TinyML: Serlêdan, Sînorkirin, û Bikaranîna Ew Di Amûrên IoT & Edge de

Di çend salên borî de, Îstixbarata Hunerî (AI) û Fêrbûna Machine (ML) ne tenê di pîşesaziyê de, lê di heman demê de di akademiyê de, di populerbûn û serîlêdanan de bi meteorîk re şahidî kir. Lêbelê, modelên ML û AI-ê yên îroyîn xwedan sînorek girîng in: ew hewceyê hêzek hesabker û pêvajoyek mezin e ku bigihîjin encam û rastbûna xwestin. Ev bi gelemperî karanîna wan bi cîhazên bi kapasîteya bilind ve bi hêza hesabkirinê ya girîng ve sînordar dike.

Lê ji ber pêşkeftinên ku di teknolojiya pergala pêvekirî de hatine çêkirin, û pêşkeftina girîng di pîşesaziya Înternetê ya Tiştan de, tê xwestin ku karanîna teknîk û têgînên ML-ê di nav pergalek bicîbûyî ya bi çavkaniyê de ji bo îstîxbarata berbelav tevbigere. Daxwaza karanîna têgînên ML-ê di pergalên pêvekirî û IoT de faktora motîvasyona bingehîn a li pişt pêşkeftina TinyML e, teknîkek ML-ya vegirtî ku destûrê dide model û sepanên ML-ê li ser gelek cîhazên bi çavkaniyê ve, bi hêz-sînordar, û erzan. 

Lêbelê, bicîhkirina ML-ê li ser cîhazên bi çavkaniyê ve girêdayî ne hêsan bûye ji ber ku bicîhkirina modelên ML-ê li ser cîhazên bi hêza hesabkerî ya kêm kêşeyên xwe di warê xweşbînkirin, kapasîteya pêvajoyê, pêbawerî, domandina modelan, û hêj bêtir peyda dike. 

Di vê gotarê de, em ê li modela TinyML kûrtir bigerin, û li ser paşxaneya wê, amûrên ku piştgirî didin TinyML, û serîlêdanên TinyML-ê bi karanîna teknolojiyên pêşkeftî bêtir fêr bibin. Ji ber vê yekê em dest pê bikin. 

Destpêkek TinyML: Çima Cîhan Pêdiviya TinyML heye

Amûrên Înternetê yên Tiştan an IoT-ê armanc dikin ku hesabkirina derî, paradîgmayek hesabkirinê ya ku ji cûrbecûr amûr û torên nêzê bikarhêner vedibêje da ku pêvajoyek bêkêmasî û rast-demê ya daneyan ji bi mîlyonan senzor û cîhazên ku bi hevûdu ve girêdayî ne çalak bike. Yek ji avantajên girîng ên cîhazên IoT ev e ku ew hewcedariya wan bi hêza hesabkirin û pêvajoyê kêm in ji ber ku ew li qiraxa torê têne bicîh kirin, û ji ber vê yekê şopek bîranîna wan kêm e. 

Digel vê yekê, cîhazên IoT bi giranî xwe dispêrin platformên qiraxê da ku berhev bikin û dûv re daneyan veguhezînin ji ber ku van cîhazên qerax daneyên hestî berhev dikin, û dûv re wan ji cîhek nêzîk, an platformên ewr re ji bo pêvajoyê vediguhezînin. Teknolojiya hesapgiriyê li ser daneyan hilanînê & pêk tîne, û di heman demê de binesaziya pêwîst peyda dike da ku piştgirî bide hesabkirina belavkirî. 

Di cîhazên IoT de bicîhkirina hesabkirina qeraxê peyda dike

1. Ewlekariya bi bandor, nepenî, û pêbaweriya ji bikarhênerên dawîn re. 
2. Derengiya kêmtir. 
3. Hebûna bilind, û berteka berbi serîlêdan û karûbaran. 

Digel vê yekê, ji ber ku cîhazên qerax dikarin teknîkek hevkariyê di navbera senzor û ewr de bicîh bikin, li şûna ku li platforma ewr were kirin, pêvajoya daneyê dikare li qiraxa torê were meşandin. Ev dikare bibe sedema rêveberiya daneya bi bandor, domdariya daneyê, radestkirina bi bandor, û vegirtina naverokê. Wekî din, ji bo pêkanîna IoT-ê di serîlêdanên ku bi têkiliya H2M an Mirov bi Makîne û lênihêrîna tenduristî ya nûjen re mijûl dibin, rêyek peyda dike ku karûbarên torê bi girîngî baştir bike. 

