TinyML: Aplikasi, Batasan, dan Penggunaannya di Perangkat IoT & Edge

Dalam beberapa tahun terakhir, Artificial Intelligence (AI) dan Pembelajaran mesin (ML) telah menyaksikan peningkatan pesat dalam popularitas dan penerapannya, tidak hanya di industri tetapi juga di dunia akademis. Namun, model ML dan AI saat ini memiliki satu keterbatasan utama: keduanya memerlukan komputasi dan daya pemrosesan yang sangat besar untuk mencapai hasil dan akurasi yang diinginkan. Hal ini sering kali membatasi penggunaannya pada perangkat berkemampuan tinggi dengan daya komputasi yang besar.

Namun mengingat kemajuan yang dicapai dalam teknologi sistem tertanam, dan perkembangan substansial dalam industri Internet of Things, penggunaan teknik & konsep ML sebaiknya digabungkan ke dalam sistem tertanam dengan sumber daya terbatas untuk kecerdasan di mana-mana. Keinginan untuk menggunakan konsep ML ke dalam sistem tertanam & IoT adalah faktor motivasi utama di balik pengembangan TinyML, sebuah teknik ML tertanam yang memungkinkan model & aplikasi ML pada beberapa perangkat dengan sumber daya terbatas, daya terbatas, dan murah. 

Namun, penerapan ML pada perangkat dengan sumber daya terbatas tidaklah mudah karena penerapan model ML pada perangkat dengan daya komputasi rendah menghadirkan tantangan tersendiri dalam hal pengoptimalan, kapasitas pemrosesan, keandalan, pemeliharaan model, dan banyak lagi. 

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

Pengantar TinyML : Mengapa Dunia Membutuhkan TinyML

Perangkat Internet of Things atau IoT bertujuan untuk memanfaatkan edge computing, sebuah paradigma komputasi yang mengacu pada serangkaian perangkat & jaringan di dekat pengguna untuk memungkinkan pemrosesan data yang lancar dan real-time dari jutaan sensor & perangkat yang saling terhubung satu sama lain. Salah satu keuntungan utama perangkat IoT adalah memerlukan daya komputasi & pemrosesan yang rendah karena dapat diterapkan di tepi jaringan, sehingga 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 sensorik, dan kemudian mengirimkannya ke lokasi terdekat, atau ke platform cloud untuk diproses. Teknologi komputasi tepi menyimpan & melakukan komputasi pada data, dan juga menyediakan infrastruktur yang diperlukan untuk mendukung komputasi terdistribusi. 

Penerapan komputasi tepi pada perangkat IoT menyediakan

1. Keamanan, privasi, dan keandalan yang efektif bagi pengguna akhir. 
2. Penundaan lebih rendah. 
3. Ketersediaan yang lebih tinggi, dan respons throughput terhadap aplikasi & layanan. 

Selain itu, karena perangkat edge dapat menerapkan teknik kolaboratif antara sensor dan cloud, pemrosesan data dapat dilakukan di edge jaringan, bukan di platform cloud. Hal ini dapat menghasilkan pengelolaan data yang efektif, persistensi data, pengiriman yang efektif, dan penyimpanan cache konten. Selain itu, penerapan IoT dalam aplikasi yang berhubungan dengan interaksi H2M atau Manusia ke Mesin dan komputasi edge layanan kesehatan modern memberikan cara untuk meningkatkan layanan jaringan secara signifikan. 

Penelitian terbaru di bidang komputasi tepi IoT telah menunjukkan potensi penerapan teknik Pembelajaran Mesin dalam beberapa kasus penggunaan IoT. Namun, masalah utamanya adalah model pembelajaran mesin tradisional sering kali memerlukan daya komputasi & pemrosesan yang kuat, serta kapasitas memori yang tinggi sehingga membatasi penerapan model ML di perangkat & aplikasi IoT. 

