TinyML: การใช้งาน การจำกัด และการใช้งานบนอุปกรณ์ IoT และ Edge Devices

ในช่วงไม่กี่ปีที่ผ่านมา Artificial Intelligence (AI) และ Machine Learning (ML) ได้เติบโตอย่างรวดเร็วในด้านความนิยมและการใช้งาน ไม่ใช่แค่ในอุตสาหกรรม แต่ยังรวมถึงในด้านวิชาการด้วย อย่างไรก็ตาม โมเดล AI และ ML ในปัจจุบันมีข้อจำกัดหลักคือต้องการพลังการประมวลผลและความจุในการคำนวณที่มากเพื่อให้ได้ผลลัพธ์ที่ต้องการและความแม่นยำ ซึ่งบ่อยครั้งจะจำกัดการใช้งานบนอุปกรณ์ที่มีพลังการประมวลผลสูง

แต่ด้วยความก้าวหน้าในด้านเทคโนโลยีระบบฝังตัวและพัฒนาการที่สำคัญในอุตสาหกรรมอินเทอร์เน็ตของสรรพสิ่ง (IoT) จึงมีความต้องการที่จะรวมการนำเทคนิค ML และแนวคิดเข้าไปในระบบฝังตัวที่มีข้อจำกัดด้านทรัพยากรเพื่อความฉลาดที่ทั่วถึง ความต้องการในการใช้แนวคิด ML บนอุปกรณ์ฝังตัวและ IoT คือปัจจัยหลักที่ขับเคลื่อนการพัฒนา TinyML ซึ่งเป็นเทคนิค ML ฝังตัวที่ช่วยให้สามารถนำโมเดลและแอปพลิเคชัน ML ไปใช้บนอุปกรณ์ที่มีข้อจำกัดด้านทรัพยากรหลายๆ ชิ้น

อย่างไรก็ตาม การนำ ML ไปใช้บนอุปกรณ์ที่มีข้อจำกัดด้านทรัพยากรไม่ใช่เรื่องที่ง่าย เนื่องจากการนำโมเดล ML ไปใช้บนอุปกรณ์ที่มีพลังการประมวลผลต่ำนั้นเป็นเรื่องที่ท้าทายในด้านการปรับให้เหมาะสม ความจุในการประมวลผล ความน่าเชื่อถือ การบำรุงรักษาโมเดล และอื่นๆ อีกมากมาย

ในบทความนี้ เราจะมาดูเกี่ยวกับโมเดล TinyML ลึกๆ และเรียนรู้เพิ่มเติมเกี่ยวกับพื้นหลัง เครื่องมือที่รองรับ TinyML และการนำ TinyML ไปใช้โดยใช้เทคโนโลยีขั้นสูง ดังนั้น มาเริ่มต้นกันเลย

การแนะนำ TinyML: ทำไมโลกต้องการ TinyML

อุปกรณ์ IoT มีเป้าหมายที่จะใช้การประมวลผลแบบ Edge ซึ่งเป็นรูปแบบการประมวลผลที่เกิดขึ้นใกล้กับผู้ใช้เพื่อให้สามารถประมวลผลข้อมูลจากเซ็นเซอร์และอุปกรณ์ต่างๆ ได้อย่างรวดเร็วและทันที อุปกรณ์ IoT มีข้อดีหลักคือต้องการพลังการประมวลผลและความจุในการคำนวณที่ต่ำ เนื่องจากสามารถใช้งานได้ที่ขอบของเครือข่ายและมีขนาดความจุในการประมวลผลที่น้อย

นอกจากนี้ อุปกรณ์ IoT ยังพึ่งพาแพลตฟอร์ม Edge เพื่อรวบรวมและถ่ายทอดข้อมูล เนื่องจากอุปกรณ์เหล่านี้รวบรวมข้อมูลจากเซ็นเซอร์และส่งไปยังที่ต่างๆ เช่น คลาวด์สำหรับการประมวลผล เทคโนโลยีการประมวลผลแบบ Edge จัดเก็บและประมวลผลข้อมูล และให้โครงสร้างพื้นฐานที่จำเป็นสำหรับการประมวลผลแบบกระจาย

