TinyML — есть большая вероятность, что вы используете его прямо сейчас
Будущее уже наступило, и похоже, что этот метод машинного обучения, также известный как TinyML, обитает в быстрорастущей области, развиваясь для ускорения анализа данных, где пропускная способность, использование энергии или время имеют особое значение. TinyML использует алгоритмы, занимающие минимум места для работы на маломощном оборудовании или в системах с ограниченными ресурсами.
Машинное обучение (ML), как объясняет Эмили Шоу из ATI в нашем предыдущем блоге AI везде, Идея о том, что машина может действовать более эффективно, формируя свои собственные алгоритмы на основе информации, которую она постоянно получать, а не строить с набором заранее запрограммированных ожиданий. Tiny Machine Learning стремится решить две распространенные проблемы машинного обучения — стоимость и энергоэффективность. Это достигается за счет обеспечения производительности анализа данных на маломощном оборудовании с низкой вычислительной мощностью и небольшим объемом памяти, чему способствует программное обеспечение, созданное специально для вывода небольшого размера, что представляет собой процесс запуска модели машинного обучения в производство.
Делать больше с меньшими затратами
Нам нужно углубиться в встроенный системный уровень, чтобы сослаться на ранее упомянутые системы с ограниченными ресурсами и понять необходимость делать больше с меньше (меньше ссылаться на методы с ограниченными ресурсами на системном уровне). упомянутый ранее).
Давайте поговорим об устройствах IoT (Интернет вещей). Устройства IoT — это устройства, которые подключаются к более крупному устройству, подключенному к Интернету. Они собирают данные и отправляют их обратно на централизованный сервер, где происходит машинное обучение. Примеры включают датчики всех типов, носимые трекеры активности, камеры, микрофоны и передатчики RFID. Встроенные системы таких устройств обязательно крошечные, что делает использование TinyML крайне важным, если мы заинтересованы в том, чтобы сделать эти устройства интеллектуальными на встроенном уровне.
Технология TinyML, которая набрала значительный оборот за последние пару лет и, согласно прогнозам, в следующие пять лет достигнет экономической стоимости более 70 миллиардов долларов США, способствует значительному росту внедрения машинного обучения. Обход ограничений ресурсов, которые ранее ограничивали развертывание машинного обучения, фактически позволяет машинному обучению делать больше.
«Машинное обучение, выполняемое исключительно в облаке, может быть дорогостоящим с точки зрения заряда батареи устройства, пропускной способности сети и времени на передачу данных в центр обработки данных», — объясняет Стив Родди, вице-президент по маркетингу продуктов Arm’s Machine Learning Group. «Все эти затраты могут ограничить широкое распространение машинного обучения. TinyML позволяет выполнять машинное обучение глобально, поскольку вывод машинного обучения может выполняться на устройстве, на котором генерируются данные».
Что готовит будущее
Уже в 2022 году мы увидим, как TinyML будет использоваться для бытовой техники, автомобилей, промышленного оборудования, такого как удаленные ветряные турбины, сельскохозяйственная техника, здравоохранение, консервация и военные устройства, среди прочего.
TinyML уже помогает защищать слонов в Индии, и многие другие страны изучают возможности спасения их жизни в дикой природе с помощью этой технологии. Исследователи из Политехнического университета Каталонии нашли способ использовать TinyML для уменьшения фатальных столкновений со слонами на железнодорожной линии Силигури-Джалпайгури. TinyML также помогает сохранять китов в водах вокруг Ванкувера и Сиэтла, где они часто застревают на оживленных судоходных путях. Датчики и встроенное машинное обучение осуществляют непрерывный мониторинг в режиме реального времени, чтобы предупредить суда о ближайших китах.
TinyML для многих также означает возвращение власти небольшим компаниям и отдельным разработчикам. «Вместо больших парней, владеющих всем, парень, который управляет фермой, или парень, который управляет супермаркетом, или парень, который управляет фабрикой, — они делают это локально», — сказал Евгений Гусев, председатель правления TinyML. Основатель и старший технический директор Qualcomm. «Любой, у кого нет опыта работы с данными, специальной математической подготовки или специального программирования, может разрабатывать свои собственные вещи».
TinyML прошел долгий путь и не собирается останавливаться. Положительное влияние, которое он будет продолжать оказывать на системы с ограниченными ресурсами, просто невероятно. Благодаря низкой стоимости, низкой задержке, небольшому энергопотреблению и минимальным требованиям к подключению TinyML обеспечивает решение многих реальных проблем.
Для получения дополнительной информации о TinyML я предоставил несколько интересных ссылок.
Даже если вы не слышали об этом, есть большая вероятность, что вы использовали TinyML или, по крайней мере, получили прямую выгоду от его использования в устройствах, которые делают вашу жизнь проще, безопаснее и в целом более высокого качества. Посетите наши последние идеи, чтобы получить представление о TinyML и многом другом.
