan model, penerapan model pada perangkat keras, dan teknik kuantisasi. Namun, dengan cakupan saat ini, model ML yang siap untuk diterapkan pada perangkat IoT dan edge memiliki beberapa kompleksitas dan keterbatasan, termasuk masalah kompatibilitas perangkat keras dan kerangka kerja.