TinyML: Forrit, takmarkanir og notkun þess í IoT og Edge tæki

Á undanförnum árum hefur gervigreind (AI) og vél Learning (ML) hafa orðið vitni að mikilli aukningu í vinsældum og umsóknum, ekki aðeins í greininni heldur einnig í akademíunni. Hins vegar hafa ML og gervigreind líkön í dag eina stóra takmörkun: þau þurfa gríðarlega mikið af tölvu- og vinnsluafli til að ná tilætluðum árangri og nákvæmni. Þetta takmarkar notkun þeirra oft við hátæknitæki með umtalsverða tölvuafl.

En miðað við þær framfarir sem gerðar hafa verið í innbyggðri kerfistækni og umtalsverða þróun í Internet of Things iðnaðinum, er æskilegt að fella notkun ML tækni og hugtaka inn í innbyggt kerfi sem er takmarkað við auðlindir fyrir alls staðar nálægar upplýsingaöflun. Löngunin til að nota ML hugtök í innbyggðum & IoT kerfum er aðalhvetjandi þátturinn á bak við þróun TinyML, innbyggðrar ML tækni sem gerir ML módelum og forritum kleift á mörgum tækjum með takmarkaða auðlind, aflþröng og ódýr tæki. 

Hins vegar hefur innleiðing ML á tækjum með takmörkun auðlinda ekki verið einföld vegna þess að innleiðing ML líkana á tækjum með lágt tölvuafl býður upp á eigin áskoranir hvað varðar hagræðingu, vinnslugetu, áreiðanleika, viðhald líkana og margt fleira. 

Í þessari grein munum við kafa dýpra í TinyML líkanið og læra meira um bakgrunn þess, verkfærin sem styðja TinyML og forrit TinyML með háþróaðri tækni. Svo skulum við byrja. 

Kynning á TinyML: Hvers vegna heimurinn þarf TinyML

Internet of Things eða IoT tæki miða að því að nýta brúntölvun, tölvuhugmynd sem vísar til fjölda tækja og neta nálægt notandanum til að gera hnökralausa og rauntíma vinnslu gagna frá milljónum skynjara og tækja sem eru samtengd hvert við annað. Einn af helstu kostum IoT tækja er að þau þurfa lítið tölvu- og vinnslugetu þar sem þau eru hægt að nota á jaðri netkerfisins og þess vegna hafa þau lítið minnisfótspor. 

Ennfremur treysta IoT tækin mjög á brúnpalla til að safna og senda síðan gögnin þegar þessi jaðartæki safna skynjunargögnum og senda þau síðan annað hvort á nálægan stað eða skýjapalla til vinnslu. Jaðartölvutæknin geymir og framkvæmir tölvuvinnslu á gögnunum og veitir einnig nauðsynlegan innviði til að styðja við dreifða tölvuna. 

Innleiðing brúntölvu í IoT tækjum veitir

1. Skilvirkt öryggi, næði og áreiðanleiki fyrir endanotendur. 
2. Minni seinkun. 
3. Hærra framboð og afköst viðbrögð við forritum og þjónustu. 

Ennfremur, vegna þess að brún tæki geta beitt samstarfstækni á milli skynjaranna og skýsins, er hægt að framkvæma gagnavinnsluna á netbrúninni í stað þess að fara fram á skýjapallinum. Þetta getur leitt til skilvirkrar gagnastjórnunar, gagnaþols, skilvirkrar afhendingu og skyndiminni. Að auki, með því að innleiða IoT í forritum sem fjalla um H2M eða mann til vél samskipti og nútíma tölvutækni í heilbrigðisþjónustu er leið til að bæta netþjónustuna verulega. 

Nýlegar rannsóknir á sviði IoT brúntölvu hafa sýnt fram á möguleikann á að innleiða vélanámstækni í nokkrum IoT notkunartilfellum. Hins vegar er aðalmálið að hefðbundin vélanámslíkön krefjast oft mikils tölvu- og vinnslugetu og mikillar minnisgetu sem takmarkar innleiðingu ML líkana í IoT tækjum og forritum. 

