TinyML: 응용 프로그램, 제한 사항 및 IoT 및 에지 디바이스에서의 사용

최근 몇 년 동안 인공 지능(AI)와 기계 학습(Machine Learning, ML)은 산업과 학계에서 인기와 응용 분야가 폭발적으로 증가했습니다. 그러나 오늘날의 ML 및 AI 모델은 원하는 결과와 정확도를 얻기 위해 엄청난 양의 컴퓨팅 및 처리 능력이 필요합니다. 이는 종종 높은 컴퓨팅 능력을 갖춘 디바이스에서만 사용할 수 있습니다.

그러나 임베디드 시스템 기술의 발전과 IoT 산업의 발전에 따라, ML 기법과 개념을 자원 제한된 임베디드 시스템에 통합하여 유비쿼터스 인텔리전스를 구현하는 것이 바람직합니다. ML 개념을 임베디드 및 IoT 시스템에 통합하려는 욕망은 TinyML의 개발의 주요 동기입니다. TinyML은 ML 모델과 응용 프로그램을 여러 자원 제한된, 전력 제한된, 저렴한 디바이스에서 실행할 수 있는 임베디드 ML 기법입니다.

그러나 자원 제한된 디바이스에서 ML을 구현하는 것은 쉽지 않았습니다. 하드웨어 및 소프트웨어 요구 사항이 디바이스마다 다르기 때문에, ML 모델을 디바이스에 구현하는 것은 최적화, 처리 능력, 신뢰성, 모델 유지 보수 등 여러挑戰을 제기합니다.

이 文章에서, 우리는 TinyML 모델에 대해 더 깊이 있게 살펴보고, TinyML의 배경, TinyML을 지원하는 도구, 및 고급 기술을 사용한 TinyML의 응용 프로그램에 대해 더 많이 알아보겠습니다. 그래서 시작해 보겠습니다.

TinyML 소개: TinyML이 필요한 이유

IoT 디바이스 또는 에지 디바이스는 에지 컴퓨팅을 활용하여 데이터를 실시간으로 처리합니다. 에지 컴퓨팅은 사용자 근처의 디바이스와 네트워크를 통해 데이터를 처리하는 컴퓨팅 패러다임입니다. IoT 디바이스의 주요优势은 에지에서 배포할 수 있으며, 낮은 메모리 용량을 갖추고 있기 때문에 낮은 컴퓨팅 및 처리 능력이 필요합니다.

さらに, IoT 디바이스는 데이터를 수집하고 전송하는 데 에지 플랫폼에 크게 의존합니다. 에지 디바이스는 센서 데이터를 수집하고, 이를 근처의 위치 또는 클라우드 플랫폼으로 전송합니다. 에지 컴퓨팅 기술은 데이터를 저장하고 처리하며, 분산 컴퓨팅을 지원하는 인프라를 제공합니다.

에지 컴퓨팅을 IoT 디바이스에 구현하면

1. 최종 사용자에게 효과적인 보안, 개인 정보 보호, 및 신뢰성을 제공합니다.
2. 지연 시간을 줄입니다.
3. 응용 프로그램 및 서비스에 대한 가용성 및 처리량을 높입니다.

さらに, 에지 디바이스는 센서와 클라우드 간의 협력 기술을 사용하여 네트워크 에지에서 데이터 처리를 수행할 수 있습니다. 이는 효과적인 데이터 관리, 데이터 지속성, 전달, 및 콘텐츠 캐싱을 가능하게 합니다. 또한, 에지 컴퓨팅은 H2M(인간-기계 상호 작용) 및 현대 의료 분야에서 네트워크 서비스를 크게 개선할 수 있습니다.

최근의 연구는 IoT 에지 컴퓨팅에서 ML 기법을 구현하는 가능성을 보여주었습니다. 그러나, 전통적인 ML 모델은 높은 컴퓨팅 및 처리 능력, 높은 메모리 용량을 필요로 하기 때문에, IoT 디바이스 및 응용 프로그램에서 ML 모델을 구현하는 데 제한이 있습니다.