Lêkolîna vê dawîyê di warê hesabkirina qeraxa IoT de potansiyela pêkanîna teknîkên Fêrbûna Makîneyê di gelek dozên karanîna IoT de destnîşan kiriye. Lêbelê, pirsgirêka sereke ev e ku modelên fêrbûna makîneya kevneşopî bi gelemperî hewceyê hêza hesabkirin û pêvajoyê ya bihêz, û kapasîteya bîranîna bilind e ku pêkanîna modelên ML-ê di cîhaz û sepanên IoT de sînordar dike. 

Digel vê yekê, teknolojiya jimartina berevajî îro di kapasîteya veguheztinê ya bilind de, û teserûfa hêza bi bandor a ku rê li pergalên heterojen vedike, ku sedema bingehîn a hewcedariya binesaziya ahengdar û tevayî ye, nemaze ji bo nûvekirin, perwerdekirin, û bicîhkirina modelên ML. Mîmariya ku ji bo cîhazên pêvekirî hatî çêkirin pirsgirêkek din derdixe holê ji ber ku ev mîmarî bi hewcedariyên hardware û nermalavê ve girêdayî ne ku ji amûrek bo cîhaz diguhere. Sedema sereke ew e ku ji bo torên IoT avakirina mîmariyek standard ML dijwar e. 

Di heman demê de, di senaryoya heyî de, daneyên ku ji hêla cîhazên cihêreng ve têne hilberandin ji ber cewherê sepandinên torê yên ji hêla hesabkerî ve ji bo pêvajoyê têne şandin. Wekî din, modelên ML bi gelemperî bi Fêrbûna Kûr, Tora Neuralî ya Kûr, Circuitên Yekgirtî yên Taybet ên Serlêdanê (ASIC) û Yekeyên Pêvajoya Grafikê (GPU) ve girêdayî ne ji bo hilberandina daneyê, û ew bi gelemperî hewcedariyek hêz û bîranînê ya bilindtir in. Bicihkirina modelên ML-ya bêkêmasî li ser cîhazên IoT ne çareseriyek guncan e ji ber nebûna eşkere ya hêza hesabkirin û pêvajoyê, û çareseriyên hilanînê tixûbdar. 

Daxwaza piçûkkirina amûrên pêvekirî yên kêm hêz û bi xweşbînkirina modelên ML-ê re ji bo ku ew bêtir hêz û bîranîn bikêr bibin, rê li ber TinyML vekiriye ku armanc dike ku model û pratîkên ML-ê li ser cîhazên û çarçoweya IoT-ya qeraxê bicîh bike. TinyML li ser cîhazên IoT pêvajoyek sînyalê çalak dike û îstîxbarata pêvekirî peyda dike, bi vî rengî hewcedariya veguhastina daneyan li platformên ewr ji bo pêvajoyê ji holê radike. Pêkanîna serketî ya TinyML li ser cîhazên IoT dikare di dawiyê de bibe sedema zêdekirina nepenî, û karîgeriyê dema ku lêçûnên xebitandinê kêm bike. Wekî din, ya ku TinyML balkêştir dike ev e ku di rewşek pêwendiya bêkêmasî de, ew dikare analîtîkên serhêl peyda bike. 

TinyML: Destpêk û Pêşniyar

TinyML amûrek fêrbûna makîneyê ye ku jêhatîbûna wê heye ku analîzên li ser cîhazê ji bo awayên cûda yên hestiyariyê yên wekî deng, dîtin û axaftinê pêk bîne. Modelên Ml yên ku li ser amûra TinyML têne çêkirin xwedan hêz, bîranîn û hewcedariyên hesabkirinê kêm in ku wan ji bo torên pêvekirî, û cîhazên ku bi hêza pîlê dixebitin minasib dike. Wekî din, hewcedariyên hindik ên TinyML wê ji bo bicîhkirina modelên ML-ê li ser çarçoweya IoT-ê guncanek îdeal dike.

Di senaryoya heyî de, pergalên ML-bingeha ewr bi çend dijwariyan re rû bi rû dimînin, di nav de fikarên ewlehî û nepenîtiyê, mezaxtina hêza zêde, pêbawerî, û pirsgirêkên derengiyê, ji ber vê yekê modelên li ser platformên hardware-nermalava pêş-sazkirî ne. Sensor daneyên ku cîhana fizîkî simule dikin berhev dikin, û dûv re bi karanîna CPU an MPU (Yekîneyek Mîkroprocessing) têne hilberandin. MPU hewcedariyên piştgiriya analîtîk a ML-ê ku ji hêla torên ML-ya hişmend û mîmariyê ve hatî çalak kirin peyda dike. Mîmariya Edge ML ji bo veguheztina daneyê bi ewra ML re têkilî daynin, û pêkanîna TinyML dikare bibe sedema pêşkeftina teknolojiyê bi girîngî. 