Ennfremur skortir brúntölvutækni í dag mikla flutningsgetu og árangursríkan orkusparnað sem leiðir til misleitra kerfa sem er aðalástæðan á bak við kröfuna um samræmdan og heildstæðan innviði, aðallega fyrir uppfærslu, þjálfun og innleiðingu ML módel. Arkitektúrinn sem er hannaður fyrir innbyggð tæki veldur annarri áskorun þar sem þessi arkitektúr fer eftir vélbúnaðar- og hugbúnaðarkröfum sem eru mismunandi eftir tæki. Það er aðalástæðan fyrir því að erfitt er að byggja upp staðlaðan ML arkitektúr fyrir IoT net. 

Einnig, í núverandi atburðarás, eru gögnin sem myndast af mismunandi tækjum send til skýjapalla til vinnslu vegna reikningsfrekra eðlis netútfærslunnar. Ennfremur eru ML líkön oft háð Deep Learning, Deep Neural Networks, Application Specific Integrated Circuits (ASICs) og Graphic Processing Units (GPUs) til að vinna úr gögnunum og þau þurfa oft meiri kraft og minni. Að dreifa fullgildum ML módelum á IoT tæki er ekki raunhæf lausn vegna augljóss skorts á tölvu- og vinnslugetu og takmarkaðra geymslulausna. 

Krafan um að smækka innbyggð tæki með litlu afli ásamt fínstillingu ML módelum til að gera þau afl- og minnisnæmari hefur rutt brautina fyrir TinyML sem miðar að því að innleiða ML módel og venjur á IoT tæki og ramma. TinyML gerir merkjavinnslu kleift á IoT tækjum og veitir innbyggða upplýsingaöflun og útilokar þannig þörfina á að flytja gögn yfir á skýjapalla til vinnslu. Árangursrík innleiðing TinyML á IoT tækjum getur að lokum leitt til aukins friðhelgi einkalífs og skilvirkni á sama tíma og rekstrarkostnaður lækkar. Að auki, það sem gerir TinyML meira aðlaðandi er að ef tenging er ófullnægjandi getur það veitt greiningar á staðnum. 

TinyML: Inngangur og yfirlit

TinyML er vélanámstæki sem hefur getu til að framkvæma greiningar á tækinu fyrir mismunandi skynjunaraðferðir eins og hljóð, sjón og tal. Ml gerðir byggðar á TinyML tólinu hafa litla afl-, minnis- og tölvuþörf sem gerir þær hentugar fyrir innbyggð netkerfi og tæki sem ganga fyrir rafhlöðu. Að auki gera litlar kröfur TinyML það tilvalið að nota ML módel á IoT ramma.

Í núverandi atburðarás standa skýtengd ML kerfi frammi fyrir nokkrum erfiðleikum, þar á meðal öryggis- og persónuverndaráhyggjum, mikilli orkunotkun, áreiðanleika og leynd vandamál sem er ástæðan fyrir því að líkön á vélbúnaðarhugbúnaðarpöllum eru foruppsett. Skynjarar safna gögnum sem líkja eftir líkamlegum heimi og eru síðan unnin með örgjörva eða MPU (örvinnslueiningu). MPU kemur til móts við þarfir ML greiningarstuðnings sem virkjað er af brúnmeðvituðum ML netum og arkitektúr. Edge ML arkitektúr hefur samskipti við ML skýið til að flytja gögn og innleiðing TinyML getur leitt til tækniframfara verulega. 