Selain itu, teknologi komputasi edge saat ini kurang memiliki kapasitas transmisi yang tinggi, dan penghematan daya yang efektif yang mengarah pada sistem heterogen yang merupakan alasan utama di balik kebutuhan infrastruktur yang harmonis & 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 & perangkat lunak yang bervariasi dari satu perangkat ke perangkat lainnya. Ini adalah alasan utama mengapa sulit membangun arsitektur ML standar untuk jaringan IoT. 

Selain itu, dalam skenario saat ini, data yang dihasilkan oleh perangkat berbeda dikirim ke platform cloud untuk diproses karena sifat implementasi jaringan yang intensif secara komputasi. Selain itu, model ML sering kali bergantung pada Pembelajaran Mendalam, Jaringan Neural Dalam, Sirkuit Terpadu Khusus Aplikasi (ASIC), dan Unit Pemrosesan Grafis (GPU) untuk memproses data, dan model tersebut sering kali memiliki kebutuhan daya & memori yang lebih tinggi. Menerapkan model ML lengkap pada perangkat IoT bukanlah solusi yang tepat karena kurangnya kekuatan komputasi & pemrosesan, serta solusi penyimpanan yang terbatas. 

Permintaan untuk membuat miniatur perangkat tertanam berdaya rendah ditambah dengan mengoptimalkan model ML agar lebih hemat daya & memori telah membuka jalan bagi TinyML yang bertujuan untuk mengimplementasikan model & praktik ML pada perangkat & kerangka kerja edge IoT. ML kecil memungkinkan pemrosesan sinyal pada perangkat IoT dan menyediakan kecerdasan tertanam, sehingga menghilangkan kebutuhan untuk mentransfer data ke platform cloud untuk diproses. Keberhasilan penerapan TinyML pada perangkat IoT pada akhirnya dapat menghasilkan peningkatan privasi dan efisiensi sekaligus mengurangi biaya pengoperasian. Selain itu, apa yang membuat TinyML lebih menarik adalah jika konektivitas tidak memadai, TinyML dapat menyediakan analisis di lokasi. 

TinyML : Pendahuluan dan Ikhtisar

TinyML adalah alat pembelajaran mesin yang memiliki kemampuan untuk melakukan analisis pada perangkat untuk berbagai modalitas penginderaan seperti audio, penglihatan, dan ucapan. Model Ml yang dibuat dengan alat TinyML memiliki persyaratan daya, memori, dan komputasi yang rendah sehingga cocok untuk jaringan tertanam, dan perangkat yang beroperasi dengan daya baterai. Selain itu, persyaratan TinyML yang rendah menjadikannya pilihan ideal untuk menerapkan model ML pada kerangka kerja IoT.

Dalam skenario saat ini, sistem ML berbasis cloud menghadapi beberapa kesulitan termasuk masalah keamanan & privasi, konsumsi daya yang tinggi, ketergantungan, dan masalah latensi, itulah sebabnya model pada platform perangkat keras-perangkat lunak sudah diinstal sebelumnya. Sensor mengumpulkan data yang mensimulasikan dunia fisik, dan kemudian diproses menggunakan CPU atau MPU (Microprocessing unit). MPU memenuhi kebutuhan dukungan analitik ML yang dimungkinkan oleh jaringan dan arsitektur edge awareness ML. Arsitektur Edge ML berkomunikasi dengan cloud ML untuk transfer data, dan penerapan TinyML dapat menghasilkan kemajuan teknologi secara signifikan. 

Dapat dikatakan bahwa TinyML adalah penggabungan perangkat lunak, perangkat keras, dan algoritme yang bekerja secara sinkron satu sama lain untuk memberikan kinerja yang diinginkan. Komputasi analog atau memori mungkin diperlukan untuk memberikan pengalaman pembelajaran yang lebih baik & efektif untuk perangkat keras & IoT yang tidak mendukung akselerator perangkat keras. Sejauh menyangkut perangkat lunak, aplikasi yang dibangun menggunakan TinyML dapat diterapkan & diimplementasikan melalui platform seperti Linux atau Linux tertanam, dan melalui perangkat lunak yang mendukung cloud. Terakhir, aplikasi & sistem yang dibangun berdasarkan algoritma TinyML harus mendapat dukungan algoritma baru yang membutuhkan model berukuran memori rendah untuk menghindari konsumsi memori yang tinggi. 

Singkatnya, aplikasi yang dibangun menggunakan alat TinyML harus mengoptimalkan prinsip & metode ML serta merancang perangkat lunak secara ringkas, dengan adanya data berkualitas tinggi. Data ini kemudian harus di-flash melalui file biner yang dihasilkan menggunakan model yang dilatih pada mesin dengan kapasitas dan daya komputasi yang jauh lebih besar. 

Selain itu, sistem & aplikasi yang berjalan pada alat TinyML harus memberikan akurasi tinggi ketika bekerja di bawah batasan yang lebih ketat karena perangkat lunak ringkas diperlukan untuk konsumsi daya kecil yang mendukung implikasi TinyML. Selain itu, aplikasi atau modul TinyML mungkin bergantung pada daya baterai untuk mendukung operasinya pada sistem edge embedded. 

Meskipun demikian, aplikasi TinyML memiliki dua persyaratan mendasar

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 & ML adalah karena potensi aplikasinya termasuk aplikasi berbasis visi & ucapan, diagnosis kesehatan, kompresi & klasifikasi pola data, antarmuka kontrol otak, komputasi tepi, phenomics, self -mengemudi mobil, dan banyak lagi. 

Aplikasi Berbasis Pidato

Komunikasi Pidato

Biasanya, aplikasi berbasis ucapan bergantung pada metode komunikasi konvensional di mana semua data penting dan dikirimkan. Namun belakangan ini muncul komunikasi semantik sebagai alternatif komunikasi konvensional karena dalam komunikasi semantik, hanya makna atau konteks data yang disampaikan. Komunikasi semantik dapat diimplementasikan di seluruh aplikasi berbasis ucapan menggunakan metodologi TinyML. 

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

Untuk menggunakan TinyML untuk penyempurnaan ucapan, pengembang terlebih dahulu mengatasi ukuran model penyempurnaan ucapan karena model tersebut tunduk pada batasan & batasan perangkat keras. Untuk mengatasi masalah ini, pemangkasan terstruktur dan kuantisasi bilangan bulat untuk model peningkatan ucapan RNN atau Jaringan Neural Berulang diterapkan. Hasilnya menunjukkan ukuran model dikurangi hampir 12x sedangkan pengoperasiannya dikurangi hampir 3x. Selain itu, sangat penting bahwa sumber daya harus dimanfaatkan secara efektif terutama ketika diterapkan pada aplikasi dengan sumber daya terbatas yang menjalankan aplikasi pengenalan suara. 

Akibatnya, untuk mempartisi proses, metode desain bersama diusulkan untuk aplikasi pengenalan suara dan ucapan berbasis TinyML. Pengembang menggunakan operasi windowing untuk mempartisi perangkat lunak & perangkat keras dengan cara melakukan pra-proses data suara mentah. Metode tersebut tampaknya berhasil karena hasilnya menunjukkan penurunan konsumsi energi pada perangkat keras. Terakhir, ada juga potensi untuk mengimplementasikan partisi yang dioptimalkan antara desain bersama perangkat lunak & perangkat keras untuk kinerja yang lebih baik dalam waktu dekat. 

Selain itu, penelitian terbaru telah mengusulkan penggunaan transduser berbasis telepon untuk sistem pengenalan suara, dan proposal tersebut bertujuan untuk menggantikan prediktor LSTM dengan lapisan Conv1D untuk mengurangi kebutuhan komputasi pada perangkat edge. Ketika diterapkan, proposal tersebut memberikan hasil yang positif karena SVD atau Dekomposisi Nilai Singular telah berhasil mengompresi model sedangkan penggunaan decoding berbasis WFST atau Weighted Finite State Transducers menghasilkan lebih banyak fleksibilitas dalam bias perbaikan model. 

