دانلود Udemy TinyML with Wio Terminal 2022-1 دانلود رایگان نرم افزار

برای مقابله با این مشکل، توسعه دهندگان مدل جدید TinyTL یا Tiny Transfer Learning را معرفی کردند تا استفاده از حافظه بر روی دستگاه‌های لبه اینترنت اشیا بسیار مؤثرتر باشد و از استفاده از لایه‌های میانی برای اهداف فعال‌سازی اجتناب شود. علاوه بر این، توسعه دهندگان همچنین یک ماژول سوگیری کاملاً جدید را معرفی کردند که به نام "ماژول lite-residualبرای به حداکثر رساندن قابلیت‌های انطباق، و البته به استخراج‌کنندگان ویژگی برای کشف نقشه‌های ویژگی باقیمانده. حسگرها داده‌هایی را که دنیای فیزیکی را شبیه‌سازی می‌کنند جمع‌آوری می‌کنند و سپس با استفاده از یک CPU یا MPU (واحد میکروپردازش) پردازش می‌شوند. معماری Edge ML برای انتقال داده با ابر ML ارتباط برقرار می کند و پیاده سازی TinyML می تواند منجر به پیشرفت چشمگیر فناوری شود. علاوه بر این، از آنجایی که دستگاه‌های لبه می‌توانند یک تکنیک مشترک بین حسگرها و ابر را به کار گیرند، پردازش داده‌ها را می‌توان در لبه شبکه به جای انجام در پلت فرم ابر انجام داد. علاوه بر این، پیاده‌سازی اینترنت اشیا در برنامه‌هایی که با تعامل H2M یا انسان به ماشین و محاسبات لبه مراقبت‌های بهداشتی مدرن سروکار دارند، راهی برای بهبود چشمگیر خدمات شبکه فراهم می‌کند.

علاوه بر این، مشاهده شد که وقتی توسعه‌دهندگان از روش تقویت درون‌یابی استفاده کردند، دقت مدل در طول کوانتیزه‌سازی کاهش یافت، اما در همان زمان، سرعت استنتاج مدل و تعمیم طبقه‌بندی نیز افزایش یافت. توسعه دهندگان همچنین روشی را برای تقویت بیشتر دقت آموزش مدل تعمیم بر روی داده های به دست آمده از منابع مختلف و آزمایش عملکرد برای کشف امکان استقرار آن بر روی پلتفرم های لبه مانند ساعت های هوشمند قابل حمل پیشنهاد کردند. برای استفاده از TinyML برای تقویت گفتار، توسعه دهندگان ابتدا به اندازه مدل تقویت گفتار پرداختند زیرا در معرض محدودیت ها و محدودیت های سخت افزاری بود. برای مقابله با این مشکل، هرس ساختاری و کوانتیزه‌سازی اعداد صحیح برای مدل تقویت گفتار RNN یا شبکه‌های عصبی مکرر به کار گرفته شد. نتایج نشان داد که اندازه مدل تقریباً 12 برابر کاهش می یابد در حالی که عملیات تقریباً 3 برابر کاهش می یابد. بعلاوه، بسیار حیاتی است که منابع باید به طور موثر مورد استفاده قرار گیرند، به ویژه زمانی که بر روی برنامه های کاربردی محدود منابع که برنامه های تشخیص صدا را اجرا می کنند، مستقر می شوند.

با این حال، در حالت داده شده، یک معماری اینترنت اشیا با یک سنسور دما، یک واحد MCU و یک ماژول WiFi، مصرف فعلی در حدود 176.4 میلی آمپر است و با این مصرف انرژی، باتری تنها حدود 11 ساعت دوام می آورد. به عنوان مثال، می‌توان از یک میکروفن برای جمع‌آوری داده‌های صوتی استفاده کرد و سپس مدل را برای تشخیص دستورات صوتی آموزش داد. این مدل می‌تواند به صورت محلی اجرا شود و به کاربر اجازه دهد تا بدون نیاز به اتصال به اینترنت، دستگاه‌های خود را کنترل کند. یادگیری ماشین کوچک، با فعال‌کردن حسگرهای کم‌مصرف برای تجزیه‌وتحلیل داده‌ها در محل، نظارت بر محیط را تسهیل می‌کند. می‌توان از آن برای برنامه‌هایی مانند نظارت بر کیفیت هوا، تجزیه‌وتحلیل کیفیت آب، پیش‌بینی آب‌وهوا و ردیابی حیات‌وحش استفاده کرد.

این نیاز به قدرت محاسباتی بالا باعث شده تا تنها تعداد محدودی از برنامه‌های کاربردی یادگیری ماشین بتوانند از منابع سیستم‌های کامپیوتری کلود استفاده کنند. آموزش این مدل‌ها نه تنها از نظر محاسباتی هزینه‌بر است، بلکه اجرای استنتاج روی آنها نیز اغلب بسیار گران تمام می‌شود. اگر یادگیری ماشین بخواهد دامنه خود را گسترش دهد و به حوزه‌های جدیدی نفوذ کند، باید راه‌حلی پیدا شود که امکان اجرای استنتاج را روی دستگاه‌های کوچک‌تر و با منابع محدودتر فراهم کند. این نیاز منجر به ایجاد زیرشاخه‌ای از یادگیری ماشین به‌نام یادگیری ماشین کوچک Tiny Machine Learning (TinyML) شده است. TinyML به ما این امکان را می‌دهد که مدل‌های یادگیری ماشین را در دستگاه‌های کوچک و کم‌مصرف مانند سنسورها و میکروکنترلرها اجرا کنیم.