さらに, 현재의 에지 컴퓨팅 기술은 높은 전송 용량 및 효과적인 전력 절약이 부족하여, 이기종 시스템을 생성하며, 이는 ML 모델을 업데이트하고 배포하는 데 어려움을 가중합니다. 또한, 임베디드 디바이스의 아키텍처는 하드웨어 및 소프트웨어 요구 사항에 따라 다르기 때문에, IoT 네트워크에 대한 표준 ML 아키텍처를 구축하는 데 어려움이 있습니다.

또한, 현재의 시나리오에서, 다양한 디바이스에서 생성되는 데이터는 처리를 위해 클라우드 플랫폼으로 전송됩니다. 또한, ML 모델은 깊은 학습, 딥 뉴럴 네트워크, 애플리케이션 특정 집적 회로(ASIC), 및 그래픽 처리 장치(GPU)를 처리에 사용하며, 높은 전력 및 메모리 요구 사항을 갖습니다. IoT 디바이스에 완전한 ML 모델을 배포하는 것은 컴퓨팅 및 처리 능력의明显한 부족 및 제한된 저장 솔루션으로 인해 실현 가능하지 않습니다.

저전력 임베디드 디바이스의 소형화 및 ML 모델의 최적화를 통해, TinyML이 등장했습니다. TinyML은 에지 IoT 디바이스 및 프레임워크에서 ML 모델 및 기법을 구현하는 것을 목표로 합니다. TinyML은 IoT 디바이스에서 신호 처리를 가능하게 하며, 임베디드 인텔리전스를 제공하여, 데이터를 클라우드 플랫폼으로 전송할 필요가 없습니다. TinyML의 성공적인 구현은 개인 정보 보호 및 효율성을提高하며, 운영 비용을 줄일 수 있습니다. 또한, TinyML은 부족한 연결성의 경우, 현지 분석을 제공할 수 있습니다.

TinyML: 소개 및 개요

TinyML은 오디오, 비전, 및 음성과 같은 다양한 감지 모달리티에 대한 디바이스 내 분석을 수행할 수 있는 ML 도구입니다. TinyML 도구에서 구축된 ML 모델은 낮은 전력, 메모리, 및 컴퓨팅 요구 사항을 갖습니다. 이는 배터리 전원으로 작동하는 임베디드 네트워크 및 디바이스에 적합합니다. 또한, TinyML의 낮은 요구 사항은 ML 모델을 IoT 프레임워크에 배포하는 데 이상적인 솔루션을 제공합니다.

현재, 클라우드 기반 ML 시스템은 보안 및 개인 정보 보호 문제, 높은 전력 소비, 의존성, 및 지연 문제와 같은 몇 가지 어려움을 겪고 있습니다. 이는 하드웨어-소프트웨어 플랫폼에서 사전 설치된 모델을 사용하는 이유입니다. 센서가 데이터를 수집하며, 이는 CPU 또는 MPU(Microprocessing Unit)에서 처리됩니다. MPU는 에지 인식 ML 네트워크 및 아키텍처에서 ML 분석 지원을 제공합니다. 에지 ML 아키텍처는 데이터 전송 및 ML 모델 구현을 위해 ML 클라우드와 통신합니다. TinyML의 구현은 기술의 발전에 크게 기여할 수 있습니다.

TinyML은 소프트웨어, 하드웨어, 및 알고리즘이 함께 작동하여 원하는 성능을 제공하는 것입니다. 하드웨어 가속기가 지원되지 않는 하드웨어 및 IoT 디바이스의 경우, 아날로그 또는 메모리 컴퓨팅이 더 나은 학습 경험을 제공할 수 있습니다. 소프트웨어의 경우, TinyML을 사용하여 구축된 응용 프로그램은 Linux 또는 임베디드 Linux와 같은 플랫폼에서 배포 및 구현할 수 있습니다. 또한, TinyML 알고리즘을 기반으로 구축된 응용 프로그램 및 시스템은 저 메모리 크기 모델을 사용하여 높은 메모리 사용을 피하는 새로운 알고리즘의 지원을 받아야 합니다.