Dê bi ewlehî were gotin ku TinyML berhevokek nermalava, hardware û algorîtmayan e ku bi hevûdu re bi hev re dixebitin da ku performansa xwestinê peyda bikin. Dibe ku ji bo cîhazên hardware û IoT yên ku bilezkerên hardware piştgirî nakin ezmûnek fêrbûnek çêtir û bibandor peyda bike, hesabkirina analog an bîranînê hewce dike. Bi qasî ku nermalavê têkildar e, serîlêdanên ku bi karanîna TinyML têne çêkirin dikarin li ser platformên mîna Linux an Linux-ya bicîbûyî, û li ser nermalava ewr-çalakkirî werin bicîh kirin û bicîh kirin. Di dawiyê de, serîlêdan û pergalên ku li ser algorîtmaya TinyML hatine çêkirin divê xwedî piştgirîya algorîtmayên nû bin ku hewceyê modelên bi pîvana bîranîna kêm in da ku ji xerckirina bîranîna zêde dûr nekevin. 

Bi kurtî tiştan, serîlêdanên ku bi karanîna amûra TinyML hatine çêkirin divê prensîb û rêbazên ML digel sêwirana nermalavê bi tevlihevî, li ber hebûna daneya qalîteya bilind xweştir bikin. Dûv re pêdivî ye ku ev dane bi pelên binaryê yên ku bi karanîna modelên ku li ser makîneyên bi kapasîteya pir mezintir têne perwerde kirin têne çêkirin, û hêza hesabkirinê were hilanîn. 

Wekî din, pergal û serîlêdanên ku li ser amûra TinyML dixebitin divê dema ku di bin astengên tundtir de têne xebitandin rastiyek bilind peyda bikin ji ber ku nermalava kompakt ji bo xerckirina hêza piçûk hewce ye ku bandorên TinyML piştgirî dike. Wekî din, dibe ku serîlêdan an modulên TinyML bi hêza bateriyê ve girêdayî bin da ku karûbarên wê yên li ser pergalên pêvekirî piştgirî bikin. 

Digel vê yekê, serîlêdanên TinyML du daxwazên bingehîn hene

1. Kapasîteya pîvandina bi mîlyaran pergalên erzan ên erzan. 
2. Kodê li ser RAM-a cîhazê bi kapasîteya di binê çend KB-an de hilîne. 

Serîlêdanên TinyML Bikaranîna Teknolojiyên Pêşkeftî

Yek ji sedemên sereke ku TinyML di pîşesaziya AI & ML de mijarek germ e, ji ber serîlêdanên wê yên potansiyel e ku di nav de sepanên bingehîn ên dîtin û axaftinê, teşhîsa tenduristî, berhevkirin û dabeşkirina nimûneya daneyê, navbeynkariya mêjî-kontrolkirina mêjî, hesabkirina qerax, fenomîk, xweser e. - ajotina otomobîlan, û bêtir. 

Serlêdanên Bingeha Axaftinê

Peywendiyên Axaftinê

Bi gelemperî, serîlêdanên bingehîn ên axaftinê bi rêbazên ragihandinê yên kevneşopî ve girêdayî ne ku tê de hemî dane girîng in, û ew têne şandin. Lêbelê, di van salên dawî de, ragihandina semantîkî wekî alternatîfek ji ragihandina kevneşopî derketiye holê, ji ber ku di ragihandina semantîkî de, tenê wate an naveroka daneyan tê veguheztin. Têkiliya semantîk dikare di nav sepanên bingehîn ên axaftinê de bi karanîna metodolojiyên TinyML ve were bicîh kirin. 

Hin serîlêdanên herî populer ên di pîşesaziya ragihandina axaftinê de îro tespîtkirina axaftinê, naskirina axaftinê, fêrbûna serhêl, hînkirina serhêl, û ragihandina armanc-mebest in. Van sepanan bi gelemperî xwedan xercek hêzek bilindtir in, û di heman demê de li ser cîhaza mêvandar jî daxwazên daneya bilind hene. Ji bo derbaskirina van hewcedariyên, pirtûkxaneyek nû ya TinySpeech hate destnîşan kirin ku destûrê dide pêşdebiran ku mîmariyek hesabker a nizm ava bikin ku torên konvokî yên kûr bikar tîne da ku depoyek nizm ava bike. 

Ji bo ku TinyML ji bo pêşdebirina axaftinê bikar bînin, pêşdebiran pêşî li mezinbûna modela pêşkeftina axaftinê girtin ji ber ku ew di bin sinorkirin û astengiyên hardware de bû. Ji bo çareserkirina pirsgirêkê, qutkirina birêkûpêk û quantîzasyona yekjimar ji bo modela zêdekirina axaftinê ya RNN an Tora Neuralî ya Recurrent hate bicîh kirin. Encaman pêşniyar kir ku mezinahiya modelê hema hema 12x kêm bibe lê operasyon hema hema 3x kêm bibin. Wekî din, girîng e ku çavkaniyan bi bandor werin bikar anîn, nemaze dema ku li ser sepanên sînordar ên çavkaniyê yên ku sepanên naskirina dengan pêk tînin têne bicîh kirin. 