TinyML یک چارچوب ML است که به دستگاه‌های محدود به منابع اجازه می‌دهد تا از قدرت هوش مصنوعی و ML برای اطمینان از دقت، هوشمندی و کارایی بالاتر استفاده کنند. برای حفظ ثبات یک الگوریتم، حفظ در دسترس بودن توان حیاتی است، و با توجه به سناریوی فعلی، در دسترس بودن توان محدود برای دستگاه‌های TinyML یک چالش حیاتی است. علاوه بر این، محدودیت‌های حافظه نیز یک چالش مهم است زیرا استقرار مدل‌ها اغلب به مقدار زیادی حافظه برای کار مؤثر و دقیق نیاز دارد. TinyML یک مفهوم نسبتا جدیدتر در صنعت هوش مصنوعی و ML است، و با وجود پیشرفت، هنوز آنقدر که ما برای استقرار انبوه دستگاه‌های لبه و اینترنت اشیا به آن نیاز داریم، موثر نیست. علاوه بر این، توسعه دهندگان همچنین رمزگذاری خودکار برد حسگر Arduino Nano 33 BLE را انجام دادند و مدل آموزش دیده قادر به طبقه بندی الگوهای داده جدید بود. علاوه بر این، کار توسعه شامل طراحی الگوریتم‌های کارآمد و بهینه‌تر برای شبکه‌های عصبی برای پشتیبانی از الگوهای آموزش آنلاین دستگاه بود.

سپس این داده‌ها باید از طریق فایل‌های باینری که با استفاده از مدل‌هایی که روی ماشین‌هایی با ظرفیت و قدرت محاسباتی بسیار بزرگ‌تر آموزش داده شده‌اند، فلش شوند. TinyML در زمینه‌های مختلف مانند دستگاه‌های پوشیدنی، اتوماسیون صنعتی، نظارت بر محیط‌زیست، اتوماسیون خانگی، مراقبت‌های بهداشتی، کشاورزی، رباتیک، حمل‌ونقل هوشمند و امنیت لبه کاربرد دارد. TinyML می‌تواند سیستم‌های حمل‌ونقل را با فعال‌کردن نظارت هوشمند بر خودرو، تجزیه‌وتحلیل رفتار راننده و مدیریت ترافیک در زمان واقعی بهبود بخشد و به توسعه وسایل نقلیه خودران و شبکه‌های حمل‌ونقل کارآمد کمک کند. در طول یک روز عادی، احتمالاً با برخی از مدل‌های یادگیری ماشین تعامل دارید؛ چرا که این مدل‌ها در بسیاری از محصولات دیجیتالی که استفاده می‌کنیم، نفوذ کرده‌اند. از خدمات رسانه‌های اجتماعی گرفته تا دستیاران شخصی مجازی، موتورهای جستجو و فیلتر کردن هرزنامه‌ها توسط سرویس‌های ایمیل، همه از یادگیری ماشین بهره می‌برند.

با یادگیری‌ ماشین کوچک دستگاه‌های خانه هوشمند می‌توانند یاد بگیرند و با تنظیمات کاربر سازگار شوند. یادگیری ماشین کوچک سیستم مدیریت هوشمند انرژی، سیستم‌های امنیتی، دستیارهای فعال صوتی و اتوماسیون خانگی شخصی‌سازی‌شده براساس رفتار کاربر را فعال می‌کند. یکی از بزرگترین چالش‌ها در پیاده‌سازی TinyML، بهینه‌سازی مدل‌ها برای اجرا بر روی سخت‌افزارهای با توان محاسباتی پایین و مصرف انرژی کم است. بهینه‌سازی الگوریتم‌ها و فشرده‌سازی مدل‌ها از جمله راه‌حل‌هایی هستند که برای غلبه بر این چالش‌ها پیشنهاد شده‌اند. به عنوان مثال، تکنیک‌های کوانتیزاسیون (quantization) و پرونینگ (pruning) می‌توانند به کاهش اندازه و پیچیدگی مدل‌ها کمک کنند، بدون اینکه دقت آنها به طور قابل توجهی کاهش یابد. این یک چالش برای همه دستگاه‌های لبه است زیرا آنها داده‌ها را با استفاده از حسگرهای خارجی جمع‌آوری می‌کنند، و این دستگاه‌ها اغلب دارای محدودیت‌های قدرت و انرژی هستند.

این دوره با معرفی مفاهیم اولیه یادگیری ماشین، از جمله الگوریتم‌های یادگیری نظارت‌شده و بدون نظارت شروع می‌شود. سپس دانشجویان یاد می‌گیرند که چگونه از Wio Terminal، دستگاهی که تعامل با سنسورها و سایر سخت‌افزارها را آسان می‌کند، استفاده کنند. یادگیری‌ ماشین کوچک کاربردهایی در نظارت از راه دور بیمار، دستگاه‌های بهداشتی پوشیدنی و تشخیص زودهنگام بیماری دارد. می‌تواند داده‌های حسگر را تجزیه‌وتحلیل کند، علائم حیاتی را نظارت کند و بینش‌های بی‌درنگ را برای حمایت از متخصصان مراقبت‌های بهداشتی در تشخیص و درمان ارائه کند. در حالت ایده‌آل، انتظار می‌رود دستگاه‌های لبه جاسازی شده و IoT عمر باتری بیش از 10 سال داشته باشند. به عنوان مثال، در شرایط ایده آل، یک دستگاه اینترنت اشیا که با باتری 2 آمپر ساعت کار می کند، قرار است عمر باتری بیش از 10 سال داشته باشد، با توجه به اینکه مصرف برق دستگاه حدود 12 است.