요약하면, TinyML을 사용하여 구축된 응용 프로그램은 ML 원칙 및 방법을 최적화해야 하며, 높은 품질의 데이터를 사용하여 소프트웨어를 컴팩트하게 설계해야 합니다. 이 데이터는 대용량 컴퓨팅 및 처리 능력을 갖춘 기계에서 훈련된 모델을 사용하여 생성된 바이너리 파일을 통해 전송되어야 합니다.

さらに, TinyML을 사용하여 구축된 시스템 및 응용 프로그램은 제한된 조건에서 높은 정확도를 제공해야 하며, 소프트웨어가 컴팩트해야 하며, 낮은 전력 소비를 지원해야 합니다. 또한, TinyML 응용 프로그램 또는 모듈은 배터리 전원으로 작동하는 에지 임베디드 시스템에서 작동할 수 있습니다.

TinyML 응용 프로그램에는 두 가지 기본 요구 사항이 있습니다

1. 수십억 개의 저렴한 임베디드 시스템을 확장할 수 있어야 합니다.
2. 디바이스 RAM에 코드를 저장할 수 있어야 하며, 용량은 몇 KB 이하여야 합니다.

TinyML의 고급 기술을 사용한 응용 프로그램

TinyML은 비전 및 음성 기반 응용 프로그램, 건강 진단, 데이터 패턴 분류 및 압축, 브레인-컴퓨터 인터페이스, 에지 컴퓨팅, 페노믹스, 자율 주행 자동차 등 다양한 응용 분야를 갖습니다.

음성 기반 응용 프로그램

음성 통신

일반적으로, 음성 기반 응용 프로그램은 모든 데이터가 중요하며 전송됩니다. 그러나 최근에, 의미 또는 데이터의 문脈만 전송하는 의미 통신이 등장했습니다. TinyML 방법론을 사용하여 음성 기반 응용 프로그램에서 의미 통신을 구현할 수 있습니다.

현재 음성 통신 산업에서 가장 인기 있는 응용 프로그램은 음성 감지, 음성 인식, 온라인 학습, 온라인 교육, 및 목표 지향적 통신입니다. 이러한 응용 프로그램은 일반적으로 높은 전력 소비를 가지며, 호스트 디바이스에서 높은 데이터 요구 사항을 갖습니다. 이러한 요구 사항을 극복하기 위해, 저 계산 구조를 사용하여 深層畳み込みネットワーク를 구축할 수 있는 TinySpeech 라이브러리가 도입되었습니다.

TinyML을 사용하여 음성 강화하기 위해, 개발자들은 먼저 음성 강화 모델의 크기를 해결해야 했습니다. 이는 하드웨어 제한 및 제약으로 인해 발생했습니다. 이를 해결하기 위해, 구조화된 가지치기 및 정수 양자화가 RNN(Recurrent Neural Network) 음성 강화 모델에 적용되었습니다. 결과는 모델의 크기를 약 12배, 연산을 약 3배 줄였다는 것을 보여주었습니다. 또한, 음성 인식 응용 프로그램을 실행하는 자원 제한된 응용 프로그램에서 리소스를 효과적으로 사용하는 것이 중요합니다.

따라서, 프로세스를 분할하기 위해, TinyML 기반 음성 및 음성 인식 응용 프로그램을 위한 공동 설계 방법이 제안되었습니다. 개발자들은 원시 음성 데이터를 전처리하기 위해 윈도우 작동을 사용하여 소프트웨어 및 하드웨어를 분할했습니다. 방법은 하드웨어에서 에너지 소비를 줄이는 데 효과적이었습니다. 마지막으로, 소프트웨어 및 하드웨어 공동 설계 간의 최적화된 분할을 구현하는 데 잠재력이 있습니다.

さらに, 최근의 연구는 음성 인식 시스템을 위한 전화 기반 트랜스듀서의 사용을 제안했습니다. 제안은 LSTM 예측기를 Conv1D 레이어로 대체하여 에지 디바이스에서 계산 요구 사항을 줄이는 것을 목표로 합니다. 구현 결과, SVD(Singular Value Decomposition)가 모델을 성공적으로 압축했으며, WFST(Weighted Finite State Transducers) 기반 디코딩이 모델 개선 편향에 대한 더 많은 유연성을 제공했습니다.

