TinyML llegó para transformar el panorama de las aplicaciones de dispositivos IoT y el futuro de los dispositivos inteligentes.
TinyML y sus aplicaciones: TinyML es una especie de aprendizaje automático en el que las redes de aprendizaje profundo se reducen para que quepan en un pequeño hardware. La inteligencia artificial (IA) y los dispositivos inteligentes se combinan en este proyecto. Por ejemplo, en el Smartphone que llevamos en nuestro bolsillo tenemos 45×18 mm de inteligencia artificial. O el proyecto de fin de semana con nuestra placa Arduino tiene implantado un pequeño modelo de aprendizaje automático.
Los nuevos marcos de aprendizaje automático integrados permitirán la difusión de dispositivos IoT impulsado por IA. La electrónica integrada de ultra bajo consumo está entrando en nuestro mundo, lo que permite que los dispositivos IoT alimentados por IA proliferen aún más.
Aprendizaje automático (Machine Learning)
El aprendizaje automático es un argot que ha existido desde hace mucho tiempo, y tiene aplicaciones para dar sentido a los datos caóticos. Sin embargo, está menos comúnmente conectado con el hardware. El aprendizaje automático y el hardware se vinculan con frecuencia con la nube, generalmente asociados con la latencia, el consumo de energía y el hecho de poner los ordenadores a merced de las tarifas de la red.
El aprendizaje automático (Machine Learning) en dispositivos, por otro lado, no es un concepto novedoso. La mayoría de nuestros smartphones han tenido algún tipo de red neuronal desde hace algunos años. El aprendizaje profundo (Deep Learning) incorporado se utiliza en varias aplicaciones, incluido el reconocimiento de música del dispositivo y una variedad de modos de cámara (como visión nocturna y modo retrato). Los algoritmos pueden reconocer qué aplicaciones es más probable que volvamos a usar, y desactivar otras que no, aumentando la duración de la batería de nuestros smartphones. Sin embargo, la IA integrada tienen otros obstáculos, incluidas las limitaciones de energía y espacio. Ahí es donde entra en juego TinyML.
Los datos del sensor en el dispositivo requieren amplias capacidades informáticas. Lo que lleva a una capacidad de almacenamiento limitada, limitaciones de la CPU y una degradación del rendimiento de la base de datos. TinyML introduce el aprendizaje automático en escena, al incorporar IA en pequeños componentes de hardware. Permite a los usuarios utilizar técnicas de aprendizaje profundo para entrenar redes en dispositivos y minimizar su tamaño sin cargar datos en la nube e incurrir en un retraso adicional al analizarlos.
TinyML: beneficios
- Los microcontroladores son energéticamente eficientes y pueden funcionar durante períodos prolongados con baterías. Conserva energía a la vez que es rentable.
- Debido al tamaño modesto de los dispositivos empleados, no es necesario transferir datos al servidor cada vez. Significa que el paquete de datos viaja más rápido y con menos retraso, lo que reduce la latencia de salida.
- Debido a que los datos no se entregan al servidor de vez en cuando, el procedimiento usa menos ancho de banda y, a veces, ni siquiera usa Internet. Como resultado, no depende de la conexión.
- La seguridad y la privacidad de los datos están garantizadas, ya que los datos no se transfieren a otros usuarios o sitios web.
TinyML y sus aplicaciones
TinyML ha demostrado tener éxito en dispositivos perimetrales, y ofrece varias opciones. Puede responder a órdenes auditivas y utilizar interacciones químicas para realizar tareas. Algunos ejemplos de aplicaciones TinyML son Google Assistant y Alexa. Los dispositivos están constantemente encendidos y escuchan su voz para la palabra de activación. Otros usos que pueden o no ser una buena idea incluyen:
Industria
TinyML, cuando se usa en dispositivos de bajo consumo, puede identificar continuamente los problemas de la máquina con anticipación. Implica un mantenimiento basado en predicciones. Como ejemplo, Ping Services, una empresa emergente australiana, ha presentado un dispositivo IoT que monitorea las turbinas eólicas al adherirse a la parte exterior de la turbina. Si detecta algún posible problema o mal funcionamiento, avisa.
Agricultura
Por ejemplo, los agricultores pueden usar la aplicación TensorFlow Lite para identificar enfermedades en las plantas tomándoles una foto. Se puede utilizar en cualquier dispositivo, y no requiere conexión a Internet. El procedimiento garantiza la preservación de los intereses agrícolas, lo cual es fundamental para los agricultores remotos.
Hospitales
Por ejemplo, Solar Scare es una iniciativa que tienen como objetivo crear conciencia sobre los peligros de los mosquitos: utiliza TinyML para prevenir la propagación de enfermedades como el dengue y la malaria. Funciona con energía solar y detecta las condiciones de reproducción de los mosquitos, antes de indicarle al agua que detenga la reproducción de los mosquitos.
Conservación del medio acuático
Por ejemplo, las ballenas son monitoreadas por diminutos dispositivos con tecnología ML en tiempo real, que informan cuando se producen impactos en canales navegación congestionados.
El futuro prometedor de TinyML
TinyML llegó para transformar el panorama de las aplicaciones de dispositivos IoT y el futuro de los dispositivos inteligentes. Según una previsión, los enfoques de TinyML traerían una estimación de 2.000 millones de dispositivos al mercado para 2030, impulsando la economía al ser rentables y producir productos inteligentes.
Referencias:
https://towardsdatascience.com/an-introduction-to-tinyml-4617f314aa79
https://www.opengrowth.com/article/tinyml-fundamentals-applications-deployment
https://www.plugandplaytechcenter.com/resources/tinyml-making-smart-devices-tinier-ever/
https://dev.to/tkeyo/tinyml-machine-learning-on-esp32-with-micropython-38a6