اجرای موفقیت‌آمیز TinyML در دستگاه‌های IoT در نهایت می‌تواند منجر به افزایش حریم خصوصی و کارایی و در عین حال کاهش هزینه‌های عملیاتی شود. علاوه بر این، چیزی که TinyML را جذاب‌تر می‌کند این است که در صورت اتصال ناکافی، می‌تواند تجزیه و تحلیل در محل ارائه دهد. TinyML نشان‌دهنده پیشرفت چشمگیری در حوزه یادگیری ماشین است و قابلیت‌های هوشمند را برای دستگاه‌های دارای محدودیت منابع در لبه به ارمغان می‌آورد. کاربردهای آن در صنایع مختلف، ازجمله مراقبت‌های بهداشتی، اتوماسیون صنعتی، نظارت بر محیط‌زیست، رباتیک و غیره، است. با فعال‌کردن پردازش و استنتاج روی دستگاه، TinyML مزیت‌هایی مانند تأخیر کم، حفظ حریم خصوصی و افزایش امنیت، کارایی پهنای باند، کارایی انرژی و تصمیم‌گیری در زمان واقعی را ارائه می‌کند. TinyML، با سازگاری با محدودیت‌های لبه و مقیاس‌پذیری، امکانات جدیدی را برای سیستم‌های هوشمند، مستقل و پاسخگو باز می‌کند.

اگر قرار است یادگیری ماشین دامنه خود را گسترش دهد و به حوزه‌های جدیدی نفوذ کند، راه‌حلی لازم است که به مدل‌های یادگیری ماشین اجازه دهیم استنتاج را روی دستگاه‌های کوچک‌تر و با محدودیت منابع بیشتری اجرا کنند. پیگیری این راه‌حل همان چیزی است که به زیرشاخه‌ای از یادگیری ماشین به‌نام (Tiny Machine Learning (TinyML انجامیده است. به جرات می توان گفت که TinyML تلفیقی از نرم افزار، سخت افزار و الگوریتم هایی است که برای ارائه عملکرد مطلوب با یکدیگر هماهنگ هستند. محاسبات آنالوگ یا حافظه ممکن است برای ارائه یک تجربه یادگیری بهتر و موثر برای سخت افزار و دستگاه های اینترنت اشیا که از شتاب دهنده های سخت افزاری پشتیبانی نمی کنند مورد نیاز باشد. تا آنجا که به نرم افزار مربوط می شود، برنامه های کاربردی ساخته شده با استفاده از TinyML می توانند روی پلتفرم هایی مانند لینوکس یا لینوکس جاسازی شده و بر روی نرم افزارهای فعال ابری مستقر و پیاده سازی شوند.

در نهایت، توسعه دهندگان همچنین برنامه دیگری را برای نظارت بر سلامت افراد مسن با تخمین و تجزیه و تحلیل وضعیت بدن آنها پیشنهاد کرده اند. این مدل از چارچوب آگنوستیک روی دستگاه استفاده می‌کند که به مدل اجازه می‌دهد اعتبارسنجی و تقویت سریع برای انجام سازگاری‌ها را فعال کند. این مدل الگوریتم‌های تشخیص وضعیت بدن را همراه با نشانه‌های چهره برای تشخیص وضعیت‌های مکانی و زمانی بدن در زمان واقعی پیاده‌سازی کرد. یکی دیگر از کاربردهای TinyML برای برنامه‌های مبتنی بر بینایی رایانه، پیاده‌سازی یک دستگاه تشخیص حرکت است که می‌تواند به عصا بسته شود تا به افراد کم‌بینا کمک کند تا به راحتی در زندگی روزمره خود حرکت کنند. برای طراحی آن، توسعه دهندگان از مجموعه داده ژست ها استفاده کردند و از مجموعه داده برای آموزش مدل ProtoNN با یک الگوریتم طبقه بندی استفاده کردند. این دوره طراحی شده است تا به دانشجویان دانش عملی از TinyML، یک ابزار قدرتمند برای مدیریت پروژه‌های یادگیری ماشین کوچک‌مقیاس، ارائه دهد.

در نهایت، TinyML می‌تواند کاربردهای گسترده‌ای در صنعت خودروهای خودمختار داشته باشد، زیرا این وسایل نقلیه می‌توانند به روش‌های مختلفی از جمله ردیابی انسان، اهداف نظامی، و کاربردهای صنعتی مورد استفاده قرار گیرند. به طور معمول، برنامه‌های مبتنی بر گفتار بر روش‌های ارتباطی مرسوم تکیه می‌کنند که در آن همه داده‌ها مهم هستند و منتقل می‌شوند. با این حال، در سال های اخیر، ارتباطات معنایی به عنوان جایگزینی برای ارتباطات مرسوم ظاهر شده است، زیرا در ارتباطات معنایی، تنها معنا یا زمینه داده ها منتقل می شود. ارتباط معنایی را می توان در برنامه های مبتنی بر گفتار با استفاده از روش های TinyML پیاده سازی کرد. Antoine یک رهبر رویا و شریک بنیانگذار Unite.AI است که با اشتیاق تزلزل ناپذیر برای شکل دادن و ترویج آینده هوش مصنوعی و روباتیک هدایت می شود.