Það væri óhætt að segja að TinyML sé sambland af hugbúnaði, vélbúnaði og reikniritum sem vinna í takt við hvert annað til að skila tilætluðum árangri. Hliðstæða eða minnistölvu gæti þurft til að veita betri og árangursríka námsupplifun fyrir vélbúnað og IoT tæki sem styðja ekki vélbúnaðarhraðal. Hvað hugbúnað varðar er hægt að dreifa og innleiða forritin sem eru smíðuð með TinyML á kerfum eins og Linux eða innbyggðu Linux og yfir skýjavirkan hugbúnað. Að lokum verða forrit og kerfi sem eru byggð á TinyML reikniritinu að hafa stuðning nýrra reiknirita sem þurfa módel í litlu minni til að forðast mikla minnisnotkun. 

Til að draga hlutina saman, þá verða forrit sem eru smíðuð með TinyML tólinu að hagræða ML meginreglum og aðferðum ásamt því að hanna hugbúnaðinn þétt, í viðurvist hágæða gagna. Þessum gögnum verður síðan að fletta í gegnum tvöfaldar skrár sem eru búnar til með líkönum sem eru þjálfaðar á vélum með miklu meiri afkastagetu og tölvuafl. 

Að auki verða kerfi og forrit sem keyra á TinyML tólinu að veita mikla nákvæmni þegar unnið er undir strangari skorðum vegna þess að þéttur hugbúnaður er nauðsynlegur fyrir litla orkunotkun sem styður TinyML afleiðingar. Ennfremur geta TinyML forritin eða einingarnar verið háð rafhlöðuorku til að styðja við rekstur þess á innbyggðum kantkerfum. 

Með því að segja hafa TinyML forrit tvær grundvallarkröfur

1. Geta til að stækka milljarða ódýrra innbyggðra kerfa. 
2. Geymir kóðann á vinnsluminni tækisins með afkastagetu undir nokkrum KB. 

Forrit TinyML með háþróaðri tækni

Ein helsta ástæðan fyrir því að TinyML er heitt umræðuefni í gervigreind og ML iðnaði er vegna hugsanlegra forrita þess, þar á meðal sjón- og taltengd forrit, heilsugreiningu, þjöppun og flokkun gagnamynsturs, heilastjórnunarviðmót, brúntölvur, fyrirbæri, sjálfsmynd. -akstur bíla og fleira. 

Tal byggt forrit

Talsamskipti

Venjulega treysta taltengd forrit á hefðbundnar samskiptaaðferðir þar sem öll gögn eru mikilvæg og þau eru send. Hins vegar, á undanförnum árum, hafa merkingarfræðileg samskipti komið fram sem valkostur við hefðbundin samskipti eins og í merkingarfræðilegum samskiptum, aðeins merking eða samhengi gagnanna er send. Merkingarfræðileg samskipti er hægt að útfæra þvert á taltengd forrit með því að nota TinyML aðferðafræði. 

Sum af vinsælustu forritunum í talfjarskiptaiðnaðinum í dag eru talgreining, talgreining, nám á netinu, netkennsla og markmiðsmiðuð samskipti. Þessi forrit hafa venjulega meiri orkunotkun og þau hafa einnig miklar gagnakröfur á hýsingartækinu. Til að vinna bug á þessum kröfum hefur nýtt TinySpeech bókasafn verið kynnt sem gerir forriturum kleift að byggja upp lítinn reikniarkitektúr sem notar djúp samfelld net til að byggja upp litla geymsluaðstöðu. 

Til að nota TinyML fyrir talbætingu, tóku verktaki fyrst á stærð talbætingarlíkans vegna þess að það var háð vélbúnaðartakmörkunum og takmörkunum. Til að takast á við málið var skipulögð pruning og heiltölumæling fyrir RNN eða Recurrent Neural Networks talaukningarmódel notuð. Niðurstöðurnar gáfu til kynna að stærð líkansins yrði minnkuð um næstum 12x en aðgerðirnar um næstum 3x. Að auki er mikilvægt að auðlindir verði nýttar á áhrifaríkan hátt, sérstaklega þegar þær eru notaðar í forritum með takmarkaða auðlind sem keyra raddgreiningarforrit. 