Banyak aplikasi pengenalan ucapan yang menonjol seperti asisten virtual atau suara, teks langsung, dan perintah suara menggunakan teknik ML agar berfungsi. Asisten suara populer saat ini seperti Siri dan Asisten Google melakukan ping ke platform cloud setiap kali mereka menerima sejumlah data, dan hal ini menimbulkan kekhawatiran besar terkait privasi & keamanan data. TinyML adalah solusi yang tepat untuk masalah ini karena bertujuan untuk melakukan pengenalan suara pada perangkat, dan menghilangkan kebutuhan untuk memigrasikan 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 Deep Feed-Forward Sequential Memory Block yang dipadukan dengan satu lapisan Conv1D, bukan lapisan LSTM, untuk menurunkan persyaratan komputasi , dan parameter jaringan. 

Alat bantu Dengar

Gangguan pendengaran merupakan masalah kesehatan utama di seluruh dunia, dan kemampuan manusia untuk mendengar suara umumnya melemah seiring bertambahnya usia, dan hal ini merupakan masalah besar di negara-negara yang menghadapi populasi penuaan termasuk Tiongkok, Jepang, dan Korea Selatan. Alat bantu dengar saat ini bekerja dengan prinsip sederhana yaitu memperkuat semua masukan suara dari sekitar sehingga menyulitkan orang tersebut untuk membedakan atau membedakan suara yang diinginkan terutama di lingkungan yang bising. 

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

Aplikasi Berbasis Visi

TinyML berpotensi memainkan peran penting dalam pemrosesan visi komputer kumpulan data berbasis karena untuk keluaran yang lebih cepat, kumpulan data ini perlu diproses di platform edge itu sendiri. Untuk mencapai hal ini, model TinyML menghadapi tantangan praktis yang dihadapi 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 RAM frame-buffer sebesar 496KB. 

Implementasi TinyML untuk aplikasi berbasis visi komputer pada platform edge mengharuskan pengembang untuk mengatasi tantangan besar CNN atau Convolutional Neural Networks dengan kesalahan generalisasi yang tinggi, serta akurasi pelatihan & pengujian yang tinggi. Namun, penerapannya tidak dapat melakukan generalisasi secara efektif pada gambar dalam kasus penggunaan baru serta latar belakang dengan noise. Saat pengembang menggunakan metode augmentasi interpolasi, model tersebut menghasilkan skor akurasi lebih dari 98% pada data pengujian, dan sekitar 75% pada generalisasi. 

Selain itu, terlihat bahwa ketika pengembang menggunakan metode augmentasi interpolasi, terjadi penurunan akurasi model selama kuantisasi, namun pada saat yang sama, terjadi juga peningkatan kecepatan inferensi model, dan generalisasi klasifikasi. Pengembang juga mengusulkan metode untuk lebih meningkatkan akurasi pelatihan model generalisasi pada data yang diperoleh dari berbagai sumber berbeda, dan menguji kinerja untuk mengeksplorasi kemungkinan penerapannya pada platform edge seperti jam tangan pintar portabel. 

Selain itu, studi tambahan tentang CNN menunjukkan bahwa mungkin untuk menyebarkan & mencapai hasil yang diinginkan dengan arsitektur CNN pada perangkat dengan sumber daya terbatas. Baru-baru ini, pengembang dapat mengembangkan kerangka kerja untuk mendeteksi masker wajah medis pada mikrokontroler ARM Cortex M7 dengan sumber daya terbatas menggunakan TensorFlow lite dengan jejak memori minimal. Ukuran model pasca kuantisasi adalah sekitar 138 KB sedangkan kecepatan interferensi pada papan target adalah sekitar 30 FPS. 

Penerapan lain dari TinyML untuk aplikasi berbasis visi komputer adalah mengimplementasikan perangkat pengenalan gerakan yang dapat dijepit ke tongkat untuk membantu orang-orang tunanetra menavigasi kehidupan sehari-hari mereka dengan mudah. Untuk mendesainnya, pengembang menggunakan kumpulan data gerakan, dan menggunakan kumpulan data tersebut untuk melatih model ProtoNN dengan algoritma klasifikasi. Hasil yang diperoleh dari setupnya akurat, desainnya berbiaya rendah, dan memberikan hasil yang memuaskan. 