การนำการประมวลผลแบบ Edge ไปใช้กับอุปกรณ์ IoT มีผลดีหลายประการ

1. ความปลอดภัย ส่วนตัว และความน่าเชื่อถือที่มีประสิทธิภาพสำหรับผู้ใช้สิ้นเปลือง
2. ความล่าช้าที่ลดลง
3. ความพร้อมใช้งานและความสามารถในการตอบสนองที่สูงขึ้นสำหรับแอปพลิเคชันและบริการ

นอกจากนี้ เนื่องจากอุปกรณ์ Edge สามารถใช้เทคนิคการทำงานร่วมกันระหว่างเซ็นเซอร์และคลาวด์ การประมวลผลข้อมูลสามารถทำได้ที่ขอบของเครือข่ายแทนการทำที่คลาวด์ ซึ่งสามารถนำไปสู่การบริหารจัดการข้อมูลที่มีประสิทธิภาพ การคงอยู่ของข้อมูล การส่งมอบข้อมูล และการแคชข้อมูลที่ดีขึ้น

การวิจัยล่าสุดในด้านการประมวลผลแบบ Edge ของ IoT ได้แสดงให้เห็นถึงศักยภาพในการนำเทคนิค ML ไปใช้ในกรณีการใช้งาน IoT ต่างๆ อย่างไรก็ตาม ปัญหาหลักคือโมเดล ML แบบดั้งเดิมต้องการพลังการประมวลผลและความจุในการคำนวณที่สูง ซึ่งจำกัดการนำโมเดล ML ไปใช้กับอุปกรณ์ IoT และแอปพลิเคชัน

นอกจากนี้ เทคโนโลยีการประมวลผลแบบ Edge ในปัจจุบันยังขาดความสามารถในการถ่ายทอดข้อมูลที่มีประสิทธิภาพและประหยัดพลังงาน ซึ่งนำไปสู่ระบบที่ไม่สอดคล้องกัน ซึ่งเป็นเหตุผลหลักที่ต้องการโครงสร้างพื้นฐานที่สอดคล้องกันและทั่วถึงสำหรับการอัปเดต การฝึกอบรม และการนำโมเดล ML ไปใช้

การออกแบบโครงสร้างสำหรับอุปกรณ์ฝังตัวยังเป็นเรื่องที่ท้าทาย เนื่องจากโครงสร้างเหล่านี้ขึ้นอยู่กับข้อกำหนดด้านฮาร์ดแวร์และซอฟต์แวร์ที่แตกต่างกันไปสำหรับอุปกรณ์แต่ละชนิด ซึ่งเป็นเหตุผลหลักที่ทำให้ยากที่จะสร้างโครงสร้าง ML ที่มาตรฐานสำหรับเครือข่าย IoT

นอกจากนี้ ในสถานการณ์ปัจจุบัน ข้อมูลที่สร้างโดยอุปกรณ์ต่างๆ จะถูกส่งไปยังคลาวด์สำหรับการประมวลผล เนื่องจากการนำไปใช้ของการประมวลผลแบบเครือข่ายต้องการพลังการประมวลผลที่สูง โมเดล ML บ่อยครั้งพึ่งพา Deep Learning, Deep Neural Networks, Application Specific Integrated Circuits (ASICs) และ Graphic Processing Units (GPUs) สำหรับการประมวลผลข้อมูล และมักต้องการพลังงานและความจุในการคำนวณที่สูง

การนำโมเดล ML ที่สมบูรณ์ไปใช้กับอุปกรณ์ IoT ไม่ใช่วิธีแก้ปัญหาที่เหมาะสม เนื่องจากขาดพลังการประมวลผลและความจุในการคำนวณ และการนำ TinyML ไปใช้ซึ่งมีเป้าหมายที่จะนำโมเดล ML และการปฏิบัติไปใช้กับอุปกรณ์ Edge และ IoT จึงเป็นทางออกที่ดี

