Machine learning wordt door allerlei soorten organisaties gebruikt om grote datasets te verwerken en te analyseren. TinyML (Tiny Machine Learning) is een vorm van machine learning API die steeds populairder wordt vanwege zijn energiezuinige mogelijkheden. TinyML vestigt zich snel als een van de beste opties om vanaf beginnersniveau grip te krijgen op machine learning. 

Dit artikel geeft een overzicht van wat TinyML is, de use cases en waarom het steeds populairder wordt. 

Tiny Machine Learning (TinyML) is een geoptimaliseerde machine learning-techniek waarmee ML-modellen (software) kunnen worden uitgevoerd op ingebedde systemen die gebruikmaken van zeer energiezuinige microcontrollers.

Een embedded systeem is gemaakt van computerhardware en -software die is ontworpen voor een specifieke functie. Ze zijn slechts voor één doel ontwikkeld en daarom verschillen ze van typische computersystemen zoals laptops, pc's, tablets en smartphones. Een voorbeeld van een ingebed systeem is een elektronische rekenmachine of een geldautomaat. 

TinyML maakt machine learning mogelijk op microcontrollers en internet van dingen (IoT)-apparaten op een zeer geoptimaliseerde manier, wat betekent dat grote hoeveelheden gegevens kunnen worden gebruikt en geanalyseerd met zeer weinig stroom. 

Laten we nu eens kijken naar microcontrollers in meer detail.

Een overzicht van microcontrollers

Microcontrollers bestaan ​​uit de computerprocessor, RAM, ROM en Input/Output (I/O)-poorten van een ingebed systeem, de gebruikelijke hardwareconfiguratie waarmee het ingebedde systeem software kan verwerken. 

De belangrijkste voordelen van het gebruik van microcontrollers zijn:

• Laag vermogen – Microcontrollers zijn energiezuinige hardware, die slechts milliwatt en microwatt nodig heeft om te functioneren. Dit betekent dat microcontrollers zo'n duizend keer minder stroom verbruiken dan een regulier computersysteem. 
• Lage prijs – Microcontrollers zijn erg goedkoop, met alleen al in 28 meer dan 2020 miljard eenheden verzonden. 
• Multifunctioneel gebruik - Microcontrollers kunnen in alle apparaten, gadgets en apparaten worden gebruikt. 

Er zijn drie belangrijke voordelen van het gebruik van TinyML:

1. Gegevens kunnen worden verwerkt met een lage latentie – Omdat TinyML analyse op het apparaat mogelijk maakt zonder enige verbinding met een server, kunnen ingebedde systemen gegevens verwerken en uitvoer produceren met bijna geen vertraging (lage latentie). 
2. Geen connectiviteit vereist – Het apparaat heeft geen internetverbinding nodig om het TinyML-model te laten werken. 
3. Privacy van gegevens - Aangezien alle gegevens zich in het apparaat bevinden zonder connectiviteit, is het risico dat gegevens worden aangetast extreem laag. 

Er zijn enkele populaire machine learning-frameworks die TinyML ondersteunen.

•  Edge-impuls is een gratis machine learning-ontwikkelingsplatform voor edge-apparaten (de hardware die een toegangspunt tot een netwerk biedt). Een voorbeeld hiervan kan een router of routeringsschakelaar zijn. 
• TensorFlow Lite is een bibliotheek met hulpmiddelen waarmee ontwikkelaars machine learning op het apparaat kunnen inschakelen op embedded systemen, edge-apparaten en andere stand-alone apparaten. 
• PyTorch mobiel is een open-source machine learning-framework voor mobiele platforms en is compatibel met TinyML. 

Internet of Things (IoT)-netwerken winnen aan populariteit in verschillende sectoren. Als zodanig zijn er meer edge-apparaten nodig om stroombronnen en netwerkeindpunten te overbruggen.; TinyML levert deze vereisten kosteneffectief. 

Zoals besproken, werkt TinyML op energiezuinige microcontrollers die geen internetverbinding nodig hebben. Hierdoor kan het apparaat verwerken en realtime reageren op gegevens zonder noemenswaardige middelen te gebruiken.

TinyML-modellen kunnen worden gebruikt als alternatief voor een cloudomgeving, waardoor kosten worden verlaagd, minder stroom wordt verbruikt en meer gegevensprivacy wordt geboden. Alles wordt zonder latentie op het individuele apparaat verwerkt, wat zorgt voor indrukwekkende verbindings- en verwerkingssnelheden. 

TinyML wordt in 2022 steeds populairder en onderzoekers verwachten in de toekomst een verdere groei. Technologieonderzoek en strategische begeleidingsgroep ABI voorspelt dat 2.5 miljard apparaten met behulp van TinyML-systemen zal in 2030 worden verzonden. 