Penerapan penting lainnya dari TinyML adalah dalam industri kendaraan self-driving dan otonom karena kurangnya sumber daya, dan daya komputasi internal. Untuk mengatasi masalah ini, pengembang memperkenalkan metode pembelajaran loop tertutup yang dibangun berdasarkan model TinyCNN yang mengusulkan model prediktor online yang menangkap gambar pada saat run-time. Masalah utama yang dihadapi pengembang saat menerapkan TinyML untuk mengemudi otonom adalah model keputusan yang dilatih untuk bekerja pada data offline mungkin tidak berfungsi dengan baik ketika menangani data online. Untuk sepenuhnya memaksimalkan penerapan mobil otonom dan mobil self-driving, idealnya model tersebut harus mampu beradaptasi dengan data real-time. 

Klasifikasi dan Kompresi Pola Data

Salah satu tantangan terbesar kerangka TinyML saat ini adalah memfasilitasi adaptasi terhadap data pelatihan online. Untuk mengatasi masalah ini, pengembang telah mengusulkan metode yang dikenal sebagai TinyOL atau TinyML Online Learning untuk memungkinkan pelatihan dengan pembelajaran online tambahan pada unit mikrokontroler sehingga memungkinkan model diperbarui pada perangkat IoT edge. Implementasinya dicapai dengan menggunakan bahasa pemrograman C++, dan lapisan tambahan ditambahkan ke arsitektur TinyOL. 

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

Penelitian di TinyOL dan TinyML menunjukkan bahwa jumlah lapisan aktivasi telah menjadi masalah besar bagi perangkat IoT edge yang memiliki sumber daya terbatas. Untuk mengatasi masalah ini, pengembang memperkenalkan model TinyTL atau Tiny Transfer Learning yang baru untuk menjadikan pemanfaatan memori pada perangkat edge IoT jauh lebih efektif, dan menghindari penggunaan lapisan perantara untuk tujuan aktivasi. Selain itu, pengembang juga memperkenalkan modul bias baru yang dikenal sebagai “modul sisa-lite” untuk memaksimalkan kemampuan adaptasi, dan tentu saja memungkinkan ekstraktor fitur menemukan peta fitur sisa. 

Jika dibandingkan dengan penyempurnaan jaringan penuh, hasilnya mendukung arsitektur TinyTL karena hasilnya menunjukkan TinyTL mengurangi overhead memori sekitar 6.5 kali dengan kehilangan akurasi sedang. Saat lapisan terakhir disempurnakan, TinyML telah meningkatkan akurasi sebesar 34% dengan kehilangan akurasi sedang. 

Selain itu, penelitian tentang kompresi data telah menunjukkan hal itu algoritma kompresi data harus mengelola data yang dikumpulkan pada perangkat portabel, dan untuk mencapai hal yang sama, pengembang mengusulkan TAC atau Tiny Anomaly Compressor. TAC mampu mengungguli algoritma SDT atau Swing Door Trending, dan DCT atau Discrete Cosine Transform. Selain itu, algoritma TAC mengungguli algoritma SDT dan DCT dengan mencapai tingkat kompresi maksimum lebih dari 98%, dan memiliki rasio signal-to-noise puncak yang unggul dari ketiga algoritma. 

Diagnosis Kesehatan

Pandemi global Covid-19 membuka peluang baru bagi penerapan TinyML karena TinyML kini menjadi praktik penting untuk terus mendeteksi gejala pernapasan terkait batuk dan pilek. Untuk memastikan pemantauan tanpa gangguan, pengembang telah mengusulkan model CNN Tiny RespNet yang beroperasi pada pengaturan multi-model, dan model tersebut diterapkan melalui Xilinx Artix-7 100t FPGA yang memungkinkan perangkat memproses informasi secara paralel, memiliki efisiensi tinggi, dan konsumsi daya rendah. Selain itu, model TinyResp juga menggunakan ucapan pasien, rekaman audio, dan informasi demografi sebagai masukan untuk mengklasifikasikan, dan gejala terkait batuk pasien diklasifikasikan menggunakan tiga kumpulan data yang berbeda. 

