Tiny ML - sztuczna inteligencja dostępniejsza niż kiedykolwiek

Uczenie maszynowe stanowi jedną z najszybciej rozwijających się obecnie technologii, a sztuczna inteligencja znajduje swoje zastosowanie w niemal każdym sektorze przemysłowym, od spożywczego, przez samochodowy aż do medycznego. Dotychczas realizacja aplikacji tego typu wymagała zapewnienia dużej mocy obliczeniowej, a co za tym idzie przekładała się na wysokie zużycie energii. Nowy trend na rynku ML i AI - Tiny ML (nazywany również Edge AI), polegający na przenoszeniu zadań sztucznej inteligencji z chmury bezpośrednio do poziomu urządzenia, może to jednak zmienić.

Posłuchaj
00:00

Co to jest Tiny ML?

Większość operacji związanych ze sztuczną inteligencją (AI) wymaga do pracy dużych zasobów pamięci i mocy procesora, często nieosiągalnych w małych aplikacjach IoT i chipach zasilanych z baterii, przez co aplikacje muszą działać na zasadzie offloadingu zadań - obliczenia wysyłane są do chmur obliczeniowych, gdzie następuje ich przetworzenie i odesłanie wyników. To wymaga z kolei zapewnienia komunikacji.

Z tych powodów grupa ponad 200 specjalistów z największych firm i uczelni zebrała się w lutym w San Jose na konferencji Tiny ML Summit, aby przedyskutować możliwości przeniesienia nauczania maszynowego z dużych wydajnych komputerów mainframe na małe mikroprocesory zasilane z baterii. Rozwiązanie takie zapewniłoby nie tylko znaczną poprawę bezpieczeństwa - dane nie musiałyby być wysyłane do chmury w celu analizy, ale pozwoliłoby również na zaprojektowanie aplikacji o zupełnie nowych funkcjach, niż jest to możliwe obecnie. Mimo że pomysł na pierwszy rzut oka wydaje się wręcz nieosiągalny, jest on znacznie bliższy rzeczywistości, niż mogłoby się wydawać.

 
Rys 1. Wartość i przewidywania dla rynku mikrokontrolerów do IoT (mld dolarów); źródło: MRFR Analysis

Czy koncepcja Tiny ML jest realna?

Wraz z rozwojem technologii rośnie nie tylko moc obliczeniowa komputerów, ale również pojawiają się coraz wydajniejsze algorytmy. Wysoki wzrost wydajności obliczeniowej 32-bitowych mikrokontrolerów wspomaganych przez FPGA i koprocesory matematyczne (FPU) w połączeniu z coraz lepszymi modelami sieci neuronowych już teraz pozwolił na przeniesienie niektórych funkcji nauczania maszynowego na urządzenia o małej mocy. Dla przykładu - działający detektor anomalii korzystający z danych trójosiowego akcelerometru w czasie rzeczywistym, oparty na architekturze Cortex-M4, wymaga zaledwie 6 kB pamięci RAM do realizacji funkcji ML.

Tiny ML staje się możliwe również dzięki zupełnie nowym, specjalizowanym pod tym kątem chipom. Swoje rozwiązania w tej dziedzinie zaprezentowały już takie firmy jak Apple, Huawei, Google, Intel czy ARM.

Możliwości Tiny ML

Obecnie spora część danych zbieranych przez sensory aplikacji IoT jest odrzucana ze względu na ograniczoną moc obliczeniową oraz maksymalną ilość danych, które może ono wysłać do chmury w danym czasie (przepustowość łącza). Jeśli urządzenie byłoby w stanie samodzielnie analizować zebrane dane, nie istniałaby potrzeba ich odrzucania bez uprzedniej analizy, dzięki czemu możliwe byłoby przesyłanie do chmury tylko tych najbardziej interesujących i wstępnie obronionych. Rozwiązanie takie nie tylko poskutkowałoby znacznym zmniejszeniem obciążenia chmur obliczeniowych, ale również niesamowitym usprawnieniem nauczania maszynowego.

Sztuczna inteligencja może okazać się również niezwykle przydatna w małych urządzeniach bez połączenia z chmurą. Doskonałym przykładem są tutaj aparaty słuchowe. Umieszczenie w nich algorytmu ML oddzielającego dźwięki otoczenia od konwersacji pozwoliłoby na znaczącą poprawę jakości otrzymywanego do uszu dźwięku.

Dalszy rozwój

Możliwościami Tiny ML interesują się już praktycznie wszyscy giganci elektroniki. W konferencji Tiny ML Summit udział wzięli inżynierowie z firm takich jak między innymi Apple, Google, Samsung, STMicroelectronics, ARM i Microsoft. Dzięki tak dużemu zapleczu badawczemu bezpieczne jest stwierdzenie, że dynamiczny rozwój Edge AI jest tylko kwestią czasu. Zgodnie z prognozami, rynek mikrokontrolerów wykorzystywanych w IoT osiągnie wartość 4 mld USD do końca roku 2023. Tiny Ml jest więc narzędziem do zapewnienia wzrostu rynku na kolejne lata. (PM)

Powiązane treści
Pierwszy czujnik inercyjny z wbudowanym mechanizmem uczenia maszynowego
Intel rozpoczyna kursy dla programistów Edge AI
Sztuczna inteligencja w diagnostyce obrazowej
Sztuczna inteligencja coraz częściej wykorzystywana w IoT
Murata prezentuje najmniejszy na świecie moduł sztucznej inteligencji
Wyścig po sztuczną inteligencję obejmuje też branżę półprzewodników
Intel zmierza w kierunku rozwoju 5G i sztucznej inteligencji
Czy Blockchain zapewni bezpieczeństwo w IoT?
Izraleska Cortica razem z BMW i Toyotą opracują nowatorską technologię AI
Czy Braindrop przyniesie nową erę w sztucznej inteligencji?
Wearables AI - nowy perspektywiczny segment elektroniki noszonej
Zobacz więcej w kategorii: Gospodarka
Mikrokontrolery i IoT
Infineon i RT-Labs zintegrowali sześć kluczowych protokołów komunikacji przemysłowej z mikrokontrolerami XMC7000
Komunikacja
Leuze wprowadza nowe skanery laserowe LiDAR do precyzyjnego pomiaru konturów
Komunikacja
Lantronix i TD SYNNEX poszerzają współpracę – zaawansowane rozwiązania IIoT i infrastruktury sieciowej dostępne w całej Europie
Produkcja elektroniki
DMASS podsumował 2024 rok
Komponenty
DigiKey i SparkFun współpracują w zakresie dostarczania zestawów robotycznych XRP
Pomiary
Nowa seria ultraszybkich digitalizerów GHz od Spectrum Instrumentation
Zobacz więcej z tagiem: Mikrokontrolery i IoT
Gospodarka
Infineon i RT-Labs zintegrowali sześć kluczowych protokołów komunikacji przemysłowej z mikrokontrolerami XMC7000
Gospodarka
Kolejny wielki boom technologiczny - robotyka bazująca na AI
Prezentacje firmowe
Bogactwo interfejsów komunikacyjnych PCIe
Zapytania ofertowe
Unikalny branżowy system komunikacji B2B Znajdź produkty i usługi, których potrzebujesz Katalog ponad 7000 firm i 60 tys. produktów