TinyML این پتانسیل را دارد که نقش مهمی در پردازش بازی کند بینایی کامپیوتر مجموعه‌های داده مبتنی بر این است که برای خروجی‌های سریع‌تر، این مجموعه داده‌ها باید در خود پلتفرم لبه پردازش شوند. برای دستیابی به این هدف، مدل TinyML با چالش‌های عملی در هنگام آموزش مدل با استفاده از برد میکروکنترلر OpenMV H7 مواجه می‌شود. توسعه دهندگان همچنین معماری برای تشخیص زبان اشاره آمریکایی با کمک یک میکروکنترلر ARM Cortex M7 پیشنهاد کردند که تنها با 496 کیلوبایت رم فریم بافر کار می کند. TinyML، با استفاده از پردازش در لبه، تأخیر را کاهش می‌دهد و مصرف انرژی را در دستگاه‌هایی با منابع محدود بهینه می‌کند که به‌ویژه برای دستگاه‌های پوشیدنی و IoT مفید است. در نتیجه، شعبه جدیدی در هوش مصنوعی به استفاده از ML برای دستگاه های IoT اختصاص داده شد و به آن TinyML گفته شد.

استفاده از TinyMl همچنین می تواند به aDBS اجازه دهد تا علائم زیستی مرتبط با بیماری و علائم آن را با استفاده از ضبط تهاجمی سیگنال های مغز شناسایی کند. مدل را بر روی سخت‌افزار انتخابی خود بارگذاری کنید و از کتابخانه‌های مربوطه برای اجرای آن استفاده کنید. علاوه بر این، او بنیانگذار Securities.io، پلتفرمی متمرکز بر سرمایه گذاری در فناوری های پیشرفته که آینده را دوباره تعریف می کنند و کل بخش ها را تغییر می دهند. در مقایسه با تنظیم دقیق شبکه، نتایج به نفع معماری TinyTL بود زیرا نتایج نشان داد که TinyTL سربار حافظه را حدود 6.5 برابر با کاهش دقت متوسط ​​کاهش می دهد. هنگامی که آخرین لایه به خوبی تنظیم شد، TinyML دقت را تا 34 درصد با کاهش دقت متوسط ​​بهبود بخشیده بود.

هزاران دستگاه وجود دارد که هر کدام مشخصات و الزامات سخت افزاری خاص خود را دارند و در نتیجه، الگوریتم TinyML در حال حاضر باید برای هر دستگاه بهینه سازی شود، که استقرار انبوه را به یک مسئله مهم تبدیل می کند. در حال حاضر، وسایل نقلیه خودمختار و رانندگی خودمختار یک کار نسبتاً پیچیده است، به ویژه در هنگام توسعه وسایل نقلیه کوچک یا کوچک. پیشرفت‌های اخیر پتانسیل را برای بهبود کاربرد رانندگی خودکار برای وسایل نقلیه کوچک با استفاده از معماری CNN و استقرار مدل بر روی GAP8 MCI نشان داده‌اند. از کشاورزی تا مراقبت‌های بهداشتی، از رباتیک تا حمل‌ونقل هوشمند، Tiny ML آماده است تا به هر حوزه‌ای که وارد می‌شود، انقلابی ایجاد کند. اگر به دنبال کشف فناوری‌های پیشرو و راه‌حل‌های نوآورانه هستید، Tiny ML همان کلیدی است که در دستان شماست.

کم شنوایی یک نگرانی عمده برای سلامتی در سراسر جهان است و توانایی انسان برای شنیدن صداها به طور کلی با افزایش سن ضعیف می‌شود و این یک مشکل بزرگ در کشورهایی از جمله چین، ژاپن و کره جنوبی است که با جمعیت سالخورده سروکار دارند. دستگاه های سمعک در حال حاضر بر اساس اصل ساده تقویت تمام صداهای ورودی از محیط کار می کنند که تشخیص یا تمایز بین صدای مورد نظر را به خصوص در محیط های پر سر و صدا برای فرد دشوار می کند. در این مقاله، ما به بررسی مدل TinyML عمیق‌تر می‌پردازیم و در مورد پس‌زمینه آن، ابزارهایی که از TinyML پشتیبانی می‌کنند و کاربردهای TinyML با استفاده از فناوری‌های پیشرفته بیشتر می‌آموزیم.

در نهایت، برنامه‌ها و سیستم‌های ساخته شده بر روی الگوریتم TinyML باید از الگوریتم‌های جدیدی پشتیبانی کنند که به مدل‌هایی با اندازه حافظه کم نیاز دارند تا از مصرف بالای حافظه جلوگیری کنند. TinyML یک ابزار یادگیری ماشینی است که توانایی انجام تجزیه و تحلیل روی دستگاه را برای روش های مختلف حسی مانند صدا، بینایی و گفتار دارد. مدل‌های Ml که بر اساس ابزار TinyML ساخته شده‌اند، نیاز به توان، حافظه و محاسبات کم دارند که آنها را برای شبکه‌های تعبیه‌شده و دستگاه‌هایی که با باتری کار می‌کنند مناسب می‌سازد. علاوه بر این، نیازهای کم TinyML آن را برای استقرار مدل‌های ML در چارچوب اینترنت اشیا مناسب می‌سازد. به‌رغم موارد متعدد یادگیری ماشین در زندگی روزمره، هنوز چندین حوزه وجود دارد که فناوری نتوانسته است به آن‌ها دست یابد.

دلیل؟ بسیاری از مدل‌های یادگیری ماشین، به‌ویژه معماری‌های پیشرفته (SOTA)، به منابع قابل توجهی نیاز دارند. این تقاضا برای قدرت محاسباتی با کارایی بالا، دسترسی تنها چندین برنامه کاربردی یادگیری ماشین را به کلود ارائه‌دهنده منابع سیستم کامپیوتری محدود کرده است. در نتیجه، برای تقسیم‌بندی فرآیند، یک روش طراحی مشترک برای برنامه‌های کاربردی تشخیص صدا و گفتار مبتنی بر TinyML پیشنهاد شد. توسعه دهندگان از عملیات پنجره سازی برای پارتیشن بندی نرم افزار و سخت افزار به روشی برای پردازش داده های صوتی خام استفاده کردند. در نهایت، همچنین امکان اجرای پارتیشن بندی بهینه بین طراحی مشترک نرم افزار و سخت افزار برای عملکرد بهتر در آینده نزدیک وجود دارد. علاوه بر این، فناوری محاسبات لبه امروزه فاقد ظرفیت انتقال بالا و صرفه جویی موثر در توان است که منجر به سیستم های ناهمگن می شود که دلیل اصلی نیاز به زیرساخت هماهنگ و جامع عمدتاً برای به روز رسانی، آموزش و استقرار مدل های ML است.