많은 인기 있는 음성 인식 응용 프로그램은 ML 기법을 사용하여 작동합니다. 현재 인기 있는 음성 보조기인 Siri 및 Google (GOOGL ) Assistant는 데이터를 받을 때마다 클라우드 플랫폼으로 핑을 보내며, 이는 개인 정보 보호 및 데이터 보안에 대한重大な 문제를引き起こ습니다. TinyML은 디바이스에서 음성 인식을 수행하여 데이터를 클라우드 플랫폼으로 마이그레이션할 필요를 제거하는 솔루션을 제공합니다. 디바이스에서 음성 인식을 달성하는 한 가지 방법은 Tiny Transducer를 사용하는 것입니다. Tiny Transducer는 DFSMN(Deep Feed-Forward Sequential Memory Block) 레이어와 하나의 Conv1D 레이어를 사용하여 LSTM 레이어를 대체하여 계산 요구 사항 및 네트워크 매개변수를 줄입니다.

청각 기기

청각 손실은 전 세계적으로 주요 건강 문제입니다. 인간의 청각은 일반적으로 노화함에 따라 약화되며, 이는 중국, 일본, 한국과 같은 노화 인구가 많은 국가에서 주요 문제입니다. 현재의 청각 기기는 모든 입력 음성을 증폭하는 단순한 원리로 작동하여, 특히 소음이 있는 환경에서 원하는 음성을 구별하기 어렵게 합니다.

TinyML은 이 문제에 대한 솔루션을 제공할 수 있습니다. TinyLSTM 모델을 사용하여 청각 기기에 음성 인식 알고리즘을 구현하면 사용자가 다른 음성을 구별할 수 있습니다.

비전 기반 응용 프로그램

TinyML은 에지 플랫폼에서 컴퓨터 비전 기반 데이터 세트를 처리하는 데 중요한 역할을 할 수 있습니다. 이를 달성하기 위해, OpenMV H7 마이크로 컨트롤러 보드를 사용하여 모델을 훈련하는 데遇하는 실제적인 도전을 극복해야 합니다. 개발자들은 또한 American Sign Language를 감지하기 위한 아키텍처를 제안했습니다. 아키텍처는 ARM Cortex M7 마이크로 컨트롤러를 사용하여 작동하며, 이는 496KB의 프레임 버퍼 RAM만을 사용합니다.

에지 플랫폼에서 컴퓨터 비전 기반 응용 프로그램을 위한 TinyML의 구현은 CNN(Convolutional Neural Network) 및 높은 일반화 오차, 높은 훈련 및 테스트 정확도와 같은 주요 도전을 극복해야 합니다. 그러나 모델은 새로운 사용 사례 및 노이즈가 있는 배경에서 효과적으로 일반화되지 않았습니다. 개발자들이 보간 증강 방법을 사용했을 때, 모델은 테스트 데이터에서 98% 이상의 정확도 및 일반화에서 약 75%의 정확도를 반환했습니다.

さらに, 개발자들이 보간 증강 방법을 사용했을 때, 모델의 정확도가 양자화 중에 떨어졌지만, 모델의 추론 속도 및 분류 일반화가 향상되었습니다. 개발자들은 또한 다양한 소스에서 얻은 데이터를 사용하여 모델을 훈련하고, 성능을 테스트하여, 에지 플랫폼에서 모델을 배포하는 가능성을 탐색하기 위한 방법을 제안했습니다.

さらに, 추가 연구는 CNN 아키텍처를 사용하여 제한된 리소스를 갖춘 디바이스에서 원하는 결과를 달성할 수 있음을 보여주었습니다. 최근, 개발자들은 TensorFlow Lite를 사용하여 ARM Cortex M7 마이크로 컨트롤러에서 최소한의 메모리 풋프린트를 갖춘 의료 마스크 감지 프레임워크를 개발했습니다. 모델의 크기는 양자화 후 약 138 KB였으며, 타겟 보드上的 추론 속도는 약 30 FPS였습니다.