TinyML: การแนะนำและการทบทวน

TinyML เป็นเครื่องมือ ML ที่สามารถทำการวิเคราะห์บนอุปกรณ์สำหรับโหมดการรับรู้ต่างๆ เช่น เสียง ภาพ และสัญญาณ โมเดล ML ที่สร้างขึ้นโดยใช้เครื่องมือ TinyML มีข้อกำหนดด้านพลังงาน ความจุ และการประมวลผลที่ต่ำ ทำให้เหมาะสำหรับเครือข่ายฝังตัวและอุปกรณ์ที่ทำงานด้วยแบตเตอรี่

ในสถานการณ์ปัจจุบัน ระบบ ML บนคลาวด์เผชิญกับปัญหาหลายประการ รวมถึงความกังวลเรื่องความปลอดภัยและส่วนตัว การบริโภคพลังงานสูง ปัญหาเรื่องความน่าเชื่อถือ และปัญหาเรื่องความล่าช้า ซึ่งเป็นเหตุผลที่โมเดลบนแพลตฟอร์มฮาร์ดแวร์และซอฟต์แวร์ถูกติดตั้งล่วงหน้า

เซ็นเซอร์รวบรวมข้อมูลที่จำลองโลกแห่งความเป็นจริง และประมวลผลโดยใช้ CPU หรือ MPU (Microprocessing unit) MPU จัดหาสิ่งที่จำเป็นสำหรับการสนับสนุนการวิเคราะห์ ML ที่ได้รับการสนับสนุนจากเครือข่าย ML ที่ตระหนักถึง Edge

สามารถกล่าวได้ว่า TinyML เป็นการผสมผสานระหว่างซอฟต์แวร์ ฮาร์ดแวร์ และอัลกอริทึมที่ทำงานร่วมกันเพื่อให้ได้ผลลัพธ์ที่ต้องการ ในด้านซอฟต์แวร์ แอปพลิเคชันที่สร้างขึ้นโดยใช้ TinyML สามารถนำไปใช้และติดตั้งบนแพลตฟอร์ม เช่น Linux หรือ Embedded Linux และบนซอฟต์แวร์ที่รองรับคลาวด์

เพื่อสรุปสิ่งต่างๆ แอปพลิเคชันที่สร้างขึ้นโดยใช้เครื่องมือ TinyML ต้องปรับให้เหมาะสมกับหลักการและวิธีการ ML พร้อมกับการออกแบบซอฟต์แวร์ที่กะทัดรัดในความพร้อมของข้อมูลที่มีคุณภาพสูง

นอกจากนี้ ระบบและแอปพลิเคชันที่ทำงานบนเครื่องมือ TinyML ต้องให้ความแม่นยำสูงเมื่อทำงานภายใต้ข้อจำกัดที่เข้มงวด เนื่องจากซอฟต์แวร์ที่กะทัดรัดจำเป็นต้องมีการบริโภคพลังงานที่ต่ำซึ่งรองรับผลกระทบของ TinyML

ด้วยเหตุนี้ แอปพลิเคชัน TinyML จึงมีข้อกำหนดพื้นฐานสองประการ

1. ความสามารถในการปรับขนาดไปสู่ระบบฝังตัวที่มีราคาไม่แพงหลายพันล้านชิ้น
2. การเก็บโค้ดบน RAM ของอุปกรณ์ที่มีขนาดความจุไม่เกินหลาย KB

การนำ TinyML ไปใช้โดยใช้เทคโนโลยีขั้นสูง

หนึ่งในเหตุผลหลักที่ทำให้ TinyML เป็นหัวข้อที่น่าสนใจในอุตสาหกรรม AI และ ML คือศักยภาพในการนำไปใช้ รวมถึงการนำไปใช้ในการรับรู้ภาพและเสียง การวินิจฉัยสุขภาพ การจัดประเภทและบีบอัดรูปแบบข้อมูล การประมวลผลแบบ Edge อินเทอร์เฟซสมองและคอมพิวเตอร์ ยานพาหนะอัตโนมัติ และอื่นๆ