Fyrir vikið, til að skipta ferlinu, var lögð til samhönnunaraðferð fyrir TinyML byggð radd- og talgreiningarforrit. Hönnuðir notuðu gluggaaðgerðir til að skipta hugbúnaði og vélbúnaði á þann hátt að forvinna hrá raddgögnin. Aðferðin virtist virka þar sem niðurstöður bentu til lækkunar á orkunotkun á vélbúnaði. Að lokum, það er líka möguleiki á að innleiða bjartsýni skiptingu milli hugbúnaðar og vélbúnaðar samhönnunar fyrir betri árangur í náinni framtíð. 

Ennfremur hafa nýlegar rannsóknir lagt til notkun á símatengdum transducer fyrir talgreiningarkerfi og tillagan miðar að því að skipta um LSTM spár fyrir Conv1D lag til að draga úr útreikningsþörf á jaðartækjum. Þegar tillagan var hrint í framkvæmd, skilaði tillagan jákvæðum árangri þar sem SVD eða Singular Value Decomposition hafði þjappað líkaninu með góðum árangri á meðan notkun á WFST eða Weighted Finite State Transducers byggða afkóðun leiddi til meiri sveigjanleika í hlutdrægni líkansins. 

Mörg áberandi forrit fyrir talgreiningu eins og sýndar- eða raddaðstoðarmenn, lifandi skjátextar og raddskipanir nota ML tækni til að virka. Vinsælir raddaðstoðarmenn eins og Siri og Google Aðstoðarmaðurinn smella á skýjapallinn í hvert skipti sem þeir fá einhver gögn, og það skapar verulegar áhyggjur sem tengjast persónuvernd og gagnaöryggi. TinyML er raunhæf lausn á málinu þar sem það miðar að því að framkvæma talgreiningu á tækjum og útiloka þörfina á að flytja gögn yfir á skýjapalla. Ein af leiðunum til að ná fram talgreiningu í tækinu er að nota Tiny Transducer, talgreiningarlíkan sem notar DFSMN eða Deep Feed-Forward Sequential Memory Block lag ásamt einu Conv1D lagi í stað LSTM laganna til að draga úr útreikningskröfum , og netbreytur. 

Heyrnartæki

Heyrnarskerðing er mikið heilsufarslegt áhyggjuefni um allan heim og geta manna til að heyra hljóð veikist almennt eftir því sem þeir eldast og það er stórt vandamál í löndum sem glíma við öldrun íbúa þar á meðal Kína, Japan og Suður-Kóreu. Heyrnartæki vinna núna á þeirri einföldu reglu að magna upp öll inntakshljóð frá umhverfinu sem gerir einstaklingnum erfitt fyrir að greina eða greina á milli þess hljóðs sem óskað er eftir, sérstaklega í hávaðasömu umhverfi. 

TinyML gæti verið raunhæf lausn fyrir þetta mál þar sem að nota TinyLSTM líkan sem notar talgreiningaralgrím fyrir heyrnartæki getur hjálpað notendum að greina á milli mismunandi hljóða. 

Sýn byggð forrit

TinyML hefur möguleika á að gegna mikilvægu hlutverki í vinnslu tölva sýn byggð gagnasöfn vegna þess að fyrir hraðari úttak þarf að vinna úr þessum gagnasöfnum á brúnpallinum sjálfum. Til að ná þessu lendir TinyML líkanið á hagnýtum áskorunum sem standa frammi fyrir við þjálfun líkansins með því að nota OpenMV H7 örstýringarborðið. Verktaki lagði einnig til arkitektúr til að greina amerískt táknmál með hjálp ARM Cortex M7 örstýringar sem virkar aðeins með 496KB af ramma-buffer vinnsluminni. 