또한, TinyML을 사용하여 컴퓨터 비전 기반 응용 프로그램을 위한 제스처 인식 디바이스를 구현할 수 있습니다. 디바이스는 지팡이에 부착할 수 있으며, 시각 장애인들이 일상 생활을 쉽게 탐색할 수 있도록 도와줍니다. 이를 설계하기 위해, 개발자들은 제스처 데이터 세트를 사용하여 ProtoNN 모델을 훈련했습니다. 결과는 정확했으며, 디자인은 저렴하고, 만족스러운 결과를 제공했습니다.

TinyML의 또 다른 중요한 응용 분야는 자율 주행 자동차 및 무인 자동차 산업입니다. 이는 자원 및 온보드 컴퓨팅 능력의 부족으로 인해, 개발자들은 에너지 효율적인 디바이스를 구현하기 위해 TinyML을 사용했습니다. 디바이스는 낮은 지연 시간 및 높은 컴퓨팅 능력을 갖추고 있으며, 무인 자동차의 컨트롤러로 작동할 수 있습니다.

데이터 패턴 분류 및 압축

현재 TinyML 프레임워크의 가장 큰 도전은 온라인 훈련 데이터에 적응하는 것입니다. 이를 해결하기 위해, 개발자들은 TinyOL(TinyML 온라인 학습)이라는 방법을 제안했습니다. TinyOL은 마이크로 컨트롤러 단위에서 증분 온라인 학습을 허용하여, IoT 에지 디바이스에서 모델을 업데이트할 수 있습니다. 구현은 C++ 프로그래밍 언어를 사용하여 수행되었습니다.

さらに, 개발자들은 Arduino Nano 33 BLE 센서 보드를 사용하여 자동 인코딩을 수행했습니다. 모델은 새로운 데이터 패턴을 분류할 수 있었습니다. 또한, 개발 작업에는 효율적인 알고리즘을 설계하여, 디바이스에서 온라인으로 훈련 패턴을 지원하는 것이 포함되었습니다.

TinyOL 및 TinyML에 대한 연구는 IoT 에지 디바이스에서 제한된 리소스와 활성화 계층 수의 주요 문제를 강조했습니다. 이를 해결하기 위해, 개발자들은 TinyTL(Tiny Transfer Learning) 모델을 도입하여, IoT 에지 디바이스에서 메모리 사용을 더 효율적으로 만들었습니다. 또한, 개발자들은 “lite-residual module”이라는 새로운 편향 모듈을 도입하여, 적응 능력을 최대화하고, 특징 추출기를 사용하여 잔여 특징 맵을 발견할 수 있도록 했습니다.

전체 네트워크 미세 조정을 비교했을 때, 결과는 TinyTL 아키텍처에 유리했습니다. 결과는 TinyTL이 메모리 오버헤드를 약 6.5배 줄이고, 중간 정확도 손실을 보였습니다. 마지막 레이어를 미세 조정했을 때, TinyML은 정확도를 34% 향상시키며, 중간 정확도 손실을 보였습니다.

さらに, 데이터 압축에 대한 연구는, 데이터 압축 알고리즘이 휴대용 디바이스에서 수집된 데이터를 관리해야 한다는 것을 보여주었습니다. 이를 달성하기 위해, 개발자들은 TAC(Tiny Anomaly Compressor)라는 알고리즘을 제안했습니다. TAC는 SDT(Swing Door Trending) 및 DCT(Discrete Cosine Transform) 알고리즘을 능가했습니다. 또한, TAC 알고리즘은 최대 98%의 압축률을 달성하며, 최고의 피크 신호 대 노이즈 비를 보여주었습니다.

건강 진단

코로나19 전염병은 TinyML의 구현을 위한 새로운 기회를 제공했습니다. 지속적인 감시를 보장하기 위해, 개발자들은 기침 및 감기와 관련된 호흡기 증상을 감지하는 데 사용되는 CNN 모델인 Tiny RespNet을 제안했습니다. 모델은 Xilinx Artix-7 100t FPGA에서 작동하며, 이는 디바이스가 정보를 병렬로 처리할 수 있으며, 높은 효율성 및 낮은 전력 소비를 제공합니다.