การนำไปใช้บนเสียง

การสื่อสารด้วยเสียง

โดยทั่วไป การนำไปใช้บนเสียงพึ่งพาวิธีการสื่อสารแบบดั้งเดิม ซึ่งข้อมูลทั้งหมดมีความสำคัญและถูกส่งทั้งหมด อย่างไรก็ตาม ในช่วงไม่กี่ปีที่ผ่านมา การสื่อสารแบบเซมานติกได้ปรากฏขึ้นเป็นทางเลือกแทนการสื่อสารแบบดั้งเดิม ในการสื่อสารแบบเซมานติก เพียงแค่ความหมายหรือบริบทของข้อมูลเท่านั้นที่ถูกส่งไป

บางส่วนของการนำไปใช้ที่ได้รับความนิยมมากที่สุดในอุตสาหกรรมการสื่อสารด้วยเสียงในปัจจุบันคือการตรวจจับเสียง การรู้จำเสียง การเรียนรู้ออนไลน์ การสอนออนไลน์ และการสื่อสารที่มีเป้าหมาย

เพื่อใช้ TinyML สำหรับการเพิ่มคุณภาพเสียง ผู้พัฒนาต้องแก้ไขปัญหาเรื่องขนาดของโมเดลการเพิ่มคุณภาพเสียงก่อน เนื่องจากมีข้อจำกัดด้านฮาร์ดแวร์และข้อจำกัดอื่นๆ

เพื่อแก้ปัญหา ผู้พัฒนาจึงนำการปรับขนาดแบบโครงสร้างและการปรับขนาดจำนวนเต็มมาใช้กับโมเดลการเพิ่มคุณภาพเสียงแบบ RNN (Recurrent Neural Networks)

นอกจากนี้ ผู้พัฒนายังได้เสนอวิธีการที่เรียกว่า Co-design สำหรับการรู้จำเสียงและพูดโดยใช้ TinyML โดยใช้การแบ่งหน้าต่างเพื่อแบ่งซอฟต์แวร์และฮาร์ดแวร์

ผลลัพธ์แสดงให้เห็นว่าสามารถลดการบริโภคพลังงานบนฮาร์ดแวร์ได้ และมีศักยภาพในการปรับแบ่งซอฟต์แวร์และฮาร์ดแวร์ให้ดีขึ้นในอนาคต

นอกจากนี้ การวิจัยล่าสุดได้เสนอการใช้ทรานส์ดิวเซอร์แบบโทรศัพท์มือถือสำหรับระบบการรู้จำเสียง และมีเป้าหมายที่จะแทนที่ตัวทำนาย LSTM ด้วยชั้น Conv1D เพื่อลดความต้องการการประมวลผลบนอุปกรณ์ Edge

การนำไปใช้การรู้จำเสียงหลายอย่าง เช่น ผู้ช่วยเสียง ảo การเขียนคำบรรยายสด และคำสั่งเสียง ใช้เทคนิค ML เพื่อทำงาน และปัจจุบันผู้ช่วยเสียง ảoที่ได้รับความนิยม เช่น Siri และ Google Assistant ต้องส่งข้อมูลไปยังคลาวด์ทุกครั้งที่ได้รับข้อมูล ซึ่งทำให้เกิดความกังวลเกี่ยวกับความเป็นส่วนตัวและความปลอดภัยของข้อมูล

เครื่องช่วยฟัง

การเสียการได้ยินเป็นปัญหาสุขภาพที่สำคัญทั่วโลก และความสามารถในการได้ยินของมนุษย์โดยทั่วไปจะลดลงเมื่ออายุเพิ่มขึ้น และเป็นปัญหาใหญ่ในประเทศที่มีประชากรสูงอายุ เช่น จีน ญี่ปุ่น และเกาหลีใต้

เครื่องช่วยฟังในปัจจุบันทำงานบนหลักการเพิ่มเสียงทั้งหมดจากสภาพแวดล้อม ทำให้คนพูดมีความยากที่จะแยกแยะระหว่างเสียงที่ต้องการฟัง โดยเฉพาะในสถานที่ที่มีเสียงดัง

การนำไปใช้บนภาพ

TinyML มีศักยภาพที่จะเล่นบทบาทสำคัญในการประมวลผลข้อมูลภาพ เนื่องจากข้อมูลเหล่านี้ต้องการการประมวลผลบน Edge เพื่อให้ได้ผลลัพธ์ที่รวดเร็ว

