TinyML: Применения, Ограничения и Его Использование в IoT и Устройствах Edge

В последние годы искусственный интеллект (ИИ) и машинное обучение (МО) пережили стремительный рост популярности и применения, не только в промышленности, но и в академии. Однако современные модели ИИ и МО имеют одно основное ограничение: они требуют огромного количества вычислительной и обработочной мощности для достижения желаемых результатов и точности. Это часто ограничивает их использование высокомощными устройствами с существенной вычислительной мощностью.

Но учитывая достижения в технологии встроенных систем и существенное развитие в отрасли Интернета вещей, желательно включить использование методов и концепций МО в ограниченную по ресурсам встроенную систему для повсеместного интеллекта. Желание использовать концепции МО в встроенных и IoT-системах является основным мотивирующим фактором разработки TinyML, встроенной методики МО, которая позволяет моделям и приложениям МО на нескольких ограниченных по ресурсам, ограниченных по мощности и дешевых устройствах.

Однако реализация МО на устройствах с ограниченной мощностью не была простой, поскольку реализация моделей МО на устройствах с низкой вычислительной мощностью представляет свои собственные проблемы в плане оптимизации, емкости обработки, надежности, обслуживания моделей и многого другого.

В этой статье мы будем глубже изучать модель TinyML и узнать больше о ее фоне, инструментах, поддерживающих TinyML, и применении TinyML с использованием передовых технологий. Итак, начнем.

Введение в TinyML: Почему Миру Нужен TinyML

Устройства Интернета вещей или IoT-устройства стремятся использовать边евую вычислительную технику, вычислительный парадигма, который относится к ряду устройств и сетей near пользователя для обеспечения бесшовной и реального обработки данных от миллионов сенсоров и устройств, подключенных друг к другу. Одним из основных преимуществ IoT-устройств является то, что они требуют низкой вычислительной и обработочной мощности, поскольку они развертываются на сетевом краю и, следовательно, имеют низкий объем памяти.

Более того, IoT-устройства сильно полагаются на краевые платформы для сбора и передачи данных, поскольку эти краевые устройства собирают сенсорные данные и затем передают их либо в ближайшее место, либо на облачные платформы для обработки. Краевая вычислительная техника хранит и выполняет вычисления на данных и также обеспечивает необходимую инфраструктуру для поддержки распределенных вычислений.

Реализация краевой вычислительной техники в IoT-устройствах обеспечивает

1. Эффективную безопасность, конфиденциальность и надежность для конечных пользователей.
2. Низкую задержку.
3. Более высокую доступность и пропускную способность ответа на приложения и услуги.

Более того, поскольку краевые устройства могут развертывать совместную технику между сенсорами и облаком, обработка данных может проводиться на сетевом краю вместо того, чтобы проводиться на облачной платформе. Это может привести к эффективному управлению данными, сохранению данных, эффективной доставке и кэшированию контента. Кроме того, для реализации IoT в приложениях, связанных с взаимодействием человека и машины и современным здравоохранением, краевая вычислительная техника обеспечивает способ улучшения сетевых услуг значительно.

Недавние исследования в области краевой вычислительной техники IoT продемонстрировали потенциал реализации методов МО в нескольких случаях использования IoT. Однако основной проблемой является то, что традиционные модели МО часто требуют сильной вычислительной и обработочной мощности и высокой емкости памяти, что ограничивает реализацию моделей МО в IoT-устройствах и приложениях.

Более того, краевая вычислительная техника в настоящее время не имеет высокой передачи данных и эффективной экономии энергии, что приводит к гетерогенным системам, что является основной причиной необходимости гармоничной и целостной инфраструктуры, прежде всего для обновления, обучения и развертывания моделей МО. Архитектура, разработанная для встроенных устройств, представляет другую проблему, поскольку эти архитектуры зависят от аппаратных и программных требований, которые варьируются от устройства к устройству. Это основная причина, почему сложно построить стандартную архитектуру МО для IoT-сетей.

Также в текущей ситуации данные, генерируемые различными устройствами, отправляются на облачные платформы для обработки из-за вычислительно-интенсивной природы сетевых реализаций. Более того, модели МО часто зависят от глубокого обучения, глубоких нейронных сетей, специализированных интегральных схем (ASIC) и графических процессоров (GPU) для обработки данных и часто имеют более высокие требования к энергии и памяти. Развертывание полноценных моделей МО на IoT-устройствах не является жизнеспособным решением из-за очевидного отсутствия вычислительной и обработочной мощности и ограниченных решений хранения.

