Bisher war das Erstellen von Algorithmen für maschinelles Lernen ML für Hardware komplex. mathematische Modi, die auf Beispieldaten basieren, die als Trainingsdaten bezeichnet werden, um Vorhersagen oder Entscheidungen zu treffen, ohne explizit dafür programmiert zu sein. Und dies ist so komplex und teuer zu erstellen, wie es sich anhört. Darüber hinaus waren ML-bezogene Aufgabentraditionell in die Cloud übersetzt, Latenz erzeugen, knappen Strom verbrauchen und Maschinen der Verbindungsgeschwindigkeit aussetzen.
Zusammengenommen machten diese Einschränkungen das Rechnen langsamer, teurer und weniger vorhersehbar. Tiny Machine Learning TinyML ist die neueste eingebettete Softwaretechnologie, die Hardware in ein fast magisches Reich versetzt. Maschinen können automatisch lernen und durch Gebrauch wachsen, wie ein primitives menschliches Gehirn.
Angesichts der oben genannten Herausforderungen in der ML-Technologie wenden sich Unternehmen an TinyML als den neuesten Trend in der Entwicklung von Produktinformationen. Arduino, das bekannteste Unternehmen Open-Source-Hardware macht TinyML für Millionen von Entwicklern verfügbar und jetzt zusammen mit Kantenimpuls Sie verwandeln das allgegenwärtige Arduino-Board in eine leistungsstarke eingebettete ML-Plattform wie die Arduino Nano 33 BLE Sense und andere 32-Bit-Karten.
Mit dieser Partnerschaft können Sie leistungsstarke Lernmodelle ausführen, die auf künstlichen neuronalen Netzen ANN basieren, die winzige Sensoren zusammen mit Mikrocontrollern mit geringer Leistung erreichen und abtasten.
Im letzten Jahr wurden große Fortschritte gemacht tiefes Lernen Modelle, die kleiner, schneller und auf eingebetteter Hardware durch Projekte wie TensorFlow Lite für Mikrocontroller, uTensor und Arm's CMSIS-NN ausgeführt werden können; das Erstellen eines Qualitätsdatensatzes, das Extrahieren der richtigen Funktionen, das Trainieren und das Bereitstellen dieser Modelle ist jedoch immer noch kompliziert.
TinyML war das fehlende Bindeglied zwischen Edge-Hardware und Geräteintelligenz, das jetzt zum Tragen kommt.
Winzige Geräte mit nicht ganz so kleinen Gehirnen
Die Auswirkungen der Zugänglichkeit von TinyML sind in der heutigen Welt sehr wichtig. Beispielsweise dauert eine typische Arzneimittelentwicklungsstudie etwa fünf Jahre, da auf dem Weg zur FDA-Zulassung möglicherweise Millionen von Designentscheidungen getroffen werden müssenTinyML und Hardware anstelle von Versuchstieren zum Testen von Modellen kann den Prozess beschleunigen und dauert nur 12 Monate .
Ein weiteres Beispiel für diese bahnbrechende Technologie ist, dass TinyML Bienenstöcke abhören und Anomalien oder Leiden erkennen kann, die durch Wespen verursacht werden. Ein winziger Sensor kann eine Warnung auslösen, die auf einem Soundmodell basiert, das einen angegriffenen Bienenstock identifiziert und dies ermöglichtLandwirte, um den Bienenstock in Echtzeit zu sichern und zu unterstützen.
Warum TinyML in Echtzeit?
Der enorme Bedarf an kostengünstigen, einfach zu implementierenden Lösungen für COVID-19 und andere Viren besteht für uns alle, und die Früherkennung von Symptomen kann sich unmittelbar auf Millionen von Menschen auf der ganzen Welt auswirken. Verwendung von TinyML und einer einfachen Arduino-Karte, Sie können ungewöhnlichen Husten erkennen und alarmieren als erster Abwehrmechanismus für die Eindämmung von COVID-19.
Vor kurzem haben Edge Impulse und Arduino ein Projekt veröffentlicht, das die Leistungsfähigkeit und Einfachheit hat, TinyML auf einem Arduino Nano BLE Sense auszuführen, das bestimmte Hustengeräusche in Echtzeit-Audio erkennen kann, einschließlich eines Datensatzes mit Beispielen für Husten und HintergrundgeräuscheDas optimierte TinyML-Modell wurde angewendet, um ein Hustenerkennungssystem zu erstellen, das auf dem Nano BLE Sense mit weniger als 20 KB RAM ausgeführt wird. Das Projekt und der Datensatz wurde ursprünglich von Kartik Thakore gestartet, um die COVID-19-Bemühungen zu unterstützen, und als Open-Source-Repository auf Hackster.io verfügbar gemacht.
Der gleiche Ansatz gilt für viele andere Anwendungen zur Anpassung eingebetteter Audiomuster in Bereichen wie Kinderbetreuung, Altenpflege, Sicherheit und Maschinenüberwachung.
Die Zukunft mit TinyML
Mit 250 Milliarden Mikrocontrollern auf der Welt, die jährlich um 30 Milliarden wachsen, ist TinyML eine der beliebtesten Technologien für die Durchführung von Datenanalysen auf dem Gerät für Vision, Audio, Bewegung und mehr. TinyML bietet kleinen Geräten die Möglichkeit dazuTreffen Sie kluge Entscheidungen, ohne Daten in die Cloud senden zu müssen. Im Gegensatz zu den allgemeinen ML-Monstern, die von Datenwissenschaftlern verwendet werden, sind TinyML-Modelle klein genug, um in jede Umgebung zu passen - einer der Gründe, die TinyML zu einer idealen Option machen.
Die Zugänglichkeit von TinyML für Softwareentwickler und -ingenieure ist ein weiterer Schlüsselfaktor für das Potenzial und die Beliebtheit dieser Technologie. Die Softwareentwickler, die eingebettete Systeme mit ML erstellen möchten, können ein Modell von erstellen. tippen auf das iPhone als Randgerät, das seine Sensoren verwendet, um die Daten zu erfassen.
Alles, was Sie zum Erstellen Ihres ersten Modells benötigen, ist sich auf der Registerkarte Datenerfassung auf der Seite anzumelden. Edge Impulse Studio Wählen Sie Ihr Telefon als Edge-Gerät aus, wählen Sie beispielsweise den Beschleunigungssensor und klicken Sie dann auf Probenahme starten während Sie Ihr Telefon auf und ab bewegen, um die Daten zu generieren und in einem Diagramm anzuzeigen. So einfach ist das.
TinyML-Code für alles: Maschine, Pflanze, Mensch und Tier
Aluminium und Ikonographie reichen nicht mehr aus, um ein Produkt auf dem Markt wahrzunehmen. Heutzutage müssen großartige Produkte nützlich sein und ein fast magisches Erlebnis bieten, das zu einer Verlängerung des Lebens wird.
In Zukunft Milliarden von winzige Geräte dienen als Erweiterung unseres Gehirns , Gefühle und Emotionen als natürliche Erweiterung des Alltags. Deshalb TinyML hat das Potenzial, alle Branchen zu beeinflussen: Einzelhandel, Gesundheitswesen, Transportwesen, Wellness, Landwirtschaft, Fitness und Produktion.