I
Có rất nhiều xu hướng mới nổi trong thế giới công nghệ và Machine Learning là một trong số đó. Học máy là một tập hợp con của Trí tuệ nhân tạo, trong đó máy tính học hỏi từ dữ liệu và phân tích các mẫu của nó để dự đoán kết quả. Thông thường, các mô hình Machine Learning được đào tạo trên các khối dữ liệu lớn để phân tích sau đó, trong đó các mô hình phức tạp này cần hàng giờ hoặc thậm chí hàng ngày để được xử lý trong các trung tâm đám mây. Tệp kết quả của các mô hình này cũng chứa một lượng dữ liệu tốt. Như chúng ta đã biết, dữ liệu liên tục chảy. Do đó, hầu hết các công ty đều muốn xây dựng các mô hình học máy lớn hơn, điều này đồng nghĩa với việc có nhiều dữ liệu hơn. Đây là nơi phát sinh vấn đề. Làm cách nào để chúng tôi triển khai các mô hình học máy trên các hệ thống nhúng nhỏ hơn như bộ vi điều khiển hoặc điện thoại di động, đồng hồ thông minh, v.v.?
Nguồn: Bapt
Câu trả lời cho điều này nằm ở một xu hướng mới nổi hầu như không được nhắc đến ở bất cứ đâu nhưng lại có sức mạnh thay đổi thế giới. Đây là một trong những công nghệ máy học phát triển nhanh nhất: Tiny ML. TinyML có nghĩa là Máy học được thực hiện trên các máy tính nhỏ. Toàn bộ điểm của Tiny ML là dành cho các thiết bị nhỏ hơn được hưởng lợi từ Machine Learning.
- Xác định mục tiêu và lợi ích chính của TinyML.
- Áp dụng khái niệm học máy nhúng trong
- Xác định các công cụ cơ bản cần thiết để thực hiện dự án TinyML của bạn.
Bài báo này đã được xuất bản như một phần của Blogathon Khoa học Dữ liệu.
Mục lục
- Nhu cầu về TinyML là gì?
- Các ứng dụng và giải pháp công nghiệp của TinyML
2.1 Ứng dụng công nghiệp
2.2 Ứng dụng nông nghiệp
2.3 Ứng dụng chăm sóc sức khỏe - Bắt đầu với TinyML
- Kết luận
Nhu cầu về TinyML là gì?
Mục tiêu chính của TinyML là đưa lĩnh vực Học máy vào miền của các hệ thống nhúng. Bộ vi điều khiển đóng một vai trò lớn trong việc làm cho nó có thể. Từ các thiết bị cơ bản như máy tính đến các sản phẩm cao cấp như chăm sóc sức khỏe, chúng được sử dụng ở mọi nơi trong cuộc sống hàng ngày của chúng ta.
Bộ vi điều khiển là các mạch tích hợp nhỏ, chi phí thấp được thiết kế để thực hiện các nhiệm vụ cụ thể của các hệ thống nhúng. Những lợi ích được cung cấp bởi các máy này là:
- Do kích thước nhỏ của các bộ vi điều khiển, chúng tiêu thụ ít năng lượng hơn và cũng khá đáng tin cậy nhờ bộ nhớ nâng cao của chúng.
- Với sự trợ giúp của vi điều khiển, chúng ta có thể thu được tính toán cạnh. Công nghệ này giúp thực hiện tính toán trực tiếp trên thiết bị thay vì gửi nó đến các trung tâm đám mây.
- Điện toán cạnh giúp xử lý dữ liệu nhanh và cho kết quả theo thời gian thực.
- Ưu điểm chính của điện toán cạnh là đạt được độ trễ thấp. Vì kết quả là ngay lập tức nên điều này có thể hữu ích trong các trường hợp yêu cầu độ trễ thấp. Ví dụ, ô tô tự lái xử lý dữ liệu mọi lúc để tránh tai nạn. Ở đây, độ trễ có thể đóng vai trò là sự khác biệt giữa sự sống và cái chết.