Спрос на миниатюризацию низкомощных встроенных устройств, в сочетании с оптимизацией моделей МО для того, чтобы сделать их более энергетически и памяти-эффективными, проложил путь для TinyML, целью которого является реализация моделей и методов МО на краевых IoT-устройствах и фреймворках. TinyML обеспечивает обработку сигналов на IoT-устройствах и обеспечивает встроенный интеллект, тем самым устраняя необходимость передачи данных на облачные платформы для обработки. Успешная реализация TinyML на IoT-устройствах может в конечном итоге привести к увеличению конфиденциальности и эффективности, а также к снижению эксплуатационных затрат. Кроме того, то, что делает TinyML еще более привлекательным, заключается в том, что в случае недостаточной связности он может обеспечить аналитику на месте.

TinyML: Введение и Обзор

TinyML – это инструмент машинного обучения, который имеет возможность выполнять аналитику на устройстве для различных сенсорных модальностей, таких как аудио, зрение и речь. Модели МО, построенные на инструменте TinyML, имеют низкие требования к энергии, памяти и вычислительной мощности, что делает их подходящими для встроенных сетей и устройств, которые работают от батарейной мощности. Кроме того, низкие требования TinyML делают его идеальным вариантом для развертывания моделей МО на фреймворке IoT.

В текущей ситуации облачные системы МО сталкиваются с рядом трудностей, включая проблемы безопасности и конфиденциальности, высокое энергопотребление, надежность и задержку, что является причиной того, что модели на аппаратно-программных платформах предварительно установлены. Сенсоры собирают данные, которые имитируют физический мир, и затем обрабатываются с помощью ЦП или МПУ (микропроцессорной единицы). МПУ удовлетворяет потребностям поддержки аналитики МО, обеспечиваемой краевой сетью и архитектурой. Краевая архитектура МО общается с облачной платформой МО для передачи данных и реализации TinyML может привести к значительному прогрессу в технологии.

Было бы безопасно сказать, что TinyML – это сочетание программного обеспечения, аппаратуры и алгоритмов, которые работают в гармонии друг с другом для обеспечения желаемой производительности. Аналоговая или память-ориентированная обработка может быть необходима для обеспечения лучшего и более эффективного обучения для аппаратуры и IoT-устройств, которые не поддерживают аппаратные ускорители. Что касается программного обеспечения, приложения, построенные с использованием TinyML, могут быть развернуты и реализованы на платформах, таких как Linux или встроенный Linux, и на облачных программах. Наконец, приложения и системы, построенные на алгоритме TinyML, должны иметь поддержку новых алгоритмов, которые требуют моделей с низким размером памяти для избежания высокого потребления памяти.

Чтобы суммировать все, приложения, построенные с помощью инструмента TinyML, должны оптимизировать принципы и методы МО, а также компактно проектировать программное обеспечение, в присутствии высококачественных данных. Эти данные затем должны быть переданы через двоичные файлы, которые генерируются с помощью моделей, обученных на машинах с гораздо большей емкостью и вычислительной мощностью.

Кроме того, системы и приложения, работающие на инструменте TinyML, должны обеспечивать высокую точность при работе в более жестких ограничениях, поскольку компактное программное обеспечение необходимо для низкого энергопотребления, которое поддерживает последствия TinyML. Более того, приложения или модули TinyML могут зависеть от батарейной мощности для поддержки их работы на краевых встроенных системах.

С учетом этого, приложения TinyML имеют два основных требования

1. Способность масштабировать миллиарды дешевых встроенных систем.
2. Хранение кода на устройстве RAM с емкостью менее нескольких КБ.

Применения TinyML с Использованием Передовых Технологий

Одной из основных причин, почему TinyML является горячей темой в отрасли ИИ и МО, является его потенциальные применения, включая зрение- и речь-ориентированные приложения, диагностику здоровья, сжатие и классификацию данных, интерфейс мозг-компьютер, краевую вычислительную технику, феномику, самоходные автомобили и многое другое.