さらに, 개발자들은 에지 디바이스에서 深層學習 연산을 수행할 수 있는 TinyDL이라는 TinyML 모델을 제안했습니다. TinyDL은 스마트 워치 및 웨어러블 디바이스에서 건강 진단을 위해 배포될 수 있으며, 대역폭, 지연 시간, 에너지 소비를 줄이는 성능 분석을 수행할 수 있습니다. 이를 달성하기 위해, 개발자들은 웨어러블 디바이스에서 작동하는 LSTM 모델을 설계하고 훈련했습니다. 모델은 약 75%에서 80%의 정확도를 보였으며, 디바이스 외부의 데이터에서도 작동할 수 있었습니다. 이러한 에지 디바이스에서 작동하는 모델은 현재 IoT 디바이스에서 직면하는 도전을 해결할 수 있는 잠재력을 보여주었습니다.

마지막으로, 개발자들은 노인들의 건강을 분석하고 추정하기 위한 신체 姿勢를 감지하는 응용 프로그램을 제안했습니다. 모델은 디바이스에서 유효성 및 신속한 적응을 허용하는 아그노스틱 프레임워크를 사용합니다. 모델은 실시간으로 신체 姿勢를 감지하기 위한 알고리즘을 사용하며, 이는 얼굴 랜드마크를 사용하여 空間-temporal 신체 姿勢를 감지합니다.

에지 컴퓨팅

TinyML의 주요 응용 분야 중 하나는 에지 컴퓨팅입니다. IoT 디바이스의 사용이 증가함에 따라, 에지 디바이스를 설정하여 클라우드 아키텍처의 부담을 줄이는 것이 중요합니다. 에지 디바이스는 개별 데이터 센터를 갖추고 있으며, 이를 통해 디바이스 자체에서 높은 수준의 컴퓨팅을 수행할 수 있습니다. 이는 클라우드에 대한 의존도를 줄이고, 지연 시간을 줄이며, 사용자 보안 및 개인 정보 보호를 향상시키며, 대역폭을 줄일 수 있습니다.

에지 디바이스에서 TinyML 알고리즘을 사용하면, 현재 전력, 컴퓨팅 및 메모리 요구 사항과 관련된 제한을 해결할 수 있습니다. 이는 아래의 이미지에서 설명되어 있습니다.

さらに, TinyML은 무인 항공기(UAV)의 사용 및 응용을 향상시킬 수 있습니다. 현재 무인 항공기는 에너지 효율적인 디바이스 및 낮은 지연 시간, 높은 컴퓨팅 능력을 갖춘 컨트롤러를 구현하는 데 어려움을 겪고 있습니다. TinyML을 사용하면 개발자들은 이러한 문제를 해결할 수 있습니다.

브레인-컴퓨터 인터페이스(BCI)

TinyML은 의료 산업에서重大한 응용 분야를 갖습니다. 이는 암 및 종양 감지, ECG 및 EEG 신호를 사용한 건강 예측, 및 감정 지능과 같은 분야에서 유용할 수 있습니다. TinyML을 사용하면 적응형 深層뇌 자극(aDBS)을 임상 적응에 성공적으로 적용할 수 있습니다. 또한, TinyML을 사용하면 aDBS가 질병 관련 바이오 마커 및 증상을 뇌 신호의 침습적 기록을 사용하여 감지할 수 있습니다.

さらに, 의료 산업은 일반적으로大量의 환자 데이터를 수집하며, 이를 처리하여 환자의 치료를 위한 특정 솔루션을 도출해야 합니다. 따라서, 높은 효과성 및 보안성을 갖춘 시스템을 구축하는 것이 중요합니다. IoT 응용 프로그램과 TinyML 모델을 결합하면, 새로운 분야인 H-IoT(Healthcare Internet of Things)가 등장하며, 이는 진단, 모니터링, 물류, 확산 제어, 및 보조 시스템과 같은 응용 분야를 갖습니다. 원격으로 환자의 건강을 감시하고 분석할 수 있는 디바이스를 개발하려면, 전 세계적으로 접근할 수 있으며, 낮은 지연 시간을 갖춘 시스템을 개발하는 것이 중요합니다.

자율 주행 자동차

마지막으로, TinyML은 자율 주행 자동차 산업에서重大한 응용 분야를 갖습니다. 이러한 자동차는 인간 추적, 군사 목적, 및 산업 응용 분야에서 사용될 수 있습니다. 이러한 자동차의 주요 요구 사항은 객체를 효율적으로 감지하는 것입니다.