Selain itu, pengembang juga telah mengusulkan model yang mampu menjalankan komputasi pembelajaran mendalam pada perangkat edge, model TinyML bernama TinyDL. Model TinyDL dapat diterapkan pada perangkat edge seperti jam tangan pintar, dan perangkat yang dapat dikenakan untuk diagnosis kesehatan, dan juga mampu melakukan analisis kinerja untuk mengurangi bandwidth, latensi, dan konsumsi energi. Untuk mencapai penerapan TinyDL pada perangkat genggam, model LSTM dirancang dan dilatih secara khusus untuk perangkat yang dapat dikenakan, dan model tersebut memasukkan data yang dikumpulkan sebagai masukan. Model ini memiliki skor akurasi sekitar 75 hingga 80%, dan juga mampu bekerja dengan data di luar perangkat. Model-model yang berjalan pada perangkat edge ini menunjukkan potensi untuk menyelesaikan tantangan yang dihadapi oleh perangkat IoT saat ini. 

Terakhir, pengembang juga mengusulkan aplikasi lain untuk memantau kesehatan lansia dengan memperkirakan & menganalisis pose tubuh mereka. Model ini menggunakan kerangka agnostik pada perangkat yang memungkinkan model mengaktifkan validasi, dan pembinaan cepat untuk melakukan adaptasi. Model tersebut menerapkan algoritme deteksi pose tubuh yang dipadukan dengan penanda wajah untuk mendeteksi pose tubuh spatiotemporal secara real time. 

Komputasi Tepi

Salah satu aplikasi utama TinyML adalah di bidang komputasi tepi karena dengan meningkatnya penggunaan perangkat IoT untuk menghubungkan perangkat di seluruh dunia, penting untuk menyiapkan perangkat tepi karena akan membantu mengurangi beban pada arsitektur cloud. . Perangkat edge ini akan menampilkan pusat data individual yang memungkinkan mereka melakukan komputasi tingkat tinggi pada perangkat itu sendiri, dibandingkan mengandalkan arsitektur cloud. Hasilnya, ini akan membantu mengurangi ketergantungan pada cloud, mengurangi latensi, meningkatkan keamanan & privasi pengguna, dan juga mengurangi bandwidth. 

Perangkat edge yang menggunakan algoritme TinyML akan membantu menyelesaikan kendala saat ini terkait dengan kebutuhan daya, komputasi, dan memori, dan hal ini dibahas pada gambar di bawah. 

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

Antarmuka Otak-Komputer atau BCI

TinyML memiliki aplikasi yang signifikan dalam industri perawatan kesehatan, dan terbukti sangat bermanfaat di berbagai bidang termasuk deteksi kanker & tumor, prediksi kesehatan menggunakan sinyal EKG & EEG, dan kecerdasan emosional. Penggunaan TinyML memungkinkan Stimulasi Otak Dalam Adaptif atau aDBS berhasil beradaptasi dengan adaptasi klinis. Penggunaan TinyMl juga memungkinkan aDBS mengidentifikasi tanda biologis terkait penyakit & gejalanya menggunakan rekaman sinyal otak yang invasif. 

Selain itu, industri perawatan kesehatan sering kali mencakup pengumpulan data pasien dalam jumlah besar, dan data ini kemudian perlu diproses untuk mencapai solusi spesifik untuk pengobatan pasien pada tahap awal suatu penyakit. Oleh karena itu, sangat penting untuk membangun sistem yang tidak hanya sangat efektif, namun juga sangat aman. Saat kami menggabungkan aplikasi IoT dengan model TinyML, lahirlah bidang baru yang diberi nama H-IoT atau Healthcare Internet of Things, dan aplikasi utama H-IoT adalah diagnosis, pemantauan, logistik, pengendalian penyebaran, dan sistem bantuan. Jika kita ingin mengembangkan perangkat yang mampu mendeteksi & menganalisis kesehatan pasien dari jarak jauh, penting untuk mengembangkan sistem yang memiliki aksesibilitas global dan latensi rendah. 