Wekî encamek, ji bo dabeşkirina pêvajoyê, ji bo serîlêdanên nasîna deng û axaftinê yên li ser bingeha TinyML rêbazek hev-sêwiranê hate pêşniyar kirin. Pêşdebiran operasyona paceyê bikar anîn da ku nermalava û hardware dabeş bikin bi rengek ku berê daneya dengê xav pêvajoyê bikin. Wusa dixuye ku rêbaz kar dike ji ber ku encam kêmbûna xerckirina enerjiyê ya li ser hardware destnîşan kir. Di dawiyê de, di heman demê de potansiyela pêkanîna dabeşkirina xweşbînkirî ya di navbera nermalava & hev-sêwirana hardware de ji bo performansa çêtir di pêşerojek nêzîk de heye. 

Digel vê yekê, lêkolîna vê dawiyê ji bo pergalên naskirina axaftinê karanîna veguhezkerek têlefonê pêşniyar kiriye, û pêşniyar armanc dike ku pêşbînkerên LSTM bi qata Conv1D-ê veguhezîne da ku hewcedariyên hesabkirinê li ser cîhazên devê kêm bike. Dema ku hate sepandin, pêşnûme encamên erênî vegerand ji ber ku SVD an Parzûna Nirxa Yekane model bi serfirazî teng kiribû, lê dema ku karanîna dekodkirina bingehîn a WFST an Veguhezerên Dewleta Dawî yên Weighted bû sedema nermbûnek zêdetir di pêşbaziya çêtirkirina modelê de. 

Gelek serîlêdanên girîng ên naskirina axaftinê mîna arîkarên virtual an deng, sernavên zindî, û fermanên dengî teknîkên ML-ê bikar tînin ku bixebitin. Alîkarên dengbêjên populer ên niha mîna Siri û Alîkarê Google-ê her gava ku ew hin daneyan distînin, platforma cloudê ping dikin, û ew fikarên girîng ên têkildarî nepenî û ewlehiya daneyê diafirîne. TinyML ji pirsgirêkê re çareseriyek maqûl e ji ber ku ew armanc dike ku nasîna axaftinê li ser cîhazan pêk bîne, û hewcedariya koçkirina daneyan li platformên ewr ji holê rake. Yek ji awayên gihîştina nasîna axaftinê ya li ser cîhazê ev e ku meriv Transducerek Tiny bikar bîne, modelek naskirina axaftinê ku DFSMN an qatek Bloka Bîra Rêzdar a Pêşveçûnek DFSMN bikar tîne ku bi yek qatek Conv1D re li şûna qatên LSTM-ê tê bikar anîn da ku hewcedariyên hesabkirinê kêm bike. , û parametreyên torê. 

sehkir Aids

Kêmasiya bihîstinê li çaraliyê cîhanê fikara tenduristiyê ya sereke ye, û şiyana mirovan a bihîstina dengan bi gelemperî her ku diçe qels dibe, û ew pirsgirêkek mezin e li welatên ku bi nifûsa pîr re mijûl dibin, di nav de Çîn, Japonya û Koreya Başûr. Amûrên guhdanê naha li ser prensîba hêsan a xurtkirina hemî dengên têketinê ji derdorê dixebitin ku ji bo mirov dijwar dike ku meriv dengê xwestî bi taybetî di hawîrdorek bi deng de cûda bike an cûdahiyê bike. 

Dibe ku TinyML ji bo vê pirsgirêkê çareseriyek maqûl be ji ber ku karanîna modelek TinyLSTM ku algorîtmaya naskirina axaftinê ji bo cîhazên guhdan bikar tîne dikare ji bikarhêneran re bibe alîkar ku dengên cihêreng cuda bikin. 

Serlêdanên Bingeha Vîzyonê

TinyML xwedan potansiyel e ku di pêvajoyê de rolek girîng bilîze vîzyona computer databasên bingehîn ji ber ku ji bo derketinên bileztir, pêdivî ye ku ev berhevokên daneyê li ser platforma qiraxê bixwe werin hilanîn. Ji bo ku bigihîje vê yekê, modela TinyML dema ku modela bi karanîna panela mîkrokontroller OpenMV H7 perwerde dike bi dijwariyên pratîkî re rû bi rû dimîne. Pêşdebiran di heman demê de mîmariyek pêşniyar kirin ku bi alîkariya mîkrokontrolkerek ARM Cortex M7 ku tenê bi 496 KB RAM-ya çarçove-buffer re dixebite, Ziman Îşaretê ya Amerîkî tespît bike. 

