Data science

TinyML: มันคืออะไรและจะเปลี่ยนแนวทางปฏิบัติที่ดีที่สุดของแมชชีนเลิร์นนิงได้อย่างไร

มีแนวโน้มอย่างต่อเนื่องของผู้คนที่ต้องการอุปกรณ์เทคโนโลยีที่มีความสามารถและมีขนาดเล็กลง ความต้องการเหล่านั้นได้กระตุ้นความก้าวหน้าในส่วนของปัญญาประดิษฐ์ (AI) ที่เรียกว่า TinyML มาดูกันว่าจะช่วยเพิ่มโอกาสในอนาคตได้อย่างไร TinyML คืออะไร? เป็นที่ทราบกันดีอยู่แล้วว่าการประมวลผลข้อมูลโดยตรงบนอุปกรณ์ทำให้เร็วขึ้นเมื่อเทียบกับการส่งข้อมูลไปยังระบบคลาวด์ TinyML มุ่งเน้นไปที่การปรับโมเดลการเรียนรู้ของเครื่องให้เหมาะสมเพื่อให้ไมโครคอนโทรลเลอร์บนอุปกรณ์ปลายทางสามารถทำงานได้ ไมโครคอนโทรลเลอร์เหล่านี้บางตัวมีขนาดใหญ่พอๆ กับเมล็ดข้าวเท่านั้น จุดสำคัญอีกประการหนึ่งคือใช้พลังงานเพียงมิลลิวัตต์เท่านั้น ชิ้นส่วนเหล่านี้มีความสำคัญต่อการช่วยเหลือผลิตภัณฑ์ต่างๆ ตั้งแต่โทรทัศน์ไปจนถึงอุปกรณ์ทางการแพทย์ ดังนั้น การใช้ไมโครคอนโทรลเลอร์จึงไม่ใช่แนวคิดใหม่ อย่างไรก็ตาม ผู้คนเพิ่งเริ่มพัฒนาโมเดลการเรียนรู้ของเครื่องสำหรับระบบฝังตัวเหล่านี้เมื่อไม่นานมานี้ แนวโน้มดังกล่าวทำให้เกิดการเคลื่อนไหวไปสู่ ​​TinyML เหตุใดการใช้ TinyML จึงสมเหตุสมผล ประโยชน์หลักของการใช้โมเดลการเรียนรู้ของเครื่องบนไมโครคอนโทรลเลอร์มีอะไรบ้าง สำหรับผู้เริ่มต้น TinyML อนุญาตให้ใช้งานโดยไม่ขึ้นกับอินเทอร์เน็ต เนื่องจากการประมวลผลเกิดขึ้นภายในอุปกรณ์มากกว่าในระบบคลาวด์ TinyML ยังช่วยลดต้นทุนการพัฒนาอีกด้วย เนื่องจากราคาของฮาร์ดแวร์นั้นถูกกว่าราคาที่ใช้ในโปรเจกต์การเรียนรู้ของเครื่องแบบดั้งเดิมอย่างมาก ราคาล่วงหน้าที่ลดลงอาจทำให้ผู้ที่สนใจได้รับประสบการณ์โดยตรงโดยไม่ต้องลงทุนจำนวนมาก ตัวอย่างเช่น ฮาร์ดแวร์หลักที่ใช้ในบทช่วยสอน TinyML สำหรับโมเดลการรู้จำเสียงมีราคาประมาณ $30 ฟอร์มแฟกเตอร์ที่เล็กกว่าที่เกี่ยวข้องกับฮาร์ดแวร์ TinyML ยังทำให้อายุการใช้งานแบตเตอรี่และข้อดีที่เกี่ยวข้องกับการใช้พลังงานอีกด้วย ตัวอย่างเช่น แบตเตอรี่แบบเหรียญมีพลังงานเพียงพอที่จะเรียกใช้โมเดลการจดจำภาพ TinyML อย่างต่อเนื่องเป็นเวลาหนึ่งปี สุดท้าย การประมวลผลในอุปกรณ์ช่วยปรับปรุงความปลอดภัยและความเป็นส่วนตัวโดยรวม ตัวอย่างเช่น นักวิเคราะห์รายหนึ่งได้นำเสนอความเป็นไปได้ของการใช้ TinyML เพื่อติดตามระดับน้ำตาลในเลือดของบุคคล หรือทำให้แน่ใจว่าทารกนอนหลับยังคงมีสติอยู่โดยไม่ต้องอัปโหลดข้อมูลไปยังผู้ให้บริการบุคคลที่สาม เช่น Google หรือ Apple เครื่องมือติดตามสุขภาพเป็นที่นิยมอยู่แล้ว แต่บางคนกังวลเกี่ยวกับการมอบข้อมูลของตนให้กับบริษัทเทคโนโลยียักษ์ใหญ่ TinyML ทำให้แมชชีนเลิร์นนิงเข้าถึงได้มากขึ้น หนึ่งในแง่มุมที่เปลี่ยนแปลงเกมของ TinyML คือการเพิ่มการเข้าถึงเครื่องมือที่จำเป็นในการรันโมเดลแมชชีนเลิร์นนิงอันทรงพลัง ซึ่งกำลังมีความสำคัญมากขึ้นเรื่อยๆ สำหรับธุรกิจในอุตสาหกรรมต่างๆ Bob Janacek ซีอีโอคนหนึ่งของ DataMotion บริษัท API อธิบายในการให้สัมภาษณ์ว่าลูกค้าจำนวนมากขึ้นสนใจที่จะใช้การเรียนรู้ของเครื่องและเทคโนโลยีที่เกี่ยวข้องในการดำเนินธุรกิจประจำวันของพวกเขา: “เราต้องตอบสนองความต้องการของลูกค้าของเราอย่างต่อเนื่อง” Janacek กล่าว “ลูกค้าของเราให้ความสำคัญกับการรักษาความปลอดภัยและการปฏิบัติตามข้อกำหนด การใช้งานง่าย และประสบการณ์ที่เหนือกว่าสำหรับลูกค้าของพวกเขา พวกเขายังดูแมชชีนเลิร์นนิง ปัญญาประดิษฐ์ และการประมวลผลภาษาธรรมชาติด้วย” ก่อนที่ TinyML จะกลายเป็นตัวเลือก ผู้ที่สร้างโซลูชันแมชชีนเลิร์นนิงมักจะต้องหลีกเลี่ยงข้อจำกัด การส่งและประมวลผลข้อมูลในระบบคลาวด์ต้องใช้เวลา และอาจจำเป็นต้องเปลี่ยนแบตเตอรี่ของอุปกรณ์อัจฉริยะปีละหลายครั้ง การวิจัยชี้ให้เห็นศักยภาพของผู้ที่มีศักยภาพของ TinyML ควรคาดหวังว่า TinyML จะเปลี่ยนแนวทางปฏิบัติที่ดีที่สุดของแมชชีนเลิร์นนิงโดยการสนับสนุนให้นักพัฒนาจำนวนมากขึ้นมองว่าเป็นทางเลือกที่ใช้งานได้ การวิจัยกำลังดำเนินการเพื่อใช้คลาวด์กับ TinyML เพื่อบีบอัดโมเดลการเรียนรู้ของเครื่องที่มีอยู่ การทำเช่นนี้เป็นการเปิดโอกาสให้พวกเขาทำงานบนเซ็นเซอร์ งานวิจัยอีกด้านเกี่ยวข้องกับการใช้ TinyML เพื่อแก้ไขปัญหาแบนด์วิดท์เครือข่ายที่เกิดจากข้อมูลดิบจำนวนมหาศาล อัลกอริธึมที่ชาญฉลาดสามารถปรับปรุงระดับคุณภาพของข้อมูล ช่วยลดปัญหาก่อนหน้านี้ที่ทำให้เกิดการสำรองข้อมูล เมื่อแมชชีนเลิร์นนิงได้รับความนิยมมากขึ้น ผู้คนก็ตระหนักมากขึ้นว่าสิ่งนี้สามารถช่วยให้พวกเขาค้นหารูปแบบในข้อมูลได้ สถิติคาดการณ์ว่าตลาดการวิเคราะห์เชิงคาดการณ์จะถึง $.95 พันล้านภายในสิ้น 2022. นอกเหนือจากการช่วยระบุปัญหาที่อาจเกิดขึ้นก่อนที่จะเกิดขึ้น TinyML ยังสามารถช่วยให้นักวิจัยกำหนดปัจจัยผสมที่ดีที่สุดเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด ตัวอย่างเช่น อาจใช้เวลาเพียง 12 เดือนในการทดสอบยาใหม่ หากนักวิทยาศาสตร์ใช้ฮาร์ดแวร์และ TinyML แทนการใช้สัตว์ การสร้างการทดสอบเกณฑ์มาตรฐานใหม่สำหรับ TinyML ควรขยายการวิจัยและพัฒนาในด้านนี้ด้วย ชุดทดสอบ MLPerf Tiny Inference จะวัดการใช้พลังงานและประสิทธิภาพ การวัดเป็นมิลลิวินาทีจะประเมินเวลาแฝง ในขณะที่ไมโครจูลส์ตรวจสอบการใช้พลังงานระหว่างการทดลองแมชชีนเลิร์นนิงสี่ครั้ง การวัดค่าต่ำสำหรับทั้งคู่นั้นเหมาะสมที่สุด อนาคตที่น่าตื่นเต้นสำหรับแมชชีนเลิร์นนิง ดังตัวอย่างเหล่านี้ TinyML จะช่วยผลักดันแมชชีนเลิร์นนิงไปข้างหน้าและแสดงให้ผู้คนเห็นว่าจะใช้งานอย่างไรในรูปแบบที่ก่อนหน้านี้ถือว่าเป็นไปไม่ได้ มีความต้องการอุปกรณ์เทคโนโลยีขนาดเล็กแต่ทรงพลังเพิ่มขึ้นเรื่อยๆ หากมีไมโครคอนโทรลเลอร์และอัลกอริธึม TinyML โปรเจ็กต์ดังกล่าวจะเหมือนจริงมากกว่าที่จะคิดไปไกล

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button