این مقاله به بررسی مراحل ساخت مدل‌های محلی سبک با استفاده از TinyML می‌پردازد و نکات کلیدی، مثال‌های عملی و بهترین شیوه‌ها را ارائه می‌دهد. همچنین، در سناریوی فعلی، داده‌های تولید شده توسط دستگاه‌های مختلف به دلیل ماهیت محاسباتی فشرده پیاده‌سازی شبکه، برای پردازش به پلتفرم‌های ابری ارسال می‌شوند. علاوه بر این، مدل‌های ML اغلب به یادگیری عمیق، شبکه‌های عصبی عمیق، مدارهای مجتمع ویژه برنامه (ASIC) و واحدهای پردازش گرافیکی (GPU) برای پردازش داده‌ها وابسته هستند و اغلب نیاز به قدرت و حافظه بالاتری دارند. استقرار مدل‌های ML تمام عیار در دستگاه‌های اینترنت اشیا به دلیل فقدان آشکار قدرت پردازش و محاسبات و راه‌حل‌های ذخیره‌سازی محدود، راه‌حل مناسبی نیست. با افزایش سرسام آور تعداد دستگاه های اینترنت اشیا، نیاز به تصمیم گیری هوشمند و محلی نیز افزایش می یابد.

او که یک کارآفرین سریالی است، معتقد است که هوش مصنوعی به اندازه برق برای جامعه مخرب خواهد بود و اغلب در مورد پتانسیل فناوری های مخرب و AGI غوغا می کند. با توسعه فناوری انتظار می‌رود که TinyML در طیف وسیع‌تری از دستگاه‌ها و صنایع استفاده شود و امکانات جدیدی برای سیستم‌های هوشمند، مستقل و پاسخگو فراهم کند. TinyML ممکن است راه حل مناسبی برای این مشکل باشد زیرا استفاده از مدل TinyLSTM که از الگوریتم تشخیص گفتار برای دستگاه های سمعک استفاده می کند می تواند به کاربران کمک کند صداهای مختلف را تشخیص دهند. در اتوماسیون صنعتی، TinyML به تعمیر و نگهداری پیش‌بینی و کنترل کیفیت کمک می‌کند، درحالی‌که در کشاورزی، به نظارت دقیق بر شرایط محیطی و سلامت گیاهان می‌پردازد. TinyML کاربردهای قابل توجهی در صنعت مراقبت های بهداشتی دارد و می تواند در زمینه های مختلف از جمله تشخیص سرطان و تومور، پیش بینی سلامت با استفاده از سیگنال های ECG و EEG و هوش هیجانی بسیار مفید باشد. استفاده از TinyML می تواند به ADBS یا Adaptive Deep Brain Stimulation اجازه دهد تا به طور موفقیت آمیزی با سازگاری های بالینی سازگار شود.

این مدل‌هایی که بر روی دستگاه‌های لبه اجرا می‌شوند، پتانسیل حل چالش‌های فعلی دستگاه‌های IoT را نشان می‌دهند. در این مقاله به صورت مفصل به مفهوم یادگیری ماشین کوچک یا Tiny Machine Learning (Tiny ML) می‌پردازیم. این مدل‌ها به گونه‌ای طراحی شده‌اند که بتوانند در دستگاه‌های کوچک و بهینه، مانند سنسورها، دستگاه‌های پوشیدنی و دیگر دستگاه‌های اینترنت اشیا (IoT) اجرا شوند. Tiny ML این امکان را فراهم می‌آورد تا الگوریتم‌های هوش مصنوعی در محیط‌های محدود و بدون نیاز به اتصال دائم به اینترنت، به‌صورت بلادرنگ اجرا شوند. با وجود کاربردهای گسترده یادگیری ماشین در زندگی روزمره، هنوز حوزه‌های متعددی وجود دارند که این فناوری نتوانسته به آنها دست یابد. دلیل این محدودیت؟ بسیاری از مدل‌های یادگیری ماشین، به‌ویژه مدل‌های پیشرفته و پیچیده (SOTA)، به منابع محاسباتی بسیار زیادی نیاز دارند.

علاوه بر این، الگوریتم TAC با دستیابی به حداکثر نرخ فشرده سازی بیش از 98٪ و داشتن نسبت سیگنال به نویز بالاتر از هر سه الگوریتم، از هر دو الگوریتم SDT و DCT بهتر عمل کرد. ​​TinyML می‌تواند شیوه‌های کشاورزی را با نظارت بر سطوح رطوبت خاک، سلامت گیاه و تشخیص آفات بهینه کند. این کار تکنیک‌های دقیق کشاورزی را ممکن می‌سازد، استفاده کارآمد از منابع را تضمین می‌کند و بازده محصول را افزایش می‌دهد. همان‌طور که این حوزه به پیشرفت خود ادامه می‌دهد، می‌توانیم انتظار ادغام بیشتر قابلیت‌های یادگیری ماشین را در طیف وسیع‌تری از دستگاه‌ها و صنایع داشته باشیم که نوآوری و کارایی را در بخش‌های مختلف به ارمغان می‌آورد. محدودیت‌های سخت‌افزاری، استقرار الگوریتم‌های TinyML را در مقیاس وسیع به دلیل ناهمگونی دستگاه‌های سخت‌افزاری دشوار می‌سازد.