- Việc sử dụng mạng lưới thần kinh sâu và thuật toán học máy trên vi điều khiển còn được gọi là học máy nhúng.
- Trong máy học nhúng, quyền riêng tư được duy trì vì khi dữ liệu được xử lý trên hệ thống nhúng và không bao giờ được gửi đến máy chủ đám mây, quyền riêng tư của người dùng được bảo vệ với ít rủi ro hơn.
Các ứng dụng và giải pháp công nghiệp của TinyML
TinyML đã dẫn chúng tôi đến sự hợp tác của các hệ thống nhúng và thuật toán học máy. Sự hợp nhất này đã làm cho nhiều thiết bị và đồ gia dụng của chúng tôi thông minh hơn rất nhiều. Các thiết bị nhỏ hơn của chúng tôi có khả năng thực hiện các tác vụ mà trước đây chỉ có thể thực hiện được trên máy tính của chúng tôi. Ví dụ phổ biến nhất của TinyML là trợ lý ảo- Siri, Google Assistant hoặc Alexa. Kia là trợ lý ảo thực hiện các hướng dẫn được cung cấp cho họ cục bộ trên thiết bị với sự trợ giúp của mô hình học máy. Một số công dụng khác như sau:
Ứng dụng công nghiệp
TinyML có nhiều ứng dụng công nghiệp vì việc sử dụng các hệ thống nhúng hỗ trợ phát hiện lỗi trong máy theo thời gian thực. Điều này rất hữu ích trong việc dự đoán thời điểm cần bảo trì và việc phát hiện các lỗi trước giúp tiết kiệm hàng triệu đô la chi phí bảo trì.
Ping, một công ty khởi nghiệp của Úc, đã giới thiệu công nghệ máy học nhúng để theo dõi các tua-bin gió và cảnh báo au
Ứng dụng nông nghiệp
Ứng dụng nổi tiếng nhất của hệ thống nhúng trong nông nghiệp là TensorFlow Lite. Chúng ta sẽ nói nhiều hơn về công cụ này trong phần tiếp theo. Với sự giúp đỡ của TensorFlow Lite, nông dân có thể tải lên hình ảnh cây bị bệnh của họ và phát hiện các bệnh liên quan đến chúng. Điều này hoạt động ngay cả khi không có kết nối internet, mang lại lợi ích cho nông dân ở vùng sâu vùng xa vì nó bảo vệ lợi ích nông nghiệp của họ. Ngoài ra còn có một ứng dụng tên là Nuru của PlantVillage, một dự án mã nguồn mở do Đại học Penn State điều hành, cung cấp các dịch vụ tương tự.
Ứng dụng chăm sóc sức khỏe
Việc sử dụng TinyML trong lĩnh vực chăm sóc sức khỏe có thể dẫn đến những phát minh tuyệt vời giúp phát hiện sớm các bệnh cần được chú ý ngay lập tức. Một trong số đó là – Viêm phổi. Theo dữ liệu thế giới, 2.5 triệu người đã chết vì bệnh viêm phổi vào năm 2019 và gần XNUMX/XNUMX số nạn nhân là trẻ em dưới XNUMX tuổi. Cần chụp X-quang ngực, nồng độ oxy trong máu và Công thức máu toàn bộ (CBC) để phát hiện bệnh, việc này đôi khi tốn thời gian và không chính xác.
Arijit Das, một người đam mê tinyML 15 tuổi, đã tạo ra một mô hình tinyML bằng cách sử dụng nền tảng Edge Impulse, giúp phát hiện bệnh viêm phổi từ X-quang ngực trong vòng chưa đầy một phút. Thiết lập này thật đáng kinh ngạc, vì việc kiểm tra thủ công có thể mất từ 1 đến 4 ngày.