Pêkanîna TinyML ji bo serîlêdana bingeha dîtina komputerê ya li ser platformên devê pêşdebiran hewce dike ku bi xeletiyek gelemperî, û rastbûna perwerdehiya bilind û ceribandinê re kêşeya sereke ya CNN an Tora Neuralî ya Convolutional derbas bikin. Lêbelê, pêkanîn bi bandor li wêneyên di nav dozên karanîna nû û her weha paşnavên bi deng de gelemperî nekir. Dema ku pêşdebiran rêbaza zêdekirina interpolasyonê bikar anîn, modelê li ser daneyên ceribandinê ji% 98% rast û di giştîkirinê de jî% 75 vedigere. 

Wekî din, hate dîtin ku dema ku pêşdebiran rêbaza zêdekirina navberê bikar anîn, di dema quantîzasyonê de di rastbûna modelê de kêmbûnek hebû, lê di heman demê de, di leza encamdana modelê û gelemperîkirina dabeşkirinê de jî zêdebûnek hebû. Pêşdebiran her weha rêbazek pêşniyar kirin ku rastbûna perwerdehiya modela giştîkirinê li ser daneyên ku ji cûrbecûr çavkaniyên cihêreng hatine wergirtin zêde bike, û ceribandina performansê ji bo vekolîna îmkana bicihkirina wê li ser platformên devê yên mîna demjimêrên hişmend ên portable. 

Wekî din, lêkolînên zêde li ser CNN destnîşan kir ku mimkun e ku bi mîmariya CNN-ê re li ser cîhazên bi çavkaniyên tixûbdar were bicîh kirin û encamên xwestî bi dest bixe. Di van demên dawî de, pêşdebiran karîbûn çarçoveyek ji bo tespîtkirina maskên rûyê bijîjkî li ser mîkrokontrolkerek ARM Cortex M7 bi çavkaniyên tixûbdar bi karanîna TensorFlow lite bi şopên bîranîna hindiktirîn pêşve bibin. Mezinahiya modela post quantîzasyona bi qasî 138 KB bû lê leza destwerdanê ya li ser panelê bi qasî 30 FPS bû. 

Serlêdanek din a TinyML ji bo serîlêdana bingehîn a dîtina komputerê ev e ku meriv amûrek nasîna tevgerê ku dikare bi çîçekê ve were girêdan da ku alîkariya mirovên astengdar bike ku di jiyana xwe ya rojane de bi hêsanî rêve bibin. Ji bo sêwirana wê, pêşdebiran koma daneya tevgerê bikar anîn, û berhevoka daneyê bikar anîn da ku modela ProtoNN bi algorîtmayek dabeşkirinê perwerde bikin. Encamên ku ji sazkirinê hatine wergirtin rast bûn, sêwirana kêm-mesref bû, û ew encamên têrker peyda kir. 

Serlêdanek din a girîng a TinyML ji ber kêmbûna çavkaniyan, û hêza hesabkirinê ya serhêl di pîşesaziya xwe-ajotinê, û pîşesaziya wesayîtên xweser de ye. Ji bo çareserkirina pirsgirêkê, pêşdebiran rêbazek fêrbûna dorpêk a girtî ku li ser modela TinyCNN hatî çêkirin destnîşan kir ku modelek pêşbînkerê serhêl pêşniyar kir ku di dema xebitandinê de wêneyê digire. Pirsgirêka sereke ya ku pêşdebiran dema ku TinyML ji bo ajotina xweser pêk tîne ev bû ku modela biryarê ya ku ji bo xebata li ser daneyên negirêdayî hatî perwerde kirin dibe ku dema ku bi daneyên serhêl re mijûl dibe bi heman rengî baş nexebite. Ji bo ku sepanên gerîdeyên xweser û gerîdeyên xwe-ajotinê bi tevahî zêde bikin, pêdivî ye ku model bi îdeal bikaribe bi daneyên rast-a-dem re adapte bibe. 

Dabeşkirina Modela Daneyê û Kompresyon

Yek ji mezintirîn kêşeyên çarçoweya TinyML ya heyî hêsankirina wê ye ku ew bi daneyên perwerdehiya serhêl re adapte bibe. Ji bo çareserkirina pirsgirêkê, pêşdebiran rêbazek ku wekî TinyOL an TinyML Fêrbûna Serhêl tê nasîn pêşniyar kirine da ku perwerdehiya bi hînbûna serhêl a zêde ya li ser yekîneyên mîkrokontrolleran bihêle û bi vî rengî rê dide ku model li ser cîhazên qiraxa IoT nûve bike. Pêkanîn bi karanîna zimanê bernamenûsê C ++ hate bidestxistin, û qatek pêvek li mîmariya TinyOL hate zêdekirin. 