رویکردهای سنتی مبتنی بر ابر به هوش مصنوعی را می توان با عواملی مانند تأخیر، پهنای باند و نگرانی های مربوط به حریم خصوصی محدود کرد. در مقابل، TinyML هوش روی دستگاه را فعال می‌کند و امکان تصمیم‌گیری سریع‌تر و کارآمدتر را بدون نیاز به ارتباط مداوم با ابر فراهم می‌کند. TinyML یک حوزه نوظهور در یادگیری ماشینی است که بر توسعه الگوریتم‌ها و مدل‌هایی تمرکز دارد که می‌توانند روی دستگاه‌های کم مصرف و با محدودیت حافظه اجرا شوند. اصطلاح "TinyML" از کلمات "کوچک" و "یادگیری ماشینی" مشتق شده است که منعکس کننده هدف فعال کردن قابلیت های ML در سخت افزار در مقیاس کوچک است. با طراحی مدل‌های کارآمد که می‌توانند در چنین محیط‌هایی کار کنند، TinyML این پتانسیل را دارد که هوش مصنوعی (AI) را به میلیاردها دستگاهی که قبلاً قادر به پشتیبانی از آن نبودند، بیاورد. هدف TinyML فعال‌کردن قابلیت‌های یادگیری ماشین در دستگاه‌های کوچک و کم‌مصرف، به‌جای تکیه بر مدل‌های ML مبتنی بر ابر یا سرور، است.

یکی از مزیت‌های اصلی دستگاه‌های اینترنت اشیا این است که به قدرت محاسباتی و پردازشی پایینی نیاز دارند زیرا در لبه شبکه قابل استقرار هستند و از این رو دارای حافظه کم هستند. علاوه بر این، تحقیقات اخیر استفاده از مبدل مبتنی بر تلفن را برای سیستم‌های تشخیص گفتار پیشنهاد کرده است و هدف این پیشنهاد جایگزینی پیش‌بینی‌کننده‌های LSTM با لایه Conv1D برای کاهش نیازهای محاسباتی در دستگاه‌های لبه است. اما با توجه به پیشرفت‌های صورت‌گرفته در فناوری سیستم‌های جاسازی شده، و توسعه قابل توجه در صنعت اینترنت اشیا، استفاده از تکنیک‌ها و مفاهیم ML در یک سیستم تعبیه‌شده با محدودیت منابع برای هوش همه‌جانبه مطلوب است. تمایل به استفاده از مفاهیم ML در سیستم‌های تعبیه‌شده و اینترنت اشیاء، عامل محرک اصلی توسعه TinyML است، یک تکنیک ML تعبیه‌شده که به مدل‌ها و برنامه‌های ML در چندین دستگاه با محدودیت منابع، محدود قدرت و ارزان اجازه می‌دهد. TinyML یک زمینه مهیج و به سرعت در حال رشد است که وعده می دهد قدرت یادگیری ماشینی را به میلیاردها دستگاه کوچک با محدودیت منابع بیاورد. با بهینه‌سازی مدل‌های ML و استفاده از فناوری‌های سخت‌افزاری و نرم‌افزاری پیشرفته، TinyML پتانسیل ایجاد انقلابی در صنایع و بهبود زندگی مردم در سراسر جهان را دارد.

با استقرار مدل‌های ML، به‌طور مستقیم، TinyML مزایای بی‌شماری ازجمله استنتاج بلادرنگ و تأخیر کم، افزایش حریم خصوصی و امنیت، کاهش نیاز به پهنای باند و بهبود بهره‌وری انرژی را به ارمغان می‌آورد. در این مقاله در مورد اجرای مدل‌های TinyML بر روی دستگاه‌های اینترنت اشیا با محدودیت منابع صحبت کرده‌ایم و این پیاده‌سازی نیازمند آموزش مدل‌ها، استقرار مدل‌ها بر روی سخت‌افزار و انجام تکنیک‌های کوانتیزاسیون است. با این حال، با توجه به دامنه فعلی، مدل‌های ML آماده استقرار در اینترنت اشیا و دستگاه‌های لبه دارای پیچیدگی‌ها و محدودیت‌هایی از جمله مشکلات سخت‌افزاری و سازگاری چارچوب هستند. ادغام مدل‌های ML در دستگاه‌های اینترنت اشیا به این دستگاه‌های لبه‌ای اجازه می‌دهد تا تصمیمات هوشمندانه‌ای را به تنهایی و بدون هیچ گونه ورودی انسانی خارجی اتخاذ کنند. با این حال، به طور معمول، مدل‌های ML اغلب نیازهای قدرت، حافظه و محاسباتی بالایی دارند که باعث می‌شود آنها را برای استقرار در دستگاه‌های لبه‌ای که اغلب منابع محدود دارند، متحد کنند.

یکی دیگر از کاربردهای قابل توجه TinyML در صنعت خودروهای خودران و خودران به دلیل کمبود منابع و قدرت محاسباتی روی برد است. برای مقابله با این مشکل، توسعه دهندگان یک روش یادگیری حلقه بسته را معرفی کردند که بر اساس مدل TinyCNN ساخته شده بود که یک مدل پیش بینی آنلاین را پیشنهاد کرد که تصویر را در زمان اجرا می گیرد. برای به حداکثر رساندن کامل کاربردهای خودروهای خودران و خودروهای خودران، این مدل به طور ایده‌آل باید بتواند با داده‌های زمان واقعی سازگار شود. یادگیری ماشین کوچک را می‌توان در تنظیمات صنعتی برای تعمیر و نگهداری پیش‌بینی، تشخیص ناهنجاری و کنترل کیفیت به کار برد. این کار سنسورها و دستگاه‌های هوشمند را قادر می‌کند تا سلامت تجهیزات را بررسی کنند، ناهنجاری‌ها را شناسایی کنند و کارایی عملیاتی را بهینه کنند. یادگیری ماشین کوچک یا Tiny ML چیست؟ مدل‌های یادگیری ماشین نقش برجسته‌ای در زندگی روزمره ما بازی می‌کنند چه بدانیم چه ندانیم.