Innleiðing TinyML fyrir forrit sem byggir á tölvusjón á brúnum kerfum krafðist þess að þróunaraðilar skyldu sigrast á helstu áskorunum CNN eða Convolutional Neural Networks með mikilli alhæfingarvillu og mikilli nákvæmni í þjálfun og prófunum. Hins vegar alhæfði útfærslan ekki á áhrifaríkan hátt yfir myndir innan nýrra notkunartilvika sem og bakgrunn með hávaða. Þegar þróunaraðilar notuðu innskotsaukningaaðferðina skilaði líkanið yfir 98% nákvæmni í prófunargögnum og um 75% í alhæfingu. 

Ennfremur kom fram að þegar þróunaraðilar notuðu innskotsaukningaaðferðina, var lækkun á nákvæmni líkansins við magngreiningu, en á sama tíma var einnig aukning í ályktunarhraða líkansins og flokkunaralhæfingu. Hönnuðir lögðu einnig til aðferð til að auka enn frekar nákvæmni alhæfingarlíkanaþjálfunar á gögnum sem fengin eru úr ýmsum mismunandi aðilum og prófa frammistöðu til að kanna möguleikann á að dreifa því á brúnum kerfum eins og flytjanlegum snjallúrum. 

Ennfremur viðbótarrannsóknir á CNN gefið til kynna að mögulegt sé að dreifa og ná æskilegum árangri með CNN arkitektúr á tækjum með takmarkað fjármagn. Nýlega tókst verktaki að þróa ramma til að greina læknisfræðilega andlitsgrímur á ARM Cortex M7 örstýringu með takmörkuðu fjármagni með því að nota TensorFlow lite með lágmarks minnisfótsporum. Stærð líkansins eftir magngreiningu var um 138 KB en truflunarhraðinn á markborðinu var um 30 FPS. 

Önnur forrit TinyML fyrir tölvusjón byggt forrit er að innleiða bendingagreiningartæki sem hægt er að klemma við staf til að hjálpa sjónskertu fólki að fletta auðveldlega í gegnum daglegt líf sitt. Til að hanna það notuðu verktakarnir bendingargagnasettið og notuðu gagnasettið til að þjálfa ProtoNN líkanið með flokkunaralgrími. Niðurstöðurnar sem fengust við uppsetninguna voru nákvæmar, hönnunin var ódýr og hún skilaði viðunandi árangri. 

Önnur mikilvæg notkun TinyML er í sjálfkeyrandi og sjálfkeyrandi ökutækjaiðnaðinum vegna skorts á fjármagni og reiknikrafti um borð. Til að takast á við málið kynntu þróunaraðilar lokaða lykkjunámsaðferð byggða á TinyCNN líkaninu sem lagði til spálíkan á netinu sem fangar myndina á keyrslutímanum. Helsta vandamálið sem þróunaraðilar stóðu frammi fyrir þegar þeir innleiddu TinyML fyrir sjálfvirkan akstur var að ákvörðunarlíkanið sem var þjálfað til að vinna á offline gögnum gæti ekki virkað jafn vel þegar fjallað er um netgögn. Til að hámarka notkun sjálfkeyrandi bíla og sjálfkeyrandi bíla að fullu ætti líkanið helst að geta lagað sig að rauntímagögnum. 

Gagnamynsturflokkun og þjöppun

Ein stærsta áskorunin við núverandi TinyML ramma er að auðvelda honum að laga sig að þjálfunargögnum á netinu. Til að takast á við málið hafa verktaki lagt til aðferð sem kallast TinyOL eða TinyML Online Learning til að leyfa þjálfun með stigvaxandi námi á netinu á örstýringareiningum sem gerir líkaninu kleift að uppfæra á IoT brún tæki. Útfærslan var náð með C++ forritunarmálinu og viðbótarlagi var bætt við TinyOL arkitektúrinn. 

Ennfremur framkvæmdu verktaki einnig sjálfvirka kóðun Arduino Nano 33 BLE skynjaraborðsins og líkanið sem var þjálfað gat flokkað ný gagnamynstur. Ennfremur fólst í þróunarvinnunni að hanna skilvirkari og fínstilltari reiknirit fyrir tauganetin til að styðja við þjálfunarmynstur tækja á netinu. 