Kendaraan otonom

Terakhir, TinyML dapat diterapkan secara luas di industri kendaraan otonom karena kendaraan ini dapat digunakan dengan berbagai cara termasuk pelacakan manusia, keperluan militer, dan aplikasi industri. Kendaraan ini memiliki syarat utama untuk dapat mengidentifikasi objek secara efisien ketika objek tersebut sedang dicari. 

Saat ini kendaraan otonom & pengemudian otonom merupakan tugas yang cukup kompleks terutama dalam pengembangan kendaraan berukuran mini atau kecil. Perkembangan terkini menunjukkan potensi untuk meningkatkan penerapan mengemudi otonom untuk kendaraan mini dengan menggunakan arsitektur CNN, dan menerapkan model tersebut pada GAP8 MCI. 

Tantangan

TinyML adalah konsep yang relatif baru dalam industri AI & ML, dan meskipun ada kemajuan, konsep ini masih belum seefektif yang kita perlukan untuk penerapan massal pada perangkat edge & IoT. 

Tantangan terbesar yang saat ini dihadapi oleh perangkat TinyML adalah konsumsi daya perangkat tersebut. Idealnya, perangkat edge & IoT yang tertanam diharapkan memiliki masa pakai baterai lebih dari 10 tahun. Misalnya, dalam kondisi ideal, perangkat IoT yang menggunakan baterai 2Ah seharusnya memiliki masa pakai baterai lebih dari 10 tahun mengingat konsumsi daya perangkat tersebut sekitar 12. uA. Namun, dalam keadaan tertentu, arsitektur IoT dengan sensor suhu, unit MCU, dan modul WiFi, konsumsi arusnya sekitar 176.4 mA, dan dengan konsumsi daya ini, baterai hanya akan bertahan sekitar 11 jam saja. dari masa pakai baterai yang diperlukan selama 10 tahun. 

Kendala Sumber Daya

Untuk menjaga konsistensi algoritme, menjaga ketersediaan daya sangatlah penting, dan mengingat skenario saat ini, terbatasnya ketersediaan daya untuk perangkat TinyML merupakan tantangan penting. Selain itu, keterbatasan memori juga merupakan tantangan yang signifikan karena penerapan model sering kali memerlukan memori dalam jumlah besar agar dapat bekerja secara efektif dan akurat. 

Kendala Perangkat Keras

Kendala perangkat keras membuat penerapan algoritme TinyML dalam skala luas menjadi sulit karena heterogenitas perangkat keras. Terdapat ribuan perangkat, yang masing-masing memiliki spesifikasi & persyaratan perangkat kerasnya sendiri, sehingga algoritma TinyML saat ini perlu disesuaikan untuk setiap perangkat, sehingga penerapan massal menjadi masalah besar. 

Batasan Kumpulan Data

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

Final Thoughts

Perkembangan teknik ML telah menyebabkan revolusi & pergeseran cara pandang dalam ekosistem IoT. Integrasi model ML di perangkat IoT akan memungkinkan perangkat edge ini membuat keputusan cerdas sendiri tanpa masukan manusia dari luar. Namun, secara konvensional, model ML sering kali memiliki persyaratan daya, memori, dan komputasi yang tinggi sehingga menjadikannya satu kesatuan untuk diterapkan pada perangkat edge yang sering kali memiliki sumber daya terbatas. 

Hasilnya, cabang baru AI didedikasikan untuk penggunaan ML untuk perangkat IoT, dan disebut sebagai TinyML. TinyML adalah kerangka kerja ML yang memungkinkan perangkat dengan sumber daya terbatas sekalipun untuk memanfaatkan kekuatan AI & ML guna memastikan akurasi, kecerdasan, dan efisiensi yang lebih tinggi. 

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