با استفاده از TinyML، می‌توانیم پردازش داده‌ها را به صورت محلی انجام دهیم و از ارسال داده‌ها به سرور جلوگیری کنیم که این امر به کاهش تأخیر و افزایش حریم خصوصی کمک می‌کند. TinyML به حوزه یادگیری ماشین (ML) اشاره می‌کند که بر اجرای الگوریتم‌ها و مدل‌های ML روی دستگاه‌های دارای محدودیت منابع، مانند میکروکنترلرها، سیستم‌های جاسازی شده و دستگاه‌های اینترنت اشیا (IoT) تمرکز می‌کند. تحقیقات اخیر در زمینه محاسبات لبه اینترنت اشیا پتانسیل پیاده سازی تکنیک های یادگیری ماشین را در چندین مورد استفاده از اینترنت اشیا نشان داده است. با این حال، مسئله اصلی این است که مدل‌های یادگیری ماشین سنتی اغلب به قدرت محاسباتی و پردازشی قوی و ظرفیت حافظه بالا نیاز دارند که اجرای مدل‌های ML را در دستگاه‌ها و برنامه‌های IoT محدود می‌کند. در دنیای امروز، با پیشرفت‌های سریع در زمینه یادگیری ماشین و اینترنت اشیاء (IoT)، نیاز به مدل‌های سبک و کارآمد برای پردازش داده‌ها در دستگاه‌های محلی بیش از پیش احساس می‌شود. TinyML به عنوان یک راه‌حل نوآورانه، امکان اجرای مدل‌های یادگیری ماشین را بر روی دستگاه‌های با منابع محدود فراهم می‌کند.

این فناوری انقلابی، با به‌کارگیری مدل‌های یادگیری ماشین در دستگاه‌های کوچک و کم‌مصرف، توانسته است محدودیت‌های سنتی یادگیری ماشین را کنار بزند. از دستگاه‌های پوشیدنی که سلامت ما را پایش می‌کنند، تا سنسورهای محیطی که به حفظ محیط زیست کمک می‌کنند، Tiny ML در حال تغییر نحوه تعامل ما با دنیای دیجیتال است. تصور کنید که ساعت هوشمند شما می‌تواند الگوهای خواب شما را تحلیل کند یا سنسورهای خانه هوشمندتان می‌توانند بدون نیاز به ارتباط دائمی با اینترنت، مصرف انرژی را بهینه‌سازی کنند. Tiny ML نه تنها باعث کاهش وابستگی به سرورهای ابری می‌شود، بلکه با افزایش امنیت و حفظ حریم خصوصی، به شما اطمینان می‌دهد که داده‌های حساس شما در دستگاه‌های خودتان باقی می‌مانند. این فناوری بهینه‌سازی منابع را به ارمغان می‌آورد و به دستگاه‌های با باتری کمک می‌کند تا مدت زمان بیشتری بدون نیاز به شارژ مجدد کار کنند. TinyML پردازش سیگنال در دستگاه‌های اینترنت اشیا را فعال می‌کند و هوشمندی تعبیه‌شده را فراهم می‌کند، بنابراین نیازی به انتقال داده‌ها به پلتفرم‌های ابری برای پردازش را از بین می‌برد.

علاوه بر این، مطالعات تکمیلی در مورد CNN نشان داد که امکان استقرار و دستیابی به نتایج مطلوب با معماری CNN در دستگاه هایی با منابع محدود وجود دارد. اخیراً، توسعه‌دهندگان با استفاده از TensorFlow lite با حداقل ردپای حافظه توانستند چارچوبی برای تشخیص ماسک‌های صورت پزشکی روی میکروکنترلر ARM Cortex M7 با منابع محدود ایجاد کنند. اندازه مدل پس کوانتیزاسیون حدود 138 کیلوبایت بود در حالی که سرعت تداخل در برد هدف حدود 30 فریم در ثانیه بود. پیاده‌سازی TinyML برای برنامه‌های مبتنی بر بینایی کامپیوتری بر روی پلت‌فرم‌های لبه‌ای، توسعه‌دهندگان را ملزم می‌کرد تا بر چالش اصلی CNN یا شبکه‌های عصبی کانولوشنال با خطای تعمیم بالا و دقت آموزش و آزمایش بالا غلبه کنند. با این حال، پیاده سازی به طور موثر به تصاویر در موارد استفاده جدید و همچنین پس زمینه های دارای نویز تعمیم داده نشد. زمانی که توسعه دهندگان از روش تقویت درون یابی استفاده کردند، این مدل امتیاز دقت بیش از 98 درصد را در داده های آزمایشی و حدود 75 درصد را در تعمیم به دست آورد.