현재, 자율 주행 자동차 및 자율 주행은 소형 또는 미니 자동차의 경우 특히 복잡한 작업입니다. 최근의 개발은 CNN 아키텍처를 사용하여 미니 자동차의 자율 주행 응용 분야를 개선하는 데 잠재력을 보여주었습니다. 모델은 GAP8 MCI에서 배포되었습니다.

도전

TinyML은 AI 및 ML 산업에서 비교적 새로운 개념이며,尽管 발전이 있지만, 에지 및 IoT 디바이스에서 대규모 배포를 위한 효과적인 솔루션은 아직 아닙니다.

TinyML 디바이스의 가장 큰 도전은 전력 소비입니다. 임베디드 에지 및 IoT 디바이스는 일반적으로 10년 이상의 배터리 수명을 갖추어야 합니다. 예를 들어, 2Ah 배터리를 사용하는 IoT 디바이스의 경우, 전력 소비가 약 12 μA인 경우, 배터리 수명은 10년 이상이 됩니다. 그러나, 현재의 상태에서, 온도 센서, MCU, 및 WiFi 모듈을 갖춘 IoT 아키텍처의 경우, 전력 소비는 약 176.4 mA이며, 이는 배터리가 11시간만 지속되도록 할 것입니다.

자원 제한

알고리즘의 일관성을 유지하기 위해, 전력 가용성을 유지하는 것이 중요합니다. 현재의 시나리오에서, TinyML 디바이스의 제한된 전력 가용성은重大한 도전입니다. 또한, 메모리 제한도重大한 도전입니다. 모델을 배포하는 데 높은 메모리 용량이 필요하며, 이는 정확하게 작동하는 데 필요합니다.

하드웨어 제한

하드웨어 제한은 TinyML 알고리즘을 대규모로 배포하는 것을 어렵게 만듭니다. 이는 하드웨어 디바이스의 이기종성으로 인해 발생합니다. 수천 개의 디바이스가 있으며, 각 디바이스에는 자신의 하드웨어 사양 및 요구 사항이 있습니다. 따라서, 현재의 TinyML 알고리즘은 각 디바이스에 대해 개별적으로 조정되어야 하며, 이는 대규모 배포를 어렵게 만듭니다.

데이터 세트 제한

TinyML 모델의 주요 문제 중 하나는 기존 데이터 세트를 지원하지 않는다는 것입니다. 이는 에지 디바이스에서 발생하는 문제입니다. 에지 디바이스는 외부 센서를 사용하여 데이터를 수집하며, 이러한 디바이스는 전력 및 에너지 제한을 갖습니다. 따라서, 기존 데이터 세트를 사용하여 TinyML 모델을 효과적으로 훈련하는 것이 어렵습니다.

최종 생각

ML 기법의 개발은 IoT 생태계에서革命과 관점의 변화를 가져왔습니다. IoT 디바이스에 ML 모델을 통합하면, 에지 디바이스가 외부 인간 입력 없이 스스로 지능적인 결정을 내릴 수 있습니다. 그러나, 전통적인 ML 모델은 높은 전력, 메모리, 및 컴퓨팅 요구 사항을 갖습니다. 이는 자원 제한된 에지 디바이스에서 배포하는 것을 어렵게 만듭니다.

따라서, AI의 새로운 분야가 IoT 디바이스에서 ML을 사용하는 데专用되었습니다. 이를 TinyML이라고 합니다. TinyML은 자원 제한된 디바이스에서도 AI 및 ML의 힘을 활용하여, 높은 정확도, 지능, 및 효율성을 제공하는 ML 프레임워크입니다.

이 文章에서, 우리는 자원 제한된 IoT 디바이스에서 TinyML 모델을 구현하는 것에 대해 논의했습니다. 이는 모델을 훈련하고, 하드웨어에 배포하며, 양자화 기술을 수행하는 것을 포함합니다. 그러나, 현재의 범위에서, IoT 및 에지 디바이스에서 배포할 수 있는 ML 모델은 하드웨어 및 프레임워크 호환성과 같은複雑한 문제 및 제한을 갖습니다.