เพื่อให้บรรลุเป้าหมายนี้ ผู้พัฒนาต้องเผชิญกับความท้าทายในการฝึกโมเดลโดยใช้บอร์ดไมโครคอนโทรลเลอร์ OpenMV H7 และยังได้เสนอโครงสร้างสำหรับการตรวจจับภาษามืออเมริกันโดยใช้ไมโครคอนโทรลเลอร์ ARM Cortex M7 ที่ทำงานกับ RAM เพียง 496KB

การนำ TinyML ไปใช้กับการรับรู้ภาพบน Edge ต้องเผชิญกับความท้าทายในการฝึกโมเดล CNN ที่มีข้อผิดพลาดในการทั่วไปสูงและความแม่นยำในการฝึกและทดสอบสูง

นอกจากนี้ เมื่อใช้วิธีการบวกแบบอินเทอร์พอลเลชัน โมเดลได้ผลลัพธ์ความแม่นยำมากกว่า 98% บนข้อมูลทดสอบ และมากกว่า 75% ในการทั่วไป

และเมื่อใช้วิธีการบวกแบบอินเทอร์พอลเลชัน มีการลดความแม่นยำของโมเดลลงในช่วงการปรับขนาด แต่มีการเพิ่มความเร็วในการอนุมานและความสามารถในการทั่วไป

นอกจากนี้ ผู้พัฒนายังได้เสนอวิธีการเพื่อเพิ่มความแม่นยำของโมเดลในการทั่วไปโดยการฝึกโมเดลบนข้อมูลจากแหล่งต่างๆ และทดสอบประสิทธิภาพเพื่อสำรวจความเป็นไปได้ในการนำไปใช้บน Edge เช่น นาฬิกาสมาร์ทวอทช์ที่พกพาได้

และนอกจากนี้ การศึกษาบางอย่างเกี่ยวกับ CNN ได้แสดงให้เห็นว่าสามารถนำไปใช้ได้ด้วยโครงสร้าง CNN บนอุปกรณ์ที่มีทรัพยากรจำกัด

และผู้พัฒนายังสามารถสร้างเฟรมเวิร์กสำหรับการตรวจจับหน้ากากอนามัยบนไมโครคอนโทรลเลอร์ ARM Cortex M7 ที่มีทรัพยากรจำกัดโดยใช้ TensorFlow Lite ที่มีรอยเท้าความจุในการคำนวณที่น้อย

และอีกการนำไปใช้หนึ่งของ TinyML สำหรับการรับรู้ภาพคือการสร้างอุปกรณ์ตรวจจับジェสเชอร์ที่สามารถติดกับไม้เท้าเพื่อช่วยคนตาบอดในการเดินได้อย่างง่ายดาย

และอีกการนำไปใช้หนึ่งของ TinyML คือในอุตสาหกรรมยานพาหนะอัตโนมัติและรถยนต์ไร้คนขับ เนื่องจากการขาดทรัพยากรและพลังการประมวลผลบนบอร์ด

การจัดประเภทและบีบอัดรูปแบบข้อมูล

หนึ่งในความท้าทายที่ใหญ่ที่สุดของ TinyML ในปัจจุบันคือการทำให้สามารถปรับให้เหมาะสมกับการฝึกอบรมข้อมูลออนไลน์ได้

เพื่อแก้ปัญหา ผู้พัฒนาจึงเสนอวิธีการที่เรียกว่า TinyOL หรือ TinyML Online Learning เพื่อให้สามารถฝึกอบรมได้ด้วยการเรียนรู้แบบออนไลน์แบบเพิ่มขึ้นบนหน่วยควบคุมไมโคร

และนอกจากนี้ ผู้พัฒนายังได้ทำการเข้ารหัสอัตโนมัติของบอร์ด Arduino Nano 33 BLE และโมเดลที่ฝึกอบรมสามารถจัดประเภทรูปแบบข้อมูลใหม่ได้

และนอกจากนี้ การวิจัยใน TinyOL และ TinyML ได้แสดงให้เห็นว่าจำนวนชั้นการกระตุ้นเป็นปัญหาใหญ่สำหรับอุปกรณ์ Edge ที่มีทรัพยากรจำกัด