همانطور که محققان و مهندسان همچنان به نوآوری و غلبه بر چالش های پیش روی TinyML ادامه می دهند، آینده این فناوری بسیار امیدوارکننده به نظر می رسد. علاوه بر این، صنعت مراقبت‌های بهداشتی اغلب شامل مجموعه‌ای از حجم زیادی از داده‌های یک بیمار است و این داده‌ها باید پردازش شوند تا به راه‌حل‌های خاصی برای درمان بیمار در مراحل اولیه بیماری دست یابند. هنگامی که برنامه IoT را با مدل TinyML ترکیب می کنیم، زمینه جدیدی به نام H-IoT یا Healthcare Internet of Things متولد می شود و کاربردهای اصلی H-IoT عبارتند از تشخیص، نظارت، تدارکات، کنترل گسترش و سیستم های کمکی. اگر می‌خواهیم دستگاه‌هایی را توسعه دهیم که قادر به تشخیص و تجزیه و تحلیل سلامت بیمار از راه دور باشند، ایجاد سیستمی با دسترسی جهانی و تأخیر کم ضروری است. همه‌گیری جهانی کووید-19 درهای فرصت جدیدی را برای اجرای TinyML باز کرد زیرا اکنون یک عمل ضروری برای تشخیص مداوم علائم تنفسی مربوط به سرفه و سرماخوردگی است. و مصرف برق کم علاوه بر این، مدل TinyResp همچنین گفتار بیماران، ضبط‌های صوتی و اطلاعات جمعیت‌شناسی را به عنوان ورودی برای طبقه‌بندی می‌گیرد و علائم مرتبط با سرفه بیمار با استفاده از سه مجموعه داده متمایز طبقه‌بندی می‌شود.

معماری طراحی‌شده برای دستگاه‌های تعبیه‌شده چالش دیگری را ایجاد می‌کند، زیرا این معماری‌ها به سخت‌افزار و نیازهای نرم‌افزاری بستگی دارند که از دستگاهی به دستگاه دیگر متفاوت است. فناوری محاسبات لبه داده ها را ذخیره و محاسباتی را انجام می دهد و همچنین زیرساخت لازم را برای پشتیبانی از محاسبات توزیع شده فراهم می کند. علاوه بر این، محدودیت‌های منابع دستگاه‌های کوچک نیازمند الگوریتم‌های کارآمدی است که حداقل انرژی و حافظه را مصرف می‌کنند. TinyML با بهینه سازی مدل ها و استفاده از سخت افزار تخصصی برای دستیابی به نتایج چشمگیر، حتی با منابع محدود، این چالش ها را برطرف می کند. علاوه بر این، TinyML همچنین می‌تواند استفاده و کاربرد وسایل نقلیه هوایی بدون سرنشین یا پهپادها را با رفع محدودیت‌های فعلی این ماشین‌ها افزایش دهد. استفاده از TinyML به توسعه دهندگان این امکان را می دهد که دستگاهی با انرژی کارآمد با تأخیر کم و قدرت محاسباتی بالا پیاده سازی کنند که می تواند به عنوان کنترل کننده این پهپادها عمل کند.

علاوه بر این، سیستم‌ها و برنامه‌هایی که بر روی ابزار TinyML اجرا می‌شوند باید دقت بالایی را هنگام اجرای تحت محدودیت‌های سخت‌تر ارائه دهند، زیرا نرم‌افزار فشرده‌ای برای مصرف انرژی کم مورد نیاز است که از مفاهیم TinyML پشتیبانی می‌کند. علاوه بر این، برنامه‌ها یا ماژول‌های TinyML ممکن است برای پشتیبانی از عملیات آن بر روی سیستم‌های تعبیه‌شده لبه به توان باتری وابسته باشند. ساخت مدل‌های محلی سبک با استفاده از TinyML یک راه‌حل کارآمد برای پردازش داده‌ها در دستگاه‌های با منابع محدود است. با پیروی از مراحل ذکر شده و استفاده از بهترین شیوه‌ها، می‌توانید مدل‌های خود را بهینه‌سازی کرده و از مزایای این فناوری بهره‌مند شوید. با توجه به کاربردهای گسترده TinyML، این فناوری می‌تواند به عنوان یک ابزار کلیدی در آینده فناوری‌های هوشمند مطرح شود. یادگیری ماشین کوچک می‌تواند امنیت لبه (Edge Security) را با فعال‌کردن تشخیص ناهنجاری روی دستگاه، تشخیص نفوذ و نظارت افزایش دهد که امکان شناسایی سریع تهدیدات امنیتی و واکنش فوری را بدون اتکا به سیستم‌های خارجی فراهم می‌کند.

یادگیری ماشین کوچک را می‌توان در وسایل الکترونیکی مصرفی مختلف مانند بلندگوهای هوشمند، دوربین‌ها و سیستم‌های سرگرمی خانگی ادغام کرد نت تشخیص صدا، تشخیص چهره و توصیه‌های شخصی را فعال ‌کند. طبق یک مطالعه انجام شده، استفاده از TinyML در کشاورزی هوشمند می‌تواند تا ۳۰٪ در مصرف انرژی صرفه‌جویی کند و دقت پیش‌بینی‌ها را تا ۲۰٪ افزایش دهد. با پردازش داده‌ها مستقیماً روی دستگاه، TinyML از انتقال داده‌ها به سرورهای ابری جلوگیری می‌کند که به‌نوبه خود حریم خصوصی و امنیت داده‌ها را افزایش می‌دهد. دستگاه‌های لبه‌ای که از الگوریتم‌های TinyML استفاده می‌کنند به حل محدودیت‌های فعلی مرتبط با نیازهای قدرت، محاسبات و حافظه کمک می‌کنند و در تصویر زیر به آن پرداخته شده است. به طور خلاصه، برنامه هایی که با استفاده از ابزار TinyML ساخته می شوند باید اصول و روش های ML را همراه با طراحی فشرده نرم افزار در حضور داده های با کیفیت بالا بهینه کنند.