Đã có một xu hướng đang diễn ra là mọi người muốn các thiết bị công nghệ ngày càng có khả năng hoạt động tốt hơn và nhỏ hơn. Những mong muốn đó đã thúc đẩy sự tiến bộ trong một phân khúc trí tuệ nhân tạo (AI) có tên là TinyML. Đây là một cái nhìn về cách nó có thể tăng cường khả năng trong tương lai.
TinyML là gì?
Mọi người đều biết rằng việc xử lý dữ liệu trực tiếp trên thiết bị sẽ tăng tốc mọi thứ so với việc gửi thông tin lên đám mây. TinyML tập trung vào việc tối ưu hóa các mô hình máy học để các bộ vi điều khiển trên thiết bị đầu cuối có thể chạy chúng.
Một số bộ vi điều khiển này chỉ lớn bằng một hạt gạo. Một điểm quan trọng khác là chúng chỉ tiêu thụ vài miliwatt điện. Những bộ phận này rất quan trọng để giúp các sản phẩm từ tivi đến thiết bị y tế vận hành. Vì vậy, việc sử dụng vi điều khiển không phải là một ý tưởng mới.
Tuy nhiên, gần đây mọi người mới bắt đầu phát triển các mô hình học máy cho các hệ thống nhúng này. Xu hướng đó đã tạo ra phong trào hướng tới TinyML.
Tại sao sử dụng TinyML lại có ý nghĩa?
Một số lợi ích chính của việc chạy các mô hình học máy trên vi điều khiển là gì? Đối với người mới bắt đầu, TinyML cho phép sử dụng chúng độc lập với internet vì quá trình xử lý diễn ra cục bộ trên thiết bị thay vì trên đám mây.
TinyML cũng giúp giảm chi phí phát triển vì giá phần cứng rẻ hơn đáng kể so với giá được sử dụng trong các dự án máy học truyền thống. Giá trả trước giảm có thể khiến những người quan tâm đến việc trải nghiệm trực tiếp mà không cần đầu tư đáng kể. Ví dụ: phần cứng chính được sử dụng trong hướng dẫn TinyML cho một mô hình nhận dạng giọng nói giá khoảng $ 30.
Yếu tố hình thức nhỏ hơn liên quan đến phần cứng TinyML cũng mang lại thời lượng pin và các lợi thế liên quan đến việc sử dụng năng lượng. Ví dụ, pin kiểu đồng xu cung cấp đủ năng lượng để chạy một mô hình nhận dạng hình ảnh TinyML liên tục trong một năm.
Cuối cùng, quá trình xử lý trên thiết bị cải thiện bảo mật và quyền riêng tư tổng thể. Ví dụ: một nhà phân tích đã đưa ra khả năng sử dụng TinyML để theo dõi lượng đường trong máu của một người hoặc đảm bảo trẻ đang ngủ vẫn tỉnh táo mà không cần tải dữ liệu lên nhà cung cấp bên thứ ba như Google hoặc Apple. Máy theo dõi sức khỏe đã phổ biến, nhưng một số người lo lắng về việc giao thông tin của họ cho một công ty công nghệ khổng lồ.
TinyML giúp Machine Learning dễ tiếp cận hơn
Một trong những khía cạnh thay đổi cuộc chơi của TinyML là nó tăng khả năng tiếp cận các công cụ cần thiết để chạy các mô hình máy học mạnh mẽ, điều ngày càng trở nên quan trọng đối với các doanh nghiệp trong các ngành.
Một CEO, Bob Janacek của công ty API DataMotion, giải thích trong một cuộc phỏng vấn rằng ngày càng có nhiều khách hàng quan tâm đến việc sử dụng máy học và các công nghệ liên quan trong hoạt động kinh doanh hàng ngày của họ:
Janacek nói: “Chúng tôi phải liên tục phục vụ nhu cầu của khách hàng. “Khách hàng của chúng tôi đang nhấn mạnh đến tính bảo mật và tuân thủ, tính dễ sử dụng và trải nghiệm vượt trội cho khách hàng của họ. Họ cũng đang xem xét học máy, trí tuệ nhân tạo và xử lý ngôn ngữ tự nhiên.”
Trước khi TinyML nổi lên như một tùy chọn, những người xây dựng giải pháp máy học thường phải giải quyết các hạn chế. Cần có thời gian để gửi và xử lý dữ liệu trên đám mây và có thể cần phải thay pin của thiết bị thông minh nhiều lần trong năm.
Nghiên cứu làm sáng tỏ tiềm năng của TinyML
Mọi người nên kỳ vọng rằng TinyML sẽ thay đổi các phương pháp hay nhất về máy học bằng cách khuyến khích nhiều nhà phát triển hơn xem nó như một tùy chọn khả thi. Nghiên cứu cũng đang được tiến hành để sử dụng đám mây với TinyML để nén các mô hình học máy hiện có. Làm điều đó mở ra cơ hội cho họ chạy trên các cảm biến. Một lĩnh vực nghiên cứu khác liên quan đến việc sử dụng TinyML để giải quyết các vấn đề về băng thông mạng do lượng dữ liệu thô khổng lồ gây ra.
Các thuật toán thông minh có thể tinh chỉnh mức chất lượng của dữ liệu, giảm bất kỳ sự cố nào trước đây gây ra các bản sao lưu. Khi máy học trở nên phổ biến hơn, mọi người ngày càng nhận ra rằng nó có thể giúp họ tìm ra các mẫu thông tin. Thống kê dự đoán thị trường phân tích dự đoán đạt 10.95 tỷ đô la vào cuối 2022.
Bên cạnh việc giúp phát hiện các vấn đề tiềm ẩn trước khi chúng xảy ra, TinyML có thể giúp các nhà nghiên cứu xác định sự kết hợp tốt nhất giữa các yếu tố để mang lại kết quả tốt nhất. Ví dụ, nó có thể chỉ mất 12 tháng thử nghiệm thuốc mới nếu các nhà khoa học sử dụng phần cứng và TinyML thay vì động vật.
Việc tạo ra các bài kiểm tra điểm chuẩn mới cho TinyML cũng sẽ mở rộng nghiên cứu và phát triển trong lĩnh vực này. Suy luận tí hon MLPerf bộ thử nghiệm đo sức mạnh tiêu thụ và hiệu suất. Các phép đo tính bằng mili giây đánh giá độ trễ, trong khi micro-Jules kiểm tra mức tiêu thụ điện năng trong bốn thử nghiệm máy học. Lấy số đo thấp cho cả hai là lý tưởng.
Một tương lai thú vị cho Machine Learning
Như những ví dụ này cho thấy, TinyML sẽ giúp thúc đẩy việc học máy và chỉ cho mọi người cách họ có thể sử dụng nó theo những cách mà trước đây được coi là không thể. Có một mong muốn ngày càng tăng đối với các tiện ích công nghệ nhỏ hơn nhưng mạnh mẽ. Nếu chúng có các bộ vi điều khiển và thuật toán TinyML, thì những dự án như vậy là thực tế chứ không phải là viễn tưởng.
Coinsmart. Đặt cạnh Bitcoin-Börse ở Europa
Nguồn: https://dataconomy.com/2021/06/tinyml-machine-learning-best-practices/
