TinyML permite la inteligencia artificial en dispositivos terminales más pequeños - Calendae - Calendae | Informática, Electrónica, CMS, Ciberseguridad

TinyML permite la inteligencia artificial en dispositivos terminales más pequeños – Calendae

Hola, ¿qué tal colega?. Te habla Jordi Oriol y en el día de hoy te voy a hablar sobre TinyML permite la inteligencia artificial en dispositivos terminales más pequeños – Calendae

«TinyML es una prueba de que las cosas buenas vienen en paquetes pequeños», o así lo describe ARM, ya que promete con TinyML cambiar un enfoque diferente, de ejecutar modelos de aprendizaje automático optimizados en dispositivos de punto final pequeños y eficientes basados ​​en microcontroladores, en lugar de computadoras voluminosas y ávidas de energía ubicadas en la nube. Respaldado por ARM y los líderes de la industria Google, Qualcomm y otros, tiene el potencial de cambiar la forma en que manejamos los datos recopilados por los dispositivos de IoT, que ya se han apoderado de casi todas las industrias que podamos imaginar.

Pero, ¿por qué deberíamos usar TinyML en microcontroladores? Bueno, eso es simple. ¡Están en todos lados! Familias como ARM Cortex-M son muy eficientes y fiables, garantizan un rendimiento de procesamiento decente, si tenemos en cuenta su tamaño, adaptándolas a todas partes y pudiendo dejarlas ahí y olvidarnos de ellas. Además, son realmente baratos. El aprendizaje automático en microcontroladores nos permite tratar directamente con los datos creados en nuestros dispositivos IoT y realizar operaciones más sofisticadas y refinadas. Pero no se detiene ahí. Dar estas capacidades al microcontrolador permite dispositivos de punto final más independientes, que no requieren una conexión a Internet para intercambiar datos de ida y vuelta con la nube, lo que conduce a una latencia reducida, un menor consumo de energía y una mayor seguridad, ya que los datos no se van. el microcontrolador es más grueso, dejándolo menos expuesto al ataque.

Para llevar los algoritmos de aprendizaje automático a tarjetas pequeñas, la complejidad de las operaciones matemáticas involucradas tuvo que reducirse. Los científicos de datos han logrado esto aplicando varias técnicas, como reemplazar las operaciones de punto flotante con operaciones más simples de 8 bits. Los cambios han dado como resultado modelos adaptados a la plataforma, dirigidos a una memoria y recursos de procesamiento más bajos, lo que los hace funcionar de manera más eficiente sin comprometer la precisión. Por supuesto, no pueden reemplazar completamente los modelos en la nube, pero se adaptan a muchos casos de uso. Además de eso, el hardware ha sido diseñado por ARM para acelerar la inferencia, lo que impulsará el rendimiento ya impresionante que estamos obteniendo.

El aprendizaje automático en microcontroladores aporta nuevas y potentes funciones a nuestros proyectos, con casos de uso casi ilimitados. Los desarrolladores ya están usando TinyML para resolver problemas de todo tipo, incluidos semáforos reactivos para reducir la congestión, pronóstico de mantenimiento en maquinaria industrial, detección de insectos peligrosos en campos de cultivo, estantes en tiendas que advierten cuando las existencias son bajas, monitores de salud privados … La lista continua.

El valor de TinyML fue rápidamente reconocido por los principales actores de la industria, que están ayudando a impulsar la tecnología más allá, de los cuales podemos destacar la colaboración entre Google y ARM combinan bibliotecas ARM CMSIS-NN con Microframework TensorFlow Lite, ayudando a los expertos en programación no integrada a poner sus manos en la tecnología. Incluso las personas como tú y yo, desarrolladores, pueden registrarse fácilmente, todo lo que necesita es una computadora, un cable USB y una placa de desarrollo que se pueden comprar por tan solo $ 15.

Sitio web de TinyML: https://www.tinyml.org/home/

Puedes compartir en tu Facebook para que tus colegas lo consulten

??? ? ? ???

Comparte