Речь-Ориентированные Приложения

Речевые Связи

Обычно речь-ориентированные приложения полагаются на традиционные методы связи, при которых все данные важны и передаются. Однако в последние годы семантическая связь появилась как альтернатива традиционной связи, поскольку в семантической связи передается только смысл или контекст данных. Семантическая связь может быть реализована в речь-ориентированных приложениях с использованием методов TinyML.

Некоторые из наиболее популярных приложений в отрасли речевых связей сегодня включают обнаружение речи, распознавание речи, онлайн-обучение, онлайн-обучение и целевую связь. Эти приложения обычно имеют высокое энергопотребление и также имеют высокие требования к данным на устройстве-хозяине. Чтобы преодолеть эти требования, была представлена новая библиотека TinySpeech, которая позволяет разработчикам строить архитектуру с низкими вычислительными затратами, которая использует глубокие свёрточные сети для построения объекта с низким хранилищем.

Чтобы использовать TinyML для улучшения речи, разработчики сначала рассмотрели размер модели улучшения речи, поскольку он подвергался аппаратным ограничениям и ограничениям. Чтобы решить эту проблему, были развернуты структурированная обрезка и целочисленная квантование для модели улучшения речи РНН или рекуррентной нейронной сети. Результаты показали, что размер модели был уменьшен примерно на 12 раз, а операции были уменьшены примерно на 3 раза. Кроме того, важно, чтобы ресурсы были использованы эффективно, особенно при развертывании на приложениях с ограниченными ресурсами, которые выполняют приложения распознавания голоса.

В результате для разделения процесса был предложен метод совместного проектирования для приложений распознавания голоса и речи на основе TinyML. Разработчики использовали операцию оконного вычисления для разделения программного и аппаратного обеспечения таким образом, чтобы предварительно обработать сырые голосовые данные. Метод показал свою эффективность, поскольку результаты показали снижение энергопотребления на аппаратуре. Наконец, есть также потенциал для реализации оптимизированного разделения между программным и аппаратным совместным проектированием для лучшей производительности в ближайшем будущем.

Более того, недавние исследования предложили использование телефонного датчика для систем распознавания речи, и предложение направлено на замену предсказателей LSTM на слой Conv1D для снижения вычислительных потребностей на краевых устройствах. Когда это было реализовано, предложение вернуло положительные результаты, поскольку СВД или сингулярное разложение значений успешно сжало модель, а использование WFST или взвешенных конечных автоматов на основе декодирования привело к большей гибкости в улучшении модели.

Многие известные приложения распознавания речи, такие как виртуальные или голосовые помощники, живая субтитрация и голосовые команды, используют методы МО для работы. Популярные голосовые помощники, такие как Siri и Google Assistant, опрашивают облачную платформу каждый раз, когда они получают какие-либо данные, и это создает значительные проблемы, связанные с конфиденциальностью и безопасностью данных. TinyML является жизнеспособным решением этой проблемы, поскольку он направлен на выполнение распознавания речи на устройствах и устраняет необходимость передачи данных на облачные платформы. Одним из способов достижения распознавания речи на устройстве является использование Tiny Transducer, модели распознавания речи, которая использует слой DFSMN или глубокий фидфорвард-секвентный блок памяти, соединенный с одним слоем Conv1D вместо слоев LSTM для снижения вычислительных потребностей и сетевых параметров.

Слуховые Помощники

Потеря слуха является серьезной проблемой со здоровьем во всем мире, и способность человека слышать звуки обычно ослабевает с возрастом, и это серьезная проблема в странах, сталкивающихся с проблемой старения населения, включая Китай, Японию и Южную Корею. Слуховые устройства в настоящее время работают на простом принципе усиления всех входных звуков из окружающей среды, что делает трудным для человека различать или различать желаемый звук, особенно в шумной среде.

TinyML может быть жизнеспособным решением этой проблемы, поскольку использование модели TinyLSTM, которая использует алгоритм распознавания речи для слуховых устройств, может помочь пользователям различать разные звуки.

Зрение-Ориентированные Приложения

TinyML имеет потенциал сыграть решающую роль в обработке компьютерного зрения на основе наборов данных, поскольку для более быстрых выходных данных эти наборы данных необходимо обрабатывать на краевой платформе. Чтобы достичь этого, модель TinyML сталкивается с практическими проблемами при обучении модели с помощью микроконтроллера OpenMV H7. Разработчики также предложили архитектуру для обнаружения американского жестового языка с помощью микроконтроллера ARM Cortex M7, который работает только с 496 КБ фрейм-буфера RAM.

