Giderek daha yetenekli ve daha küçük teknoloji cihazları isteyen insanların devam eden bir eğilimi var. Bu arzular, TinyML adı verilen bir yapay zeka (AI) segmentinde ilerlemeyi teşvik etti. İşte gelecekteki olasılıkları nasıl geliştirebileceğine bir bakış.
TinyML Nedir?
Verileri doğrudan bir cihazda işlemenin, bilgiyi buluta göndermeye kıyasla işleri hızlandırdığı zaten yaygın olarak biliniyor. TinyML, makine öğrenimi modellerini optimize etmeye odaklanır, böylece uç nokta cihazlarındaki mikro denetleyiciler bunları çalıştırabilir.
Bu mikrodenetleyicilerden bazıları sadece bir pirinç tanesi büyüklüğündedir. Bir diğer önemli nokta ise sadece miliwatt güç tüketmeleridir. Bu parçalar, televizyonlardan televizyonlara kadar çeşitli ürünlere yardımcı olmak için hayati önem taşır tıbbi cihazlar işletmek. Dolayısıyla mikrodenetleyicilerin kullanımı yeni bir fikir değil.
Ancak, insanlar bu gömülü sistemler için makine öğrenimi modelleri geliştirmeye yeni yeni başladı. Bu eğilim, TinyML'ye doğru hareketi yarattı.
TinyML'yi Kullanmak Neden Mantıklı?
Mikrodenetleyicilerde makine öğrenimi modellerini çalıştırmanın başlıca avantajlarından bazıları nelerdir? Yeni başlayanlar için TinyML, işlem bulut yerine cihazda yerel olarak gerçekleştiğinden bunların internetten bağımsız olarak kullanılmasına izin verir.
TinyML ayrıca geliştirme maliyetini de düşürür çünkü donanım fiyatları geleneksel makine öğrenimi projelerinde kullanılanlardan önemli ölçüde daha ucuzdur. İndirimli peşin fiyatlar, önemli yatırımlar yapmadan ilk elden deneyim elde etmek isteyen insanları etkileyebilir. Örneğin, TinyML eğitiminde kullanılan birincil donanım bir ses tanıma modeli için yaklaşık 30 $ maliyeti.
TinyML donanımıyla ilişkili daha küçük form faktörü, pil ömrü ve güç kullanımıyla ilgili avantajlar da sağlar. Örneğin, bozuk para tipi bir pil çalıştırmak için yeterli enerji sunar Bir yıl boyunca sürekli olarak bir TinyML görüntü tanıma modeli.
Son olarak, cihaz üzerinde işleme, genel güvenliği ve gizliliği artırır. Örneğin, bir analist TinyML kullanmanın olanaklarını gündeme getirdi. bir kişinin kan şekeri seviyelerini takip edin veya verileri Google veya Apple gibi bir üçüncü taraf sağlayıcıya yüklemeden uyuyan bir bebeğin bilincinin açık kalmasını sağlayın. Sağlık izleyicileri zaten popüler, ancak bazı insanlar bilgilerini dev bir teknoloji şirketine emanet etme konusunda endişeleniyor.
TinyML, Makine Öğrenimini Daha Erişilebilir Hale Getiriyor
TinyML'nin oyunun kurallarını değiştiren yönlerinden biri, endüstrilerdeki işletmeler için giderek daha önemli hale gelen güçlü makine öğrenimi modellerini çalıştırmak için gerekli araçlara erişimi artırmasıdır.
API şirketi DataMotion'ın CEO'su Bob Janacek, bir röportajda açıkladı daha fazla müşterinin günlük iş operasyonlarında makine öğrenimi ve ilgili teknolojileri kullanmakla ilgilenmesi:
Janacek, "Müşterilerimizin ihtiyaçlarına sürekli olarak hizmet etmek zorundayız" dedi. “Müşterilerimiz, müşterileri için güvenlik ve uyumluluk, kullanım kolaylığı ve üstün deneyimler üzerinde duruyor. Ayrıca makine öğrenimi, yapay zeka ve doğal dil işlemeye de bakıyorlar.”
TinyML bir seçenek olarak ortaya çıkmadan önce, makine öğrenimi çözümleri geliştiren kişilerin genellikle sınırlamaları aşması gerekiyordu. Bulutta veri göndermek ve işlemek zaman alır ve bir akıllı cihazın pilini yılda birkaç kez değiştirmek gerekebilir.
Araştırma TinyML'nin Potansiyelini Aydınlatıyor
İnsanlar, TinyML'nin daha fazla geliştiriciyi bunu uygun bir seçenek olarak görmeye teşvik ederek en iyi makine öğrenimi uygulamalarını değiştirmesini beklemelidir. Bulutu kullanmak için araştırmalar da devam ediyor sıkıştırmak için TinyML ile mevcut makine öğrenimi modelleri. Bunu yapmak, sensörler üzerinde çalışması için fırsatlar yaratır. Başka bir araştırma alanı, muazzam miktarda ham verinin neden olduğu ağ bant genişliği sorunlarını çözmek için TinyML'yi kullanmayı içerir.
Akıllı algoritmalar, verilerin kalite seviyesini iyileştirebilir ve yedeklemelere neden olan önceki sorunları azaltabilir. Makine öğrenimi daha popüler hale geldikçe, insanlar bunun bilgideki kalıpları bulmalarına yardımcı olabileceğini giderek daha fazla fark etti. İstatistikler tahmin ediyor 10.95 milyar dolara ulaşan tahmine dayalı analitik pazarı 2022'un sonuna kadar.
TinyML, potansiyel sorunları ortaya çıkmadan önce belirlemeye yardımcı olmanın yanı sıra, araştırmacıların en iyi sonuçları vermek için en iyi faktör kombinasyonunu belirlemelerine yardımcı olabilir. Örneğin, sadece alabilir Yeni ilaçları test etmek için 12 ay bilim adamları hayvanlar yerine donanım ve TinyML kullanıyorsa.
TinyML için yeni kıyaslama testlerinin oluşturulması, bu alandaki araştırma ve geliştirmeyi de genişletmelidir. MLPerf Küçük Çıkarım test paketi gücü ölçer tüketim ve performans. Milisaniye cinsinden ölçümler gecikmeyi değerlendirirken, mikro Jules dört makine öğrenimi deneyi sırasında güç tüketimini kontrol eder. Her ikisi için de düşük ölçümler almak idealdir.
Makine Öğrenimi İçin Heyecanlı Bir Gelecek
Bu örneklerin gösterdiği gibi, TinyML makine öğrenimini ilerletmeye yardımcı olacak ve insanlara daha önce imkansız olduğu düşünülen şekillerde onu nasıl kullanabileceklerini gösterecek. Daha küçük ama güçlü teknolojik aletlere yönelik artan bir istek var. Mikrodenetleyiciler ve TinyML algoritmaları içeriyorlarsa, bu tür projeler, zorlamadan ziyade gerçekçidir.
Coinsmart. Europa İçindeki En İyi Bitcoin-Börse
Kaynak: https://dataconomy.com/2021/06/tinyml-machine-learning-best-practices/