Rannsóknir í TinyOL og TinyML hafa gefið til kynna að fjöldi virkjunarlaga hafi verið stórt vandamál fyrir IoT brún tæki sem hafa takmarkað fjármagn. Til að takast á við málið kynntu verktaki nýja TinyTL eða Tiny Transfer Learning líkanið til að gera nýtingu minni yfir IoT brún tæki mun skilvirkari og forðast notkun millilaga í virkjunartilgangi. Að auki kynntu verktaki einnig alveg nýja hlutdrægingareiningu sem kallast "Lite-leifaeining” til að hámarka aðlögunargetu og að sjálfsögðu leyfa eiginleikaútdráttum að uppgötva leifar af eiginleikakortum. 

Þegar borið er saman við fulla fínstillingu netsins voru niðurstöðurnar í hag TinyTL arkitektúrnum þar sem niðurstöðurnar sýndu að TinyTL minnkaði minniskostnaðinn um það bil 6.5 sinnum með hóflegu nákvæmnistapi. Þegar síðasta lagið var fínstillt hafði TinyML bætt nákvæmni um 34% með hóflegu nákvæmnistapi. 

Ennfremur hafa rannsóknir á gagnaþjöppun bent til þess gagnaþjöppunaralgrím verður að hafa umsjón með söfnuðum gögnum á færanlegu tæki, og til að ná því sama, lögðu verktaki til TAC eða Tiny Anomaly Compressor. TAC var fær um að standa sig betur en SDT eða Swing Door Trending, og DCT eða Discrete Cosine Transform reiknirit. Að auki fór TAC reikniritið fram úr bæði SDT og DCT reikniritunum með því að ná hámarksþjöppunarhlutfalli yfir 98% og hafa yfirburða hámarksmerkja-til-suð hlutfall af þessum þremur reikniritum. 

Heilsugreining

Covid-19 heimsfaraldurinn opnaði nýjar dyr tækifæra fyrir innleiðingu TinyML þar sem það er nú nauðsynleg venja að greina stöðugt öndunarfæraeinkenni sem tengjast hósta og kulda. Til að tryggja óslitið eftirlit, hafa verktaki lagt til CNN líkan Tiny RespNet sem starfar á multi-módel stillingu, og líkanið er dreift yfir Xilinx Artix-7 100t FPGA sem gerir tækinu kleift að vinna úr upplýsingum samhliða, hefur mikla skilvirkni, og lítil orkunotkun. Að auki tekur TinyResp líkanið einnig tal sjúklinga, hljóðupptökur og upplýsingar um lýðfræði sem inntak til að flokka, og hóstatengd einkenni sjúklings eru flokkuð með því að nota þrjú aðgreind gagnasafn. 

Ennfremur hafa verktaki einnig lagt til líkan sem getur keyrt djúpnámsútreikninga á brúntækjum, TinyML líkan sem heitir TinyDL. TinyDL líkanið er hægt að nota á brún tæki eins og snjallúr og wearables fyrir heilsugreiningu, og er einnig fær um að framkvæma árangursgreiningu til að draga úr bandbreidd, leynd og orkunotkun. Til að ná dreifingu TinyDL á handfestum tækjum var LSTM líkan hannað og þjálfað sérstaklega fyrir klæðanlegt tæki og það var gefið innsöfnuðum gögnum sem inntak. Líkanið hefur um það bil 75 til 80% nákvæmnistig og það gat líka unnið með gögn utan tækis. Þessar gerðir sem keyra á brúntækjum sýndu möguleika á að leysa núverandi áskoranir sem IoT tækin standa frammi fyrir. 

