Data science

TinyML: Nó là gì và nó sẽ thay đổi các phương pháp hay nhất về học máy như thế nào?

Có một xu hướng đang diễn ra là mọi người muốn các thiết bị công nghệ ngày càng có khả năng và nhỏ hơn. Những mong muốn đó đã thúc đẩy sự phát triển trong một phân khúc của trí tuệ nhân tạo (AI) được gọi là TinyML. Dưới đây là cái nhìn về cách nó có thể nâng cao các khả năng trong tương lai. TinyML là gì? Việc xử lý dữ liệu trực tiếp trên thiết bị đã được biết đến rộng rãi so với việc gửi thông tin lên đám mây. TinyML tập trung vào việc tối ưu hóa các mô hình học máy để các bộ vi điều khiển trên thiết bị điểm cuối có thể chạy chúng. Một số vi điều khiển này chỉ lớn bằng hạt gạo. Một điểm quan trọng khác là chúng chỉ tiêu thụ năng lượng miliwatt. Những bộ phận này rất quan trọng để giúp các sản phẩm khác nhau, từ TV đến các thiết bị y tế hoạt động. 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 một cách rõ ràng các mô hình học máy cho các hệ thống nhúng này. Xu hướng đó đã tạo ra phong trào hướng tới TinyML. Tại sao việc sử dụng TinyML lại tạo ra cảm giác? Một số lợi ích chính của việc chạy 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 chứ không phải trên đám mây. TinyML cũng giảm chi phí phát triển vì giá của phần cứng rẻ hơn đáng kể so với những gì được sử dụng trong các dự án máy học truyền thống. Giá trả trước giảm có thể khiến những người quan tâm đến việc có được trải nghiệm trực tiếp mà không cần đầu tư đáng kể. Ví dụ: phần cứng chính được sử dụng trong hướng dẫn TinyML cho mô hình nhận dạng giọng nói có giá khoảng $ 30. Yếu tố hình thức nhỏ hơn kết hợp với phần cứng TinyML cũng mang lại tuổi thọ 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 mô hình nhận dạng hình ảnh TinyML liên tục trong một năm. Cuối cùng, quá trình xử lý trên thiết bị cải thiện tính 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 một đứa trẻ đang ngủ vẫn tỉnh táo mà không cần tải dữ liệu lên nhà cung cấp bên thứ ba như Google hoặc Apple. Theo dõi sức khỏe đã phổ biến, nhưng một số người lo lắng về việc giao phó thông tin của họ cho một công ty công nghệ khổng lồ. TinyML làm cho việc học máy trở nên dễ tiếp cận hơn Một trong những khía cạnh thay đổi trò chơi của TinyML là nó tăng khả năng truy cập vào các công cụ cần thiết để chạy các mô hình học máy mạnh mẽ, điều này ngày càng trở nên quan trọng đối với các doanh nghiệp trong các ngành. Một giám đốc điều hành, Bob Janacek của công ty API DataMotion, đã giải thích trong một cuộc phỏng vấn rằng ngày càng có nhiều khách hàng quan tâm đến việc sử dụng học máy và các công nghệ liên quan trong hoạt động kinh doanh hàng ngày của họ: “Chúng tôi phải liên tục phục vụ nhu cầu của khách hàng,” Janacek nói. “Khách hàng của chúng tôi 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 việc học máy, trí tuệ nhân tạo và xử lý ngôn ngữ tự nhiên ”. Trước khi TinyML nổi lên như một lựa chọn, những người xây dựng các giải pháp học máy thường phải khắc phục những hạn chế. Cần thời gian để gửi và xử lý dữ liệu trên đám mây và có thể cần thay pin của thiết bị thông minh vài lần trong năm. Nghiên cứu làm sáng tỏ những người có tiềm năng của TinyML nên mong đợi rằng TinyML sẽ thay đổi các phương pháp hay nhất về học máy bằng cách khuyến khích nhiều nhà phát triển hơn xem nó như một lựa 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 chúng chạy trên các cảm biến. Một lĩnh vực nghiên cứu khác liên quan đến việc sử dụng TinyML để giải quyết các vấn đề 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 bớt bất kỳ sự cố nào gây ra sao lưu trước đó. Khi học máy 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 tính đến 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 của các yếu tố để đưa ra kết quả tốt nhất. Ví dụ: có thể chỉ mất 12 tháng để thử nghiệm các loại 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 nên mở rộng nghiên cứu và phát triển trong lĩnh vực này. Bộ thử nghiệm MLPerf Tiny Inference đánh giá mức tiêu thụ điện năng và hiệu suất. Các phép đo tính bằng mili giây đánh giá độ trễ, trong khi các micro-Jules kiểm tra mức tiêu thụ điện năng trong bốn thử nghiệm học máy. Lấy số đo thấp cho cả hai là lý tưởng. Tương lai thú vị cho Học máy Như những ví dụ này cho thấy, TinyML sẽ giúp thúc đẩy học máy tiến lên và cho mọi người thấy cách họ có thể sử dụng nó theo những cách mà trước đây được coi là không thể. Ngày càng có nhiều mong muốn về các thiết bị công nghệ nhỏ hơn nhưng mạnh mẽ. Nếu chúng có bộ vi điều khiển và thuật toán TinyML, thì những dự án như vậy là thực tế chứ không phải là viễn vông.

  • Trang chủ
  • CRM
  • Email doanh nghiệp
  • Email marketing
  • Marketing News
  • Marketing tổng thể
  • SEO
  • Thiết kế Website
  • Web Hosting
  • Chatbot
  • Data science
  • Back to top button