Реализация TinyML для зрение-ориентированных приложений на краевых платформах требовала от разработчиков преодолеть основную проблему свёрточных нейронных сетей (CNN) с высокой общей ошибкой и высокой точностью обучения и тестирования. Однако реализация не обобщалась эффективно на изображениях в новых случаях использования, а также на фонах с шумом. Когда разработчики использовали метод интерполяционной аугментации, модель вернула оценку точности более 98% на тестовых данных и около 75% в общей оценке.

Более того, было обнаружено, что когда разработчики использовали метод интерполяционной аугментации, произошло снижение точности модели во время квантования, но в то же время произошло увеличение скорости вывода модели и классификации. Разработчики также предложили метод для дальнейшего повышения точности обобщения модели при обучении на данных, полученных из различных источников, и тестировании производительности для изучения возможности развертывания на краевых платформах, таких как портативные умные часы.

Дополнительные исследования на CNN показали, что возможно развертывать и достигать желаемых результатов с архитектурой CNN на устройствах с ограниченными ресурсами. Недавно разработчики смогли разработать фреймворк для обнаружения медицинских масок на микроконтроллере ARM Cortex M7 с ограниченными ресурсами с помощью TensorFlow Lite и минимальными следами памяти. Размер модели после квантования составил около 138 КБ, а скорость вывода на целевой плате составила около 30 кадров в секунду.

Другим применением TinyML для зрение-ориентированных приложений является реализация устройства распознавания жестов, которое может быть прикреплено к трости для помощи людям с нарушением зрения в навигации по их повседневной жизни. Чтобы спроектировать его, разработчики использовали набор данных жестов и использовали набор данных для обучения модели ProtoNN с алгоритмом классификации. Результаты, полученные из настройки, были точными, дизайн был низкозатратным, и он доставил удовлетворительные результаты.

Другим значительным применением TinyML является отрасль самоходных и автономных транспортных средств из-за отсутствия ресурсов и вычислительной мощности на борту. Чтобы решить эту проблему, разработчики представили метод закрытой петли обучения, построенный на модели TinyCNN, который предложил онлайн-предсказательную модель, которая захватывает изображение в режиме реального времени. Основной проблемой, с которой столкнулись разработчики при реализации TinyML для автономного вождения, заключалась в том, что модель принятия решений, обученная для работы с офлайн-данными, может не работать так же хорошо, когда имеет дело с онлайн-данными. Чтобы полностью максимизировать применение автономных автомобилей и самоходных автомобилей, модель должна идеально адаптироваться к реальным данным.

Классификация и Сжатие Шаблонов Данных

Одной из самых больших проблем текущего фреймворка TinyML является адаптация его к онлайн-обучению. Чтобы решить эту проблему, разработчики предложили метод, известный как TinyOL или онлайн-обучение TinyML, для обучения с помощью инкрементального онлайн-обучения на микроконтроллерах, что позволяет модели обновляться на краевых IoT-устройствах. Реализация была достигнута с помощью языка программирования C++ и добавления дополнительного слоя к архитектуре TinyOL.

Более того, разработчики также выполнили автокодирование платы Arduino Nano 33 BLE и обучили модель, которая смогла классифицировать новые шаблоны данных. Кроме того, работа по разработке включала проектирование эффективных и более оптимизированных алгоритмов для нейронных сетей для поддержки обучения устройств онлайн.

Исследования в TinyOL и TinyML показали, что количество активационных слоев было серьезной проблемой для IoT-устройств с ограниченными ресурсами. Чтобы решить эту проблему, разработчики представили новую модель TinyTL или передачу обучения TinyML для более эффективного использования памяти на IoT-устройствах и избежания использования промежуточных слоев для целей активации. Кроме того, разработчики также представили новый модуль смещения, известный как “модуль лайт-резидуума”, для максимизации возможностей адаптации и, таким образом, позволяющий извлекателям функций обнаруживать карты функций остатка.

Когда сравнили с тонкой настройкой полной сети, результаты были в пользу архитектуры TinyTL, поскольку результаты показали, что TinyTL снижает потребление памяти примерно на 6,5 раза с умеренной потерей точности. Когда последний слой был отточён, TinyML улучшила точность на 34% с умеренной потерей точности.