Að lokum hafa verktaki einnig lagt til annað forrit til að fylgjast með heilsu aldraðra með því að meta og greina líkamsstellingar þeirra. Líkanið notar agnostic ramma á tækinu sem gerir líkaninu kleift að gera staðfestingu og hraða fóstur til að framkvæma aðlögun. Líkanið útfærði reiknirit fyrir líkamsstöðugreiningu ásamt kennileiti í andliti til að greina líkamsstellingar í tíma í rauntíma. 

Edge Computing

Eitt af helstu forritum TinyML er á sviði kanttölvu eins og með aukinni notkun IoT tækja til að tengja tæki um allan heim, það er nauðsynlegt að setja upp jaðartæki þar sem það mun hjálpa til við að draga úr álagi á skýjaarkitektúrinn . Þessi brún tæki munu innihalda einstök gagnaver sem gera þeim kleift að framkvæma háþróaða tölvuvinnslu á tækinu sjálfu, frekar en að treysta á skýjaarkitektúrinn. Fyrir vikið mun það hjálpa til við að draga úr ósjálfstæði á skýinu, draga úr leynd, auka öryggi notenda og friðhelgi einkalífsins og einnig draga úr bandbreidd. 

Edge tæki sem nota TinyML reiknirit munu hjálpa til við að leysa núverandi þvingun sem tengjast orku, tölvum og minniskröfum, og það er fjallað um það á myndinni hér að neðan. 

Ennfremur getur TinyML einnig aukið notkun og beitingu ómannaðra loftfara eða UAV með því að takast á við núverandi takmarkanir sem þessar vélar standa frammi fyrir. Notkun TinyML getur gert forriturum kleift að innleiða orkusparnað tæki með litla leynd og mikla tölvuafl sem getur virkað sem stjórnandi fyrir þessar UAV. 

Brain-Computer Interface eða BCI

TinyML hefur umtalsverða notkun í heilbrigðisgeiranum og það getur reynst mjög gagnlegt á mismunandi sviðum, þar á meðal krabbameins- og æxlisuppgötvun, heilsuspá með hjartalínuriti og heilarifi og tilfinningagreind. Notkun TinyML getur gert Adaptive Deep Brain Stimulation eða aDBS kleift að laga sig að klínískum aðlögunum. Notkun TinyMl getur einnig gert aDBS kleift að bera kennsl á sjúkdómstengd lífmerki og einkenni þeirra með því að nota ífarandi upptökur af heilamerkjum. 

Ennfremur felur heilsugæslan oft í sér söfnun á miklu magni gagna um sjúkling og þarf síðan að vinna úr þeim gögnum til að ná sértækum lausnum fyrir meðferð sjúklings á fyrstu stigum sjúkdóms. Þar af leiðandi er mikilvægt að byggja upp kerfi sem er ekki aðeins mjög árangursríkt heldur einnig mjög öruggt. Þegar við sameinum IoT forritið með TinyML líkaninu, fæðist nýtt svið sem heitir H-IoT eða Healthcare Internet of Things, og helstu forrit H-IoT eru greining, eftirlit, flutningar, dreifingarstýring og hjálparkerfi. Ef við viljum þróa tæki sem eru fær um að greina og greina heilsu sjúklings í fjarska, er nauðsynlegt að þróa kerfi sem hefur alþjóðlegt aðgengi og litla leynd. 

Sjálfstæð ökutæki

Að lokum getur TinyML haft víðtæka notkun í sjálfvirkum ökutækjaiðnaði þar sem hægt er að nota þessi ökutæki á mismunandi vegu, þar með talið mannekju, hernaðarlegum tilgangi og hafa iðnaðarnotkun. Þessar farartæki hafa meginkröfu um að geta borið kennsl á hluti á skilvirkan hátt þegar verið er að leita að hlutnum. 

Eins og staðan er núna eru sjálfstýrð ökutæki og sjálfstýrður akstur nokkuð flókið verkefni, sérstaklega þegar verið er að þróa smá eða lítil ökutæki. Nýleg þróun hefur sýnt möguleika á að bæta beitingu sjálfvirks aksturs fyrir smábíla með því að nota CNN arkitektúr og nota líkanið yfir GAP8 MCI. 