และนอกจากนี้ ผู้พัฒนายังได้เสนอโมเดลใหม่ที่เรียกว่า TinyTL หรือ Tiny Transfer Learning เพื่อให้สามารถใช้ความจุในการคำนวณบนอุปกรณ์ Edge ได้อย่างมีประสิทธิภาพมากขึ้น

และเมื่อเปรียบเทียบกับการปรับให้เหมาะสมของเครือข่ายทั้งหมด ผลลัพธ์แสดงให้เห็นว่า TinyTL สามารถลดความจุในการคำนวณลงได้ประมาณ 6.5 เท่า โดยมีการสูญเสียความแม่นยำที่เหมาะสม

และนอกจากนี้ การวิจัยเกี่ยวกับการบีบอัดข้อมูลได้แสดงให้เห็นว่าข้อมูลบีบอัดต้องจัดการข้อมูลที่รวบรวมบนอุปกรณ์พกพา

และนอกจากนี้ ผู้พัฒนายังได้เสนออัลกอริทึมที่เรียกว่า TAC หรือ Tiny Anomaly Compressor ซึ่งสามารถเอาชนะอัลกอริทึม SDT และ DCT ได้

การวินิจฉัยสุขภาพ

การระบาดของโควิด-19 ทั่วโลกได้เปิดโอกาสใหม่ๆ สำหรับการนำ TinyML ไปใช้ เนื่องจากเป็นแนวปฏิบัติที่จำเป็นต้องตรวจจับอาการทางเดินหายใจที่เกี่ยวข้องกับไอและจามอย่างต่อเนื่อง

และนอกจากนี้ ผู้พัฒนายังได้เสนอโมเดล CNN ที่เรียกว่า TinyRespNet ซึ่งทำงานบนการกำหนดค่าหลายแบบและถูกนำไปใช้บน FPGA Xilinx Artix-7 100t ซึ่งช่วยให้อุปกรณ์สามารถประมวลผลข้อมูลได้อย่างรวดเร็วและมีประสิทธิภาพสูง

และนอกจากนี้ ผู้พัฒนายังได้เสนอโมเดลที่สามารถทำงานการเรียนรู้ลึกบนอุปกรณ์ Edge เช่น สมาร์ทวอทช์และอุปกรณ์สวมใส่สำหรับการวินิจฉัยสุขภาพ

และนอกจากนี้ ผู้พัฒนายังได้เสนอการนำไปใช้เพื่อตรวจสอบสุขภาพของผู้สูงอายุโดยการประมาณและวิเคราะห์ท่าทางของร่างกาย

การประมวลผลแบบ Edge

หนึ่งในการนำ TinyML ไปใช้ที่สำคัญที่สุดคือในด้านการประมวลผลแบบ Edge เนื่องจากการเพิ่มขึ้นของการใช้อุปกรณ์ IoT เพื่อเชื่อมต่ออุปกรณ์ทั่วโลก จึงจำเป็นต้องตั้งค่าอุปกรณ์ Edge เพื่อช่วยลดภาระงานบนโครงสร้างคลาวด์

และนอกจากนี้ อุปกรณ์ Edge ที่ใช้ TinyML จะช่วยแก้ปัญหาเรื่องข้อจำกัดด้านพลังงาน การประมวลผล และความจุ และช่วยลดการ phụ thuộc vàoคลาวด์ ลดความล่าช้า เพิ่มความปลอดภัยและส่วนตัว และลดแบนด์วิธ

และนอกจากนี้ TinyML ยังสามารถเพิ่มการใช้งานและความสามารถของเครื่องบินไร้คนขับ (UAVs) โดยการแก้ปัญหาเรื่องข้อจำกัดด้านพลังงานและการประมวลผล

อินเทอร์เฟซสมองและคอมพิวเตอร์

TinyML มีศักยภาพที่จะช่วยในด้านสุขภาพ เช่น การตรวจจับและทำนายโรค มันสามารถช่วยให้การกระตุ้นสมองแบบปรับเปลี่ยนได้ (aDBS) ปรับให้เหมาะสมกับการปรับเปลี่ยนทางคลินิก