Более того, исследования по сжатию данных показали, что алгоритмы сжатия данных должны управлять собранными данными на портативном устройстве, и для достижения этого разработчики предложили TAC или крошечный компрессор аномалий. TAC смог превзойти SDT или алгоритм тенденции двери-качели и DCT или дискретное косинусное преобразование. Кроме того, алгоритм TAC превзошел оба алгоритма SDT и DCT, достигнув максимальной скорости сжатия более 98% и имея лучшее соотношение пик-сигнал-шум среди трех алгоритмов.

Диагностика Здоровья

Пандемия COVID-19 открыла новые возможности для реализации TinyML, поскольку теперь важно непрерывно обнаруживать респираторные симптомы, связанные с кашлем и простудой. Чтобы обеспечить непрерывный мониторинг, разработчики предложили модель CNN Tiny RespNet, которая работает в многомодальном режиме, и модель развернута на FPGA Xilinx Artix-7 100t, которая позволяет устройству обрабатывать информацию параллельно, имеет высокую эффективность и низкое энергопотребление. Кроме того, модель TinyResp также принимает речь пациентов, аудиозаписи и демографическую информацию в качестве входных данных для классификации и кашлевых симптомов пациента, классифицируемых с помощью трех различимых наборов данных.

Более того, разработчики также предложили модель, способную выполнять глубокие вычисления обучения на краевых устройствах, модель TinyML, известную как TinyDL. Модель TinyDL может быть развернута на краевых устройствах, таких как умные часы и носимые устройства, для диагностики здоровья и также способна выполнять анализ производительности для снижения пропускной способности, задержки и энергопотребления. Чтобы обеспечить развертывание TinyDL на ручных устройствах, была разработана и обучена модель LSTM, и ей были переданы собранные данные в качестве входных данных. Модель имеет оценку точности около 75-80%, и она смогла работать с данными вне устройства.

Наконец, разработчики также предложили другое применение для мониторинга здоровья пожилых людей, оценивая и анализируя их позы тела. Модель использует агностическую структуру на устройстве, которая позволяет модели обеспечить проверку и быстрое воспитание для выполнения адаптаций. Модель реализовала алгоритмы обнаружения позы тела, соединенные с лицевыми ориентациями для обнаружения пространственно-временных поз тела в реальном времени.

Краевая Вычислительная Техника

Одним из основных применений TinyML является отрасль краевой вычислительной техники, поскольку с увеличением использования IoT-устройств для подключения устройств по всему миру, важно устанавливать краевые устройства, что поможет снизить нагрузку на облачные архитектуры. Эти краевые устройства будут иметь отдельные центры данных, которые позволят им выполнять высокоуровневые вычисления на самом устройстве, а не полагаться на облачную архитектуру.

В результате это поможет снизить зависимость от облака, снизить задержку, повысить безопасность и конфиденциальность пользователей, а также снизить пропускную способность. Краевые устройства, использующие алгоритмы TinyML, помогут решить текущие ограничения, связанные с энергопотреблением, вычислениями и требованиями к памяти, и это обсуждается на изображении ниже.

Более того, TinyML также может повысить использование и применение беспилотных летательных аппаратов (БЛА) или беспилотников, решая текущие ограничения, с которыми сталкиваются эти машины. Использование TinyML может позволить разработчикам реализовать энергоэффективное устройство с низкой задержкой и высокой вычислительной мощностью, которое может служить контроллером для этих БЛА.

Интерфейс Мозг-Компьютер или БКИ

TinyML имеет значительные применения в отрасли здравоохранения и может быть очень полезным в различных областях, включая обнаружение рака и опухолей, прогнозирование здоровья с помощью сигналов ЭКГ и ЭЭГ и эмоциональный интеллект. Использование TinyML может позволить адаптивной глубокой стимуляции мозга (аDBS) адаптироваться к клиническим адаптациям. Использование TinyML также может позволить аDBS обнаруживать биомаркеры, связанные с болезнью, и их симптомы, используя инвазивные записи сигналов мозга.