Wekî din, pêşdebiran di heman demê de şîfrekirina otomatîkî ya panela sensor Arduino Nano 33 BLE jî pêk anîn, û modela ku hatî perwerde kirin karîbû qalibên daneya nû dabeş bike. Digel vê yekê, xebata pêşkeftinê sêwirana algorîtmayên bikêr û xweştir ên ji bo torên neuralî pêk tîne da ku piştgirî bide şêwazên perwerdehiya cîhazê serhêl. 

Lêkolînên li TinyOL û TinyML destnîşan kirin ku hejmara qatên aktîfkirinê ji bo cîhazên qeraxa IoT-ya ku çavkaniyan sînordar in pirsgirêkek sereke ye. Ji bo çareserkirina pirsgirêkê, pêşdebiran modela TinyTL an Tiny Transfer Fêrbûna nû destnîşan kirin da ku karanîna bîranînê li ser cîhazên qiraxa IoT pir bi bandortir bike, û ji karanîna qatên navîn ji bo mebestên çalakkirinê dûr bixe. Digel vê yekê, pêşdebiran modulek biasê ya hemî nû ku wekî "module lite-bermayî” ji bo ku kapasîteyên adaptasyonê zêde bikin, û bê guman destûr bidin ku hilkêşkerên taybetmendiyê nexşeyên taybetmendiya mayî kifş bikin. 

Dema ku bi birêkûpêkkirina tevde ya torê re were berhev kirin, encam di berjewendiya mîmariya TinyTL de bûn ji ber ku encaman destnîşan kir ku TinyTL bi windabûna rastbûna nerm bi qasî 6.5 carî sermaya bîranînê kêm dike. Dema ku qata paşîn baş hate guheztin, TinyML bi windabûna rastbûna nerm re rastbûna% 34 çêtir kir. 

Wekî din, lêkolîna li ser berhevkirina daneyan destnîşan kir ku algorîtmayên berhevkirina daneyan pêdivî ye ku daneyên berhevkirî li ser amûrek portable rêve bibin, û ji bo ku heman yekê bi dest bixin, pêşdebiran TAC an Kompresorek Anomalî ya Tiny pêşniyar kirin. TAC karîbû ku ji algorîtmayên SDT an Swing Door Trending, û DCT an Veguheztina Kozîneya Veqetandî derkeve. Wekî din, algorîtmaya TAC hem ji algorîtmayên SDT û hem jî DCT-ê bi dest xistiye bi gihîştina rêjeyek pêvekirina herî zêde ya ji% 98-an û xwedî rêjeya bilindtirîn nîşana-bo-deng ji sê algorîtmayan. 

Teşhîsa tenduristiyê

Pandemiya gerdûnî ya Covid-19 ji bo pêkanîna TinyML deriyên nû yên fersendê vekir ji ber ku ew naha pratîkek bingehîn e ku bi domdarî nîşanên nefesê yên bi kuxik, û sermayê ve girêdayî ne. Ji bo misogerkirina çavdêriya bênavber, pêşdebiran modelek CNN-ê Tiny RespNet ku li ser mîhengek pir-model tevdigere, pêşniyar kirine, û model li ser Xilinx Artix-7 100t FPGA-ya ku destûrê dide cîhazê ku agahdariya paralel bişopîne, xwedan karîgeriyek bilind e, tête bicîh kirin. û mezaxtina hêza kêm. Digel vê yekê, modela TinyResp di heman demê de axaftina nexweşan, tomarên deng, û agahdariya demografî jî wekî navgîniyê digire da ku veqetîne, û nîşanên nexweşek bi kuxikê bi karanîna sê berhevokên cihêreng têne dabeş kirin. 

Digel vê yekê, pêşdebiran modelek jî pêşniyar kirine ku bikaribe hesabên fêrbûna kûr li ser cîhazên devê bimeşîne, modelek TinyML bi navê TinyDL. Modela TinyDL dikare li ser cîhazên devê yên mîna demjimêrên biaqil, û pêlavên ji bo tespîtkirina tenduristiyê were bicîh kirin, û di heman demê de dikare analîza performansê jî bike da ku bandfireh, dereng, û xerckirina enerjiyê kêm bike. Ji bo ku bigihîje bicîhkirina TinyDL li ser cîhazên destan, modelek LSTM bi taybetî ji bo amûrek pêçandî hate sêwirandin û perwerde kirin, û ew daneyên berhevkirî wekî têketinê hate xwarin. Model xwedan pûanek rastbûna ji% 75 heya 80% e û di heman demê de ew karîbû bi daneyên derveyî cîhazê re jî bixebite. Van modelên ku li ser cîhazên qiraxê têne xebitandin potansiyela çareserkirina kêşeyên heyî yên ku bi cîhazên IoT re rû bi rû ne destnîşan kirin. 