และนอกจากนี้ การใช้ TinyML สามารถช่วยให้ aDBS ตรวจจับเครื่องหมายทางชีวภาพที่เกี่ยวข้องกับโรคและอาการโดยใช้การบันทึกสัญญาณสมองแบบบุกรุก

ยานพาหนะอัตโนมัติ

และนอกจากนี้ TinyML ยังสามารถนำไปใช้ได้ในอุตสาหกรรมยานพาหนะอัตโนมัติ ซึ่งสามารถใช้ได้ในหลายวิธี เช่น การติดตามมนุษย์ การใช้ในกิจการทหาร และการนำไปใช้ในอุตสาหกรรม

และนอกจากนี้ ยานพาหนะอัตโนมัติและรถยนต์ไร้คนขับเป็นงานที่ซับซ้อน โดยเฉพาะอย่างยิ่งในการพัฒนายานพาหนะขนาดเล็ก

ความท้าทาย

TinyML เป็นแนวคิดที่ค่อนข้างใหม่ในอุตสาหกรรม AI และ ML และ尽管มีการพัฒนาแล้ว แต่ก็ยังไม่เหมาะสมสำหรับการใช้งานในวงกว้างบนอุปกรณ์ Edge และ IoT

ความท้าทายที่ใหญ่ที่สุดของ TinyML ในปัจจุบันคือการบริโภคพลังงานของอุปกรณ์ ซึ่งอุปกรณ์ฝังตัวและ IoT ควรจะมีอายุการใช้งานแบตเตอรี่ที่ยาวนานถึง 10 ปี

ข้อจำกัดด้านทรัพยากร

เพื่อรักษาความสอดคล้องของอัลกอริทึม จำเป็นต้องมีการจัดการพลังงานที่ดี และในสถานการณ์ปัจจุบัน การมีพลังงานที่จำกัดสำหรับอุปกรณ์ TinyML คือความท้าทายที่สำคัญ

ข้อจำกัดด้านฮาร์ดแวร์

ข้อจำกัดด้านฮาร์ดแวร์ทำให้การนำ TinyML ไปใช้บนอุปกรณ์หลายๆ ชิ้นเป็นเรื่องที่ยาก เนื่องจากมีอุปกรณ์หลายพันชิ้น แต่ละชิ้นมีข้อกำหนดฮาร์ดแวร์ที่แตกต่างกัน

ข้อจำกัดด้านชุดข้อมูล

หนึ่งในปัญหาใหญ่ของโมเดล TinyML คือไม่รองรับชุดข้อมูลที่มีอยู่ ซึ่งเป็นปัญหาใหญ่สำหรับอุปกรณ์ Edge ที่รวบรวมข้อมูลโดยใช้เซ็นเซอร์ภายนอกและอุปกรณ์เหล่านี้มีข้อจำกัดด้านพลังงานและพลังงาน

ความคิดสุดท้าย

การพัฒนาเทคนิค ML ได้ทำให้เกิดการปฏิวัติและเปลี่ยนแปลงมุมมองในระบบ IoT การรวมโมเดล ML เข้ากับอุปกรณ์ Edge จะช่วยให้อุปกรณ์เหล่านี้สามารถตัดสินใจได้ด้วยตนเองโดยไม่ต้องมีการแทรกแซงจากมนุษย์

และนอกจากนี้ ในบทความนี้ เราได้พูดถึงการนำโมเดล TinyML ไปใช้บนอุปกรณ์ IoT ที่มีข้อจำกัดด้านทรัพยากร และการนำไปใช้นี้ต้องมีการฝึกอบรมโมเดล การนำไปใช้บนฮาร์ดแวร์ และการทำการปรับขนาด

และนอกจากนี้ โมเดล ML ที่พร้อมสำหรับการนำไปใช้บนอุปกรณ์ IoT และ Edge ในปัจจุบันมีความซับซ้อนและข้อจำกัดหลายประการ รวมถึงปัญหาเรื่องฮาร์ดแวร์และความเข้ากันได้ของเฟรมเวิร์ก