Một bác sĩ ở Trung Đông sử dụng các hệ thống nhúng để phát hiện các tổn thương lưỡi lành tính và tiền ác tính ở miệng bằng cách tự động hóa quy trình sàng lọc. Điều này làm cho việc điều trị nhanh hơn và dễ tiếp cận với nhiều bệnh nhân hơn.
Nhiều phát minh khác như MaRTiny – một giải pháp cho sự nóng lên toàn cầu. Công nghệ này cũng có các ứng dụng trong bán lẻ, ý thức giao thông, nhà máy, bảo tồn động vật hoang dã, v.v. Có rất nhiều điều trong TinyML để khám phá và học hỏi.
Bắt đầu với TinyML
Sau khi đọc về những điều kỳ diệu có thể xảy ra với TinyML, bạn có thể quan tâm đến việc bắt đầu với dự án của mình
- Trước tiên hãy thảo luận về các yêu cầu phần cứng. Có rất nhiều bo mạch khởi động tuyệt vời như Arduino Nano BLE Sense 33, SparkFun Edge Board và AdaFruit AI Board mà bạn chọn.
- Những bo mạch này mang lại những lợi ích như tiết kiệm chi phí, dễ lập trình, tiêu thụ ít điện năng hơn, v.v. Bạn cũng sẽ cần cáp Micro USB để kết nối bảng với máy tính để bàn của mình.
- Bước tiếp theo là tìm ra công cụ phần mềm nào sẽ tương thích với phần cứng. Công cụ được đề xuất nhiều nhất là TensorFlow Lite Micro và khung này có hỗ trợ ngôn ngữ đa dạng như python, C#, Java, v.v.
- TensorFlow Lite cung cấp cho người dùng các công cụ để kích hoạt tính năng học máy trên thiết bị trên các hệ thống nhúng. Nó được trang bị hỗ trợ nhiều nền tảng và hiệu suất cao.
- Bạn có thể thực hiện phát hiện đối tượng, phân loại hình ảnh, phân loại văn bản, v.v. với nó. Ngoài ra, với sự trợ giúp của TensorFlow Lite, bạn cũng có thể sử dụng Raspberry Pi, cung cấp một số tính năng bổ sung cho các ứng dụng của bạn thay vì chỉ gắn bó với các bộ vi điều khiển.
- Arduino là IDE phổ biến nhất cho máy học nhúng. Phần mềm này tương thích với nhiều bảng và TensorFlow Lite Micro cũng là một thư viện chính thức được tìm thấy trong trình quản lý thư viện.
Đây chỉ là những điều cơ bản và bạn có thể tìm hiểu sâu về chúng từ các khóa học khác nhau có sẵn trên internet.
Kết luận
TinyML có khả năng mang lại sự thay đổi trong những năm tới. Công ty tư vấn thị trường công nghệ toàn cầu ABI Research tin rằng thị trường TinyML sẽ tăng từ 15.2 triệu lô hàng vào năm 2020 lên 2.5 tỷ vào năm 2030. Thậm chí, theo phó giáo sư Vijay Reddi của Harvard, TinyML có tiềm năng trở nên lớn mạnh rất sớm.
Dưới đây là một số điểm chính từ bài viết này:
- Do chi phí thấp, mức tiêu thụ điện năng hạn chế và độ trễ thấp, Tiny ML có thể triển khai được trên nhiều thiết bị.
- Các ứng dụng của TinyML trải rộng từ các ngành công nghiệp đến chăm sóc sức khỏe và các nhà máy thông minh và có rất nhiều tiềm năng trong tương lai.
- Các nhà nghiên cứu cũng mô tả tương lai của TinyML là tươi sáng. Do phạm vi sử dụng rộng rãi của nó, nó cũng sẽ đóng góp về mặt kinh tế.
Phương tiện hiển thị trong bài viết này không thuộc sở hữu của Analytics Vidhya và được sử dụng theo quyết định riêng của Tác giả.
Sản phẩm liên quan
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- nguồn: https://www.analyticsvidhya.com/blog/2023/01/how-is-tinyml-used-for-embedding-smaller-systems/