Di dawiyê de, pêşdebiran serîlêdanek din jî pêşniyar kirine da ku tenduristiya kal û pîr bi texmînkirin û analîzkirina pozên laşê wan bişopînin. Model çarçoweya agnostîk a li ser cîhazê bikar tîne ku destûrê dide modelê ku verastkirinê, û pêşkeftina bilez ji bo pêkanîna adaptasyonan bike. Modelê algorîtmayên vedîtina pozê laş li gel nîşaneyên rû bi cih anî da ku di wextê rast de pozên laşê cîhê-demî bibîne. 

Computing Edge

Yek ji serîlêdanên sereke yên TinyML di warê hesabkirina devê de ye ji ber ku bi zêdebûna karanîna cîhazên IoT re ji bo girêdana cîhazên li çaraliyê cîhanê, pêdivî ye ku meriv cîhazên devê saz bike ji ber ku ew ê di kêmkirina barkirina mîmarên ewr de bibe alîkar. . Van cîhazên devê dê navendên daneya kesane destnîşan bikin ku dê bihêle ku ew li şûna ku xwe bispêrin mîmariya ewr, li ser cîhazê bi xwe hesabkirina asta bilind pêk bînin. Wekî encamek, ew ê di kêmkirina girêdana bi ewr de, kêmkirina derengbûnê, zêdekirina ewlehî û nepenîtiya bikarhêner, û di heman demê de bandwidth kêm bike. 

Amûrên Edge ku algorîtmayên TinyML bikar tînin dê di çareserkirina astengiyên heyî yên bi hêz, hesabkirin, û hewcedariyên bîranînê ve girêdayî bibin alîkar, û ew di wêneya jêrîn de tê nîqaş kirin. 

Digel vê yekê, TinyML di heman demê de dikare bikar anîn û sepana Wesayîtên Hewayî yên Bêmirov an UAV-ê jî bi çareserkirina sînorên heyî yên ku ji hêla van makîneyan ve rû bi rû ne zêde bike. Bikaranîna TinyML dikare rê bide pêşdebiran ku amûrek bi enerjiyê bi derengiya kêm, û hêza hesabkeriya bilind a ku dikare wekî kontrolkerek ji bo van UAV-an tevbigere bicîh bikin. 

Navbera Mejî-Komputer an BCI

TinyML di pîşesaziya lênihêrîna tenduristiyê de serîlêdanên girîng hene, û ew dikare îsbat bike ku di warên cihêreng de, di nav de tespîtkirina penceşêr û tumor, pêşbîniyên tenduristiyê bi karanîna nîşanên ECG & EEG, û îstîxbarata hestyarî, pir bikêr e. Bikaranîna TinyML dikare destûrê bide Teşwîqkirina Mejiyê Kûr a Adaptive an aDBS ku bi serfirazî bi adaptasyonên klînîkî re adapte bibe. Bikaranîna TinyMl di heman demê de dikare rê bide aDBS ku bi karanîna tomarên dagirker ên sînyalên mêjî nîşanên biyo-girêdayî nexweşiyê û nîşanên wan nas bike. 

Wekî din, pîşesaziya lênihêrîna tenduristiyê bi gelemperî berhevkirina hejmareke mezin a daneyên nexweşek vedihewîne, û dûv re ev dane pêdivî ye ku were pêvajoyê kirin da ku bigihîje çareseriyên taybetî ji bo dermankirina nexweşek di qonaxên destpêkê yên nexweşiyekê de. Wekî encamek, pir girîng e ku meriv pergalek ku ne tenê pir bi bandor be, lê di heman demê de pir ewledar jî ava bike. Dema ku em serîlêdana IoT bi modela TinyML re hevûdu dikin, qadek nû bi navê H-IoT an Tenduristiya Tiştên Înternetê çêdibe, û serîlêdanên sereke yên H-IoT teşhîs, şopandin, lojîstîk, kontrolkirina belavbûnê, û pergalên alîkar in. Ger em dixwazin amûrên ku karibin tenduristiya nexweşek ji dûr ve tespît û analîz bikin pêş bixin, pêdivî ye ku em pergalek ku xwedan gihîştinek gerdûnî, û derengiyek kêm e pêş bixe. 

Wesayîtên Xweser

Di dawiyê de, TinyML dikare di pîşesaziya wesayîtên xweser de serîlêdanên berfireh hebe ji ber ku ev wesayît dikarin bi awayên cihêreng di nav de şopandina mirovan, mebestên leşkerî, û xwedan sepanên pîşesaziyê de werin bikar anîn. Van wesayitan pêdivîyek bingehîn heye ku dema ku tişt tê lêgerîn kirin karibin tiştan bi bandor nas bikin. 