De voordelen van TinyML variëren van onmiddellijke analyse tot geen latentie, waardoor het een voor de hand liggende keuze is in een wereld die afhankelijk is van snelheid. Bovendien betekent de lokale verwerking van gegevens dat gevoelige informatie beter wordt beschermd tegen cybercriminelen in vergelijking met gecentraliseerde datacenters. 

Hoewel de voordelen en het potentieel van TinyML duidelijk zijn, zijn het niet zonder uitdagingen die voor problemen kunnen zorgen voor ontwikkelaars. 

• Beperkte geheugencapaciteit – Geïntegreerde systemen die TinyML gebruiken, zijn beperkt tot megabytes en soms kilobytes aan intern geheugen. Dit legt aanzienlijke beperkingen op aan hoe complex TinyML-modellen kunnen zijn, en daarom zijn er slechts een klein aantal frameworks dat kan worden gebruikt voor TinyML-ontwikkeling. 
• Problemen oplossen kan niet op afstand worden uitgevoerd – Aangezien TinyML-modellen alleen lokaal op het apparaat worden uitgevoerd, is het voor ontwikkelaars veel moeilijker om probleemoplossing uit te voeren om eventuele problemen vast te stellen en op te lossen. Dit is waar een cloudomgeving biedt een voordeel. 

TinyML kan effectief worden toegepast in veel verschillende industrieën, vrijwel alle sectoren die IoT-netwerken en -gegevens gebruiken. Hieronder staan ​​verschillende industrieën waar TinyML is gebruikt om operaties aan te sturen. 

Landbouw

TinyML-apparaten zijn gebruikt om real-time gewas- en veegegevens te monitoren en te verzamelen. Een toonaangevend voorbeeld hiervan is ontwikkeld door Imagimob, een edge-AI-productbedrijf uit Zweden. Imagimob heeft met 55 organisaties in de Europese Unie samengewerkt om te begrijpen hoe TinyML kosteneffectief vee- en gewasbeheer kan bieden. 

In een onderzoek werden twee tractoren uitgerust met Dialog IoT Kit (Bosch-sensor)-apparaten en Android-telefoons om gegevens te verzamelen. Deze gegevens werden in real-time geregistreerd door de bestuurder van de tractor of door de videostream van de smartphone te analyseren. 

Imagimob's AI-software was geïnstalleerd op de sensoren, batterijen en langeafstandsradioapparatuur om deze methode te verbeteren en de boer in staat te stellen gewassen te volgen met behulp van de versnellingsmeter en gyroscoopsensoren, waarbij bijna realtime gegevens via het netwerk worden verzonden. 

Retail

TinyML is door de detailhandel overgenomen om voorraden te bewaken en waarschuwingen te verzenden wanneer de voorraad bijna op is en opnieuw moet worden besteld.

Gezondheidszorg

TinyML kan ook worden gebruikt in real-time gezondheidsbewakingsapparatuur, waardoor patiënten verbeterde en meer gepersonaliseerde zorg krijgen. Hoortoestellen zijn bijvoorbeeld hardware op batterijen die een energiezuinige microcontroller gebruiken, wat betekent dat ze minimale middelen nodig hebben om effectief te functioneren. Met behulp van TinyML konden onderzoekers de latentie van deze apparaten verminderen zonder prestatieverlies. 

In de toekomst zou de implementatie van TinyML-apparaten zich kunnen verspreiden naar alle sectoren, waardoor bedrijven hun financiën beter kunnen beheren en facturen beter kunnen verwerken werken met klanten, gegevens verzamelen en analyseren, en meer. 

Productie

TinyML kan worden gebruikt vermogen voorspellend onderhoud hulpmiddelen om uitvaltijd en de extra kosten als gevolg van het uitvallen van apparatuur te minimaliseren. 

TinyML wordt steeds populairder in verschillende sectoren die gebruikmaken van Internet of Things (IoT)-apparaten. Dit komt omdat TinyML-modellen op microcontrollers kunnen draaien om specifieke functies te bieden terwijl ze heel weinig stroom verbruiken.

Ondanks dat het een energiezuinige oplossing is, kunnen TinyML-apparaten gegevens verwerken met een lage latentie en zonder dat er een internetverbinding nodig is. Dit gebrek aan netwerkverbinding helpt ook om verzamelde gegevens tegen hackers te beschermen. 

TinyML wordt al effectief gebruikt door de landbouw-, productie- en gezondheidszorgsector en de verwachting is dat de populariteit ervan verder zal groeien.

 
 
Nahla Davies is een softwareontwikkelaar en technisch schrijver. Voordat ze haar werk fulltime aan technisch schrijven wijdde, slaagde ze er onder meer in om als hoofdprogrammeur te dienen bij een Inc. 5,000 ervaringsgerichte merkorganisatie met klanten als Samsung, Time Warner, Netflix en Sony.