До сих пор создание алгоритмов машинного обучения (ML) для оборудования означало сложные математические режимы, основанные на выборочных данных, известных как данные обучения, для прогнозирования или принятия решений без явного программирования для этого. И это так же сложно и дорого построить, как кажется. Кроме того, задачи, связанные с машинным обучением, традиционно переводились в облако; создавая задержку, потребляя ограниченную мощность и отдавая машины на откуп скорости соединения.
В совокупности эти ограничения сделали вычисления медленнее, дороже и менее предсказуемыми.
Tiny Machine Learning (TinyML) — это новейшая технология встроенного программного обеспечения, которая перемещает оборудование в почти волшебную сферу, где машины могут автоматически учиться и расти в процессе использования, как примитивный человеческий мозг.
Перед лицом вышеупомянутых проблем в технологии машинного обучения компании обращаются к TinyML как к последней тенденции в построении аналитики продуктов. Arduino, компания, наиболее известная своим оборудованием с открытым исходным кодом, делает TinyML доступным для миллионов разработчиков, и теперь вместе с Edge Impulse они превращают вездесущую плату Arduino в мощную встроенную платформу машинного обучения , такую как Arduino Nano 33 BLE Sense и другие. 32-битные платы.
Благодаря этому партнерству вы можете запускать мощные модели обучения, основанные на использовании искусственных нейронных сетей (ИНС), которые достигают и отбирают образцы крошечных датчиков вместе с маломощными микроконтроллерами.
За последний год были достигнуты большие успехи в уменьшении размеров, скорости и возможности запуска моделей глубокого обучения на встроенном оборудовании с помощью таких проектов, как TensorFlow Lite для микроконтроллеров, uTensor и Arm CMSIS-NN; но создание качественного набора данных, извлечение нужных функций, обучение и развертывание этих моделей все еще сложно.
TinyML был недостающим звеном между аппаратным обеспечением Edge и интеллектом устройств, которое теперь начинает реализовываться.
Крошечные устройства с не очень крошечным мозгом
Последствия доступности TinyML очень важны в современном мире. Например, типичное испытание разработки лекарственного препарата занимает около пяти лет, поскольку потенциально необходимо принять миллионы проектных решений на пути к одобрению FDA. Но использование возможностей TinyML и оборудования вместо экспериментальных животных для тестирования моделей может ускорить процесс и занимает всего 12 месяцев .
Другой пример этой технологии, меняющей правила игры, — то, что TinyML может прослушивать ульи и обнаруживать аномалии или проблемы, вызванные такими мелкими вещами, как осы. Крошечный датчик может вызвать предупреждение на основе звуковой модели, которая идентифицирует улей, подвергшийся атаке, что позволяет фермерам обезопасить улей и помочь ему в режиме реального времени.
Почему TinyML в реальном времени?
Огромная потребность в недорогих, легко развертываемых решениях для COVID-19 и других вирусов присутствует для всех нас, и раннее обнаружение симптомов может немедленно повлиять на миллионы жизней во всем мире. Используя TinyML и простую плату Arduino, вы можете обнаруживать необычный кашель и предупреждать о нем в качестве первого защитного механизма для сдерживания COVID-19.
Недавно Edge Impulse и Arduino опубликовали проект, который обладал мощностью и простотой запуска TinyML на Arduino Nano BLE Sense, который может обнаруживать определенные звуки кашля в аудио в реальном времени, включая набор данных образцов кашля и фонового шума. Высокооптимизированная модель TinyML была применена для создания системы обнаружения кашля, которая работает в менее 20 КБ ОЗУ на Nano BLE Sense. Первоначально проект и набор данных были начаты Картиком Такоре для помощи в борьбе с COVID-19 и были доступны в виде репозитория с открытым исходным кодом на Hackster.io.
Этот же подход применяется ко многим другим приложениям для сопоставления встроенного звука в таких областях, как уход за детьми, пожилыми людьми, безопасность и мониторинг машин.
Будущее с TinyML
Сегодня в мире насчитывается 250 миллиардов микроконтроллеров, которые ежегодно растут на 30 миллиардов. TinyML является одной из самых популярных технологий для выполнения анализа данных на устройстве для визуализации, звука, движения и многого другого. TinyML дает маленьким устройствам возможность принимать разумные решения без необходимости отправлять данные в облако. В отличие от обычных монстров машинного обучения, используемых специалистами по обработке данных, модели TinyML достаточно малы, чтобы вписаться в любую среду — одна из причин, по которым TinyML является идеальным вариантом.
Источник: Hackster.io
Доступность TinyML для разработчиков и инженеров программного обеспечения — еще один ключевой фактор, определяющий потенциал и популярность этой технологии. Разработчики программного обеспечения, которые хотят создавать встроенные системы с использованием машинного обучения, могут построить модель, выбрав свой iPhone в качестве периферийного устройства и используя его датчики для сбора данных.
Все, что вам нужно для создания вашей первой модели, — это войти на вкладку сбора данных в Edge Impulse Studio , выбрать свой телефон в качестве периферийного устройства, выбрать, например, датчик акселерометра, а затем нажать « Начать выборку» , перемещая телефон вверх и вниз. чтобы сгенерировать данные и увидеть их в виде графика. Это так просто.
Код TinyML для всего: машин, растений, людей и животных.
Алюминия и иконографии уже недостаточно для того, чтобы продукт был замечен на рынке. Сегодня отличные продукты должны быть полезными и доставлять почти волшебный опыт, что-то, что становится продолжением жизни.
В будущем миллиарды крошечных устройств будут действовать как продолжение нашего мозга , чувств и эмоций, как естественное продолжение повседневной жизни. Вот почему TinyML может повлиять на все отрасли: розничная торговля, здравоохранение, транспорт, велнес, сельское хозяйство, фитнес и производство.