Áskoranir

TinyML er tiltölulega nýrra hugtak í gervigreind og ML iðnaðinum og þrátt fyrir framfarirnar er það enn ekki eins áhrifaríkt og við þurfum það fyrir fjöldadreifingu fyrir brún & IoT tæki. 

Stærsta áskorunin sem TinyML tæki standa frammi fyrir er orkunotkun þessara tækja. Helst er gert ráð fyrir að innbyggð brún og IoT tæki hafi rafhlöðuendingu sem nær yfir 10 ár. Til dæmis, í fullkomnu ástandi, á IoT tæki sem keyrir á 2Ah rafhlöðu að hafa rafhlöðuendingu yfir 10 ár í ljósi þess að orkunotkun tækisins er um 12 ua. Hins vegar, í tilteknu ástandi, IoT arkitektúr með hitaskynjara, MCU einingu og WiFi einingu, stendur straumnotkunin um 176.4 mA, og með þessari orkunotkun mun rafhlaðan endast í um 11 klukkustundir, í staðinn af nauðsynlegum 10 ára rafhlöðulífi. 

Auðlindatakmarkanir

Til að viðhalda samræmi reikniritsins er mikilvægt að viðhalda framboði á orku og miðað við núverandi aðstæður er takmarkað aflframboð fyrir TinyML tæki mikilvæg áskorun. Ennfremur eru minnistakmarkanir einnig veruleg áskorun þar sem innleiðing líkana krefst oft mikils minnis til að virka á áhrifaríkan og nákvæman hátt. 

Vélbúnaðartakmarkanir

Vélbúnaðarþvinganir gera það að verkum að TinyML reiknirit er erfitt að nota á víðtækum mælikvarða vegna misleitni vélbúnaðartækja. Það eru þúsundir tækja, hvert með sínar eigin vélbúnaðarforskriftir og kröfur, og þar af leiðandi þarf að fínstilla TinyML reiknirit fyrir hvert einstakt tæki, sem gerir fjöldadreifingu að stóru máli. 

Gagnasett takmarkanir

Eitt helsta vandamálið með TinyML líkön er að þau styðja ekki núverandi gagnasett. Það er áskorun fyrir öll jaðartæki þar sem þau safna gögnum með ytri skynjara og þessi tæki hafa oft orku- og orkutakmarkanir. Þess vegna er ekki hægt að nota núverandi gagnasett til að þjálfa TinyML líkanin á áhrifaríkan hátt. 

Final Thoughts

Þróun ML tækni hefur valdið byltingu og breytingu á sjónarhorni í IoT vistkerfinu. Samþætting ML líkana í IoT tæki mun gera þessum brún tækjum kleift að taka skynsamlegar ákvarðanir á eigin spýtur án utanaðkomandi mannlegs inntaks. Hins vegar, hefðbundið, hafa ML gerðir oft miklar kröfur um afl, minni og tölvur sem gera það að verkum að þau sameinast til að vera notuð á jaðartæki sem eru oft takmörkuð við auðlindir. 

Fyrir vikið var ný grein í gervigreind tileinkuð notkun ML fyrir IoT tæki, og það var kallað TinyML. TinyML er ML ramma sem gerir jafnvel tæki með takmarkaða auðlind kleift að nýta kraft gervigreindar og ML til að tryggja meiri nákvæmni, greind og skilvirkni. 

Í þessari grein höfum við talað um innleiðingu TinyML líkana á IoT tækjum með takmarkaða auðlind og þessi útfærsla krefst þjálfunar á líkönum, innleiðingar á líkönum á vélbúnaði og magngreiningartækni. Hins vegar, miðað við núverandi umfang, hafa ML módelin, sem eru tilbúin til notkunar á IoT og brún tækjum, margs konar flókið og takmarkanir, þar á meðal vélbúnað og samhæfni við ramma.