Сочетание ИИ и Интернета вещей приведет нас к новой жизни и окружающей среде.

Давайте проанализируем наши собственные тела. Мы, люди, начинаем иметь шесть чувств, таких как осязание, обоняние, зрение, слух, вкус и шестое чувство. Я не уверен, что некоторые исследователи говорят, что шестое чувство связано с ощущением тела в пространстве. Наше человеческое тело полностью связано с нервами всякий раз, когда вы прикасаетесь к чему-либо или пробуете на вкус что-либо, вы почувствуете или почувствуете что-то об этом действии, которое вы совершили.

Как вы можете классифицировать смысл, хорошо это или плохо?

Сигналы от частей тела будут передаваться в наш мозг с результатами исследований, средний нейрон посылает сигнал на скорости 180 километров в час, это не предел или максимальная скорость, скорость может быть увеличена до 432 километров в час, это природа какая-то люди будут думать быстрее, чем другие, как только сигнал достигнет мозга, он вычислит сигнал, после чего он даст нам некоторые результаты для этого действия. Вычислительная мощность мозга превосходит понимание его непредсказуемости.

Митио Каку, американский физик-теоретик, сказал, что «Самый сложный объект во Вселенной — это мозг, он потребляет всего 20 ватт энергии. Потребуется атомная электростанция, чтобы питать компьютер размером с городской квартал, чтобы имитировать наш мозг, а ваш мозг делает это всего за 20 ватт». Но недавнее объявление от tesla AI day о Dojo Илон Маск написал в Твиттере, что «это квинтиллион (10¹⁸) операций с плавающей запятой в секунду — достаточно для имитации человеческого мозга».

Давайте сравним ИИ и Интернет вещей с нашим Человеческим телом:

  1. Датчики в IoT — это наша сенсорная способность.
  2. Нейронная сеть в ИИ — это наш мозг, у него есть возможности для принятия решений.

Но есть много проблем с вычислительной мощностью, размером устройства и источником питания устройства. Посмотрим, как мы собираемся преодолеть эти трудности

TinyML

TinyML — это область исследований в области машинного обучения и встраиваемых систем, в которой изучаются типы моделей, которые можно запускать на небольших устройствах с низким энергопотреблением, таких как микроконтроллеры. Это обеспечивает вывод модели с малой задержкой, низким энергопотреблением и низкой пропускной способностью на граничных устройствах. В то время как стандартный потребительский ЦП потребляет от 65 до 85 Вт, а стандартный потребительский графический процессор потребляет от 200 до 500 Вт, типичный микроконтроллер потребляет мощность порядка милливатт или микроватт. Это примерно в тысячу раз меньше энергопотребления. Это низкое энергопотребление позволяет устройствам TinyML работать без подключения к сети в течение недель, месяцев, а в некоторых случаях даже лет, при этом приложения машинного обучения работают на периферии.

Поскольку размер моделей ML увеличивается, сложно выполнять вычисления в устройствах tinyML, таких как Arduino.

Как работает крошечный мл

  • Развертывается только вывод обученной модели (что требует меньше ресурсов), а не обучение модели (что требует больше ресурсов).
  • Нейронные сети, лежащие в основе моделей tinyML, обрезаются путем удаления некоторых соединений и нейронов.
  • Квантование используется для уменьшения объема памяти, необходимой для хранения числовых значений, например путем преобразования чисел с плавающей запятой (каждое по 4 байта) в 8-битные целые числа (по 1 байту).
  • Знаниядистилляция используется, чтобы помочь определить и сохранить только самые важные функции модели.

Несмотря на то, что эти шаги имеют некоторые компромиссы в точности модели, мы можем уменьшить вычисления, задержку, а также энергопотребление.

Некоторые из приложений TinyML, которые мы используем в нашей обычной жизни, — это Alexa, Ok Google, Siri, Smart Homesнекоторые из примеров. Многие стартапы по всему миру интенсивно работают над этой технологией.

Спасибо за прочтение! Я надеюсь, что эта статья была полезной.

Ваши комментарии и аплодисменты мотивируют меня на создание большего количества материала. Я ценю тебя! 😊