Более того, отрасль здравоохранения часто включает сбор большого количества данных пациента, и эти данные затем необходимо обработать, чтобы достичь конкретных решений для лечения пациента на ранних стадиях заболевания. В результате важно построить систему, которая не только очень эффективна, но и очень безопасна. Когда мы объединяем приложения IoT с моделью TinyML, рождается новая область, называемая Healthcare IoT (H-IoT), и основные применения H-IoT включают диагностику, мониторинг, логистику, контроль распространения и вспомогательные системы. Если мы хотим разработать устройства, способные обнаруживать и анализировать здоровье пациента удаленно, важно разработать систему, которая имеет глобальную доступность и низкую задержку.

Автономные Транспортные Средства

Наконец, TinyML может иметь широкие применения в отрасли автономных транспортных средств, поскольку эти транспортные средства могут быть использованы различными способами, включая отслеживание человека, военные цели и промышленные применения. Эти транспортные средства имеют основное требование – быть в состоянии эффективно обнаруживать объекты, когда объект ищется.

На данный момент автономные транспортные средства и автономное вождение являются довольно сложной задачей, особенно при разработке мини- или небольших транспортных средств. Недавние разработки показали потенциал для улучшения применения автономного вождения для мини-транспортных средств с помощью архитектуры CNN и развертывания модели на GAP8 MCI.

Проблемы

TinyML – это относительно новая концепция в отрасли ИИ и МО, и, несмотря на прогресс, она еще не так эффективна, как нам нужно для массового развертывания на краевых и IoT-устройствах.

Самой большой проблемой, с которой сталкиваются устройства TinyML, является энергопотребление этих устройств. Идеально, встроенные краевые и IoT-устройства должны иметь срок службы батареи, который превышает 10 лет. Например, в идеальных условиях IoT-устройство, работающее от батареи емкостью 2 Ач, должно иметь срок службы батареи более 10 лет, учитывая, что энергопотребление устройства составляет около 12 мкА. Однако в данном состоянии IoT-архитектура с датчиком температуры, блоком МКУ и модулем Wi-Fi имеет энергопотребление около 176,4 мА, и с таким энергопотреблением батарея будет работать только около 11 часов, вместо требуемых 10 лет срока службы батареи.

Ограничения Ресурсов

Чтобы сохранить последовательность алгоритма, важно поддерживать доступность энергии, и, учитывая текущую ситуацию, ограниченная доступность энергии для устройств TinyML является критической проблемой. Кроме того, ограничения памяти также являются значительной проблемой, поскольку развертывание моделей часто требует большого количества памяти для эффективной и точной работы.

Ограничения Аппаратуры

Ограничения аппаратуры делают развертывание алгоритмов TinyML на широком масштабе трудным из-за гетерогенности аппаратных устройств. Существует тысячи устройств, каждое со своими аппаратными спецификациями и требованиями, и, следовательно, алгоритм TinyML в настоящее время должен быть скорректирован для каждого отдельного устройства, что делает массовое развертывание серьезной проблемой.

Ограничения Набора Данных

Одной из основных проблем моделей TinyML является то, что они не поддерживают существующие наборы данных. Это проблема для всех краевых устройств, поскольку они собирают данные с помощью внешних сенсоров, и эти устройства часто имеют ограничения энергии и мощности. Следовательно, существующие наборы данных не могут быть использованы для эффективного обучения моделей TinyML.

Заключительные Мысли

Развитие методов МО вызвало революцию и сдвиг перспективы в экосистеме IoT. Интеграция моделей МО в IoT-устройства позволит этим краевым устройствам принимать интеллектуальные решения самостоятельно без внешнего человеческого вмешательства. Однако традиционно модели МО часто имеют высокие требования к энергии, памяти и вычислительной мощности, что делает их непригодными для развертывания на краевых устройствах, которые часто ограничены по ресурсам.

В результате была посвящена новая ветвь ИИ использованию МО для IoT-устройств, и она была названа TinyML. TinyML – это фреймворк МО, который позволяет даже устройствам с ограниченными ресурсами использовать силу ИИ и МО для обеспечения более высокой точности, интеллекта и эффективности.

В этой статье мы говорили об реализации моделей TinyML на ресурсо-ограниченных IoT-устройствах, и эта реализация требует обучения моделей, развертывания моделей на аппаратуре и выполнения методов квантования. Однако, учитывая текущий объем, модели МО, готовые к развертыванию на IoT- и краевых устройствах, имеют несколько сложностей и ограничений, включая проблемы совместимости аппаратуры и фреймворка.