Heya nuha, wesayîtên xweser û ajotina xweser karekî pir tevlihev e nemaze dema ku wesayîtên piçûk an piçûk têne pêşve xistin. Pêşveçûnên dawîn potansiyela çêtirkirina sepana ajotina xweser a ji bo wesayîtên mînî bi karanîna mîmariya CNN-ê, û bicîhkirina modelê li ser GAP8 MCI-ê destnîşan kir. 

zehmetiyên

TinyML di pîşesaziya AI & ML de têgehek nûtir e, û tevî pêşkeftinê, ew hîn jî ne ew qas bandorker e ku em jê re hewce dikin ji bo belavkirina girseyî ji bo cîhazên edge & IoT. 

Pirsgirêka herî mezin a ku niha bi cîhazên TinyML re rû bi rû maye, xerckirina hêza van cîhazan e. Bi îdeal, cîhazên pêvekirî & IoT tê çaverê kirin ku xwedî jiyanek bateriyê ya ku ji 10 salan dirêj dibe. Mînakî, di rewşek îdeal de, amûrek IoT ku li ser pîlê 2Ah dixebite tê texmîn kirin ku ji 10 salan zêdetir jiyana bateriyê hebe ji ber ku mezaxtina hêza cîhazê bi qasî 12 ye. uyek. Lêbelê, di rewşa diyarkirî de, mîmariya IoT bi senzorek germahiyê, yekîneyek MCU, û modulek WiFi, xerckirina heyî bi qasî 176.4 mA radiweste, û bi vê xerckirina hêzê re, dê li şûna wê batarya tenê bi qasî 11 demjimêran bidome. ji 10 salên jiyana bateriyê ya pêwîst. 

Astengiyên Çavkaniyê

Ji bo domandina hevgirtina algorîtmayek, girîng e ku meriv hebûna hêzê biparêze, û ji ber senaryoya heyî, hebûna hêza tixûbdar a cîhazên TinyML pirsgirêkek krîtîk e. Wekî din, tixûbên bîranînê di heman demê de dijwariyek girîng in ji ber ku bicîhkirina modelan bi gelemperî hewcedariyek mezin a bîranînê heye ku bi bandor, û rast bixebite. 

Astengiyên Hardware

Astengiyên hardware ji ber heterojeniya cîhazên hardware bicîhkirina algorîtmayên TinyML li ser astek berfireh dijwar dike. Bi hezaran cîhaz hene, ku her yek xwedan taybetmendî û daxwazên hardware-ya xwe ye, û di encamê de, algorîtmayek TinyML niha ji bo her cîhazek kesane pêdivî ye ku were guheztin, ku ev yek belavkirina girseyî dike pirsgirêkek sereke. 

Astengiyên Set Data

Yek ji pirsgirêkên sereke yên modelên TinyML ev e ku ew daneyên daneyên heyî piştgirî nakin. Ew ji bo hemî cîhazên devê dijwariyek e ji ber ku ew daneyan bi karanîna senzorên derveyî berhev dikin, û van amûran bi gelemperî xwedan astengiyên hêz û enerjiyê ne. Ji ber vê yekê, berhevokên daneyên heyî nikarin werin bikar anîn da ku modelên TinyML bi bandor perwerde bikin. 

Thoughts Final

Pêşkeftina teknîkên ML-ê di ekosîstema IoT de bûye sedema şoreşek û guhertinek di perspektîfê de. Yekbûna modelên ML-ê di cîhazên IoT de dê bihêle ku van cîhazên derûdorê bi tena serê xwe biryarên biaqil bidin bêyî ti têgînek mirovî ya derveyî. Lêbelê, bi kevneşopî, modelên ML-ê bi gelemperî xwedan hêz, bîranîn û hewcedariyên hesabkirinê ne ku wan yek dike ku ji bo ku li ser cîhazên devê ku bi gelemperî çavkaniyê têne sînordar kirin werin bicîh kirin. 

Wekî encamek, şaxek nû di AI-ê de ji bo karanîna ML-ê ji bo cîhazên IoT hate veqetandin, û ew wekî TinyML hate binav kirin. TinyML çarçoveyek ML-yê ye ku destûrê dide cîhazên sînorkirî yên çavkaniyê jî ku hêza AI & ML-ê bikar bînin da ku rastbûn, hişmendî û karbidestiya bilindtir peyda bikin. 

Di vê gotarê de, me li ser pêkanîna modelên TinyML-ê li ser cîhazên IoT-a-çavkaniyê sînordar axifî, û ev pêkanîn hewce dike ku modelan perwerde bike, modelan li ser hardware bicîh bike, û teknîkên quantîzasyonê pêk bîne. Lêbelê, ji ber çarçoweya heyî, modelên ML yên amade ne ku li ser IoT û cîhazên devê werin bicîh kirin xwedan çend tevlihevî, û astengî ne, di nav de hardware, û pirsgirêkên lihevhatina çarçoveyê.