[ad_1]
Este artículo es parte de TechXchange: TinyML: aprendizaje automático para plataformas pequeñas.
Los miembros pueden Descargue este artículo en formato PDF.
Lo que vas a aprender:
- En qué se diferencia tinyML del aprendizaje automático convencional.
- Cómo se utiliza tinyML.
- ¿Cuáles son algunos de los marcos de tinyML más populares y dónde puede obtener más información?
A medida que las ideas y las innovaciones fluyen y refluyen, las definiciones y suposiciones evolucionan constantemente, p. B. Mini frente a Micro. Ahora, el campo en expansión de la IA y el aprendizaje automático tiene una nueva estrella: el mundo del aprendizaje automático “pequeño”. Consta de hardware y software de muy bajo consumo que permite el análisis de los datos del sensor en el dispositivo.
Esto contrasta marcadamente con muchas actividades de inteligencia artificial/aprendizaje automático (IA/ML), que normalmente se ejecutan en procesadores que consumen mucha energía y operan fuera del ámbito de los sensores.
En el corazón de muchos sistemas de aprendizaje automático se encuentra un modelo que normalmente está «entrenado» con datos representativos y proporciona una buena base para el procesamiento posterior de otros datos, refinando el «conocimiento» y permitiéndole realizar tareas útiles. Este tipo de sistemas de aprendizaje automático están presentes a nuestro alrededor, por ejemplo en funciones de redes sociales, motores de búsqueda y filtrado de spam.
La mayoría de estas aplicaciones de aprendizaje automático comunes requieren importantes recursos informáticos, a menudo basados en la nube. Este requisito de ciclos de procesador en recursos informáticos de uso general ha provocado que las aplicaciones de aprendizaje automático no estén tan extendidas como podrían haberlo estado, lo que ha llevado a la búsqueda de aprendizaje automático que pueda ejecutarse en dispositivos y sistemas de menores recursos. Estos esfuerzos se resumen comúnmente bajo el término «Tiny Machine Learning» o «tinyML».
Una cumbre de tinyML celebrada en marzo de 2019 ayudó a crear una comunidad que finalmente involucró a unas 90 empresas. El momento estuvo relacionado con el hecho de que el hardware era suficiente para admitir ML en una escala mucho menor. La necesidad de tales sistemas ya era clara.
Se han realizado y se siguen realizando avances en algoritmos, redes y modelos tan pequeños como 100 kB o menos. Esto permitió diseñar aplicaciones reales en las áreas de visión y audio. Esto también significó que tinyML podría usarse en aplicaciones perimetrales, lo que permitiría una mayor capacidad de respuesta y, dicho sea de paso, una mayor inteligencia a este nivel.
La implementación en el borde reduce o elimina el desafío de la latencia. Sin la incertidumbre en la capacidad de respuesta causada por la distancia, muchas más tareas pueden exponerse a técnicas de ML. Estar al límite le brinda una aproximación más predecible del comportamiento en tiempo real.
Nuevas aplicaciones de TinyML
Las aplicaciones para tinyML están comenzando a surgir en el mundo real, incluso en las áreas de agricultura y sostenibilidad. Uno de ellos fue desarrollado por Niolabs y aborda los desafíos del Internet de las cosas (IoT). El objetivo era mejorar significativamente la forma en que se utiliza el agua en la agricultura. Aunque ya existen tecnologías de sensores para evaluar la humedad del suelo, la luz solar y otros factores, ha resultado difícil centralizar la información y tomar decisiones apropiadas para todos los cultivos en cada parte de una granja.
tinyML proporcionó una solución al permitir que los microprocesadores con acceso a información hiperlocal tomaran decisiones óptimas sobre el uso del agua, garantizando cultivos exitosos con un uso mínimo de agua.
Otra aplicación TinyML de Ribbit Networks produjo el sensor Frog basado en Raspberry Pi CM4 (Ver imagen), que monitorea los niveles locales de dióxido de carbono para complementar los datos proporcionados por los satélites. El tema de código abierto incluso incluye un tutorial que muestra cómo construir su propio sistema tinyML.
[ad_2]