მანქანური სწავლება ზღვარზე: TinyML იზრდება

Ეს არის $61 მილიარდი და 38.4% CAGR 2028 წლისთვის ან $43 მილიარდი და 37.4% CAGR 2027 წლისთვის? დამოკიდებულია იმაზე, თუ რომელ ანგარიშშია ასახული ზრდა კიდეების გამოთვლა თქვენ ირჩევთ წასვლას, მაგრამ საბოლოოდ ეს არც ისე განსხვავებულია.

რა მნიშვნელობა აქვს ამას edge computing არის ბუმი. მზარდი ინტერესია მოვაჭრეების მხრიდან და ფართო დაფარვა, კარგი მიზეზის გამო. მიუხედავად იმისა, რომ განმარტება რას წარმოადგენს კიდეების გამოთვლა ცოტა ბუნდოვანია, იდეა მარტივია. საუბარია მონაცემთა ცენტრიდან გამოთვლაზე და მის მიახლოებაზე, სადაც მოქმედება შესაძლებელია.

იქნება ეს დამოუკიდებელი IoT სენსორები, ყველა სახის მოწყობილობები, დრონები, ან ავტონომიური მანქანები, ერთი რამ არის საერთო. სულ უფრო და უფრო ხშირად, ზღვარზე გენერირებული მონაცემები გამოიყენება მანქანური სწავლების მოდელების მიერ მოწოდებული აპლიკაციების შესანახად. მხოლოდ ერთი პრობლემაა: მანქანათმცოდნეობის მოდელები არასოდეს ყოფილა შექმნილი ისე, რომ განლაგებულიყო ზღვარზე. არა აქამდე მაინც. შედი TinyML.

Tiny Machine Learning (TinyML) ფართოდ არის განმარტებული, როგორც მანქანათმცოდნეობის ტექნოლოგიებისა და აპლიკაციების სწრაფად მზარდი სფერო, მათ შორის აპარატურა, ალგორითმები და პროგრამული უზრუნველყოფა, რომელსაც შეუძლია მოწყობილობაზე სენსორის მონაცემთა ანალიტიკის შესრულება უკიდურესად დაბალ სიმძლავრეზე, როგორც წესი, mW დიაპაზონში და ქვემოთ, და, შესაბამისად, საშუალებას აძლევს სხვადასხვა მუდამ ჩართული გამოყენების შემთხვევების და მიზნობრივი ბატარეის მუშაობას მოწყობილობები.

ამ კვირაში, TinyML EMEA ტექნიკური ფორუმის გახსნა მიმდინარეობს და ეს იყო კარგი შესაძლებლობა ამ დომენის რამდენიმე საკვანძო ადამიანთან განსახილველად. ZDNet დაეწია ევგენი გოუსევს Qualcomm-იდან, ბლერ ნიუმენს Neuton-დან და პიტ უორდენს Google-იდან.

ჰეი Google

პიტ უორდენმა დაწერა მსოფლიოში ერთადერთი ულვაშის აღმოჩენის გამოსახულების დამუშავების ალგორითმი. ის ასევე იყო სტარტაპ Jetpac-ის დამფუძნებელი და CTO. მან შექმნა A სერია Khosla Ventures-ისგან, შექმნა ტექნიკური გუნდი და შექმნა უნიკალური მონაცემთა პროდუქტი, რომელიც აანალიზებდა პიქსელს. 140 მილიონზე მეტი ფოტოს მონაცემები ინსტაგრამიდან და გადააქცია ისინი სიღრმისეულ სახელმძღვანელოდ 5000-ზე მეტი ქალაქის გარშემო. მსოფლიო.

Jetpac Google-მა 2014 წელს შეიძინა და მას შემდეგ უორდენი Google-ის პერსონალის კვლევის ინჟინერია. მაშინ უორდენი თავს კარგად გრძნობდა, რადგან შეეძლო მანქანური სწავლების მოდელების მორგება ორ მეგაბაიტში.

ეს იყო მანამ, სანამ მან აღმოაჩინა, რომ ზოგიერთ მის ახალ Google კოლეგას ჰქონდა 13 კილობაიტიანი მოდელი, რომელსაც ისინი იყენებდნენ Android მოწყობილობებზე DSP-ზე ყოველთვის გაშვებული wake სიტყვების ამოსაცნობად. ამ გზით მთავარი პროცესორი არ წვავდა ბატარეას და უსმენდა "ამას" გაღვიძების სიტყვა -- Hey Google.

„ამან ნამდვილად დამაფიქრა, იმ ფაქტმა, რომ თქვენ შეგეძლოთ რაიმე მართლაც სასარგებლო გააკეთოთ ამ პატარა მოდელში. და ამან ნამდვილად დამაფიქრა ყველა სხვა აპლიკაციის შესახებ, რაც შეიძლება შესაძლებელი იყოს, თუ ჩვენ შევძლებთ განსაკუთრებით მანქანური სწავლების, ღრმა სწავლის ამ ახალი მიდგომების გაშვებას“, - თქვა უორდენმა.

მიუხედავად იმისა უორდენს ხშირად მისი თანატოლები მიაწერენ, როგორც მან დაიწყო მანქანური სწავლების TinyML ქვედომენი., ის საკმაოდ მოკრძალებულია ამასთან დაკავშირებით. ბევრი რამ, რაც მან გააკეთა, ის აღიარებს, დაფუძნებული იყო იმაზე, რაზეც სხვები უკვე მუშაობდნენ: „ბევრი ჩემი წვლილი დაეხმარა ამ საინჟინრო პრაქტიკის გავრცელებასა და დოკუმენტირებას, რომელიც გაჩნდა. ” მან თქვა.

TinyML, ექსპონენციალური ზრდა

ევგენი გოუსევი რუსეთიდან აშშ-ში 25 წელზე მეტი ხნის წინ ჩამოვიდა მოკლე ვიზიტით. ის არასოდეს აპირებდა დარჩენას, მაგრამ დღეს ის აქ არის და მსახურობს Qualcomm-ის უფროს დირექტორად. გუსევს აქვს გამოცდილება ფიზიკაში და მოღვაწეობს აკადემიაში, ისევე როგორც IBM-ში Qualcomm-მდე.

გუსევი უორდენს 2018 წელს შეხვდა და ის აღწერს, თუ რა იყო შესაძლებელი იმ ტექნიკის გამოყენებით, რომელზეც უორდენი მუშაობდა, როგორც თვალის გახსნის გამოცდილება:

როცა პიტმა აჩვენა, რისი გაკეთება შეგიძლია აქ, შეგიძლია კვანტირება თქვენი მოდელი, და შეგიძლიათ ღრმად სწავლის მოდელის გაშვება 8 ბიტზე და სიზუსტეზე დიდი კომპრომისის გარეშე, ეს იყო თვალის გახსნის გამოცდილება მთელი საზოგადოებისთვის. თითქოს -- ვაი, ეს შესაძლებელია? ეს იყო ერთგვარი აზროვნების ცვლილება.

გოუსევი და უორენი გაერთიანდნენ და დაიწყეს ფიქრი იმის შესახებ, რომ გაევრცელებინათ ის, რაც მათ დიდი პოტენციალი ჰქონდა. მათ სურდათ შეექმნათ ეკოსისტემა TinyML-ის გარშემო. მათ დაიწყეს კოლეგებთან და მეგობრებთან დარეკვა, მათი იდეების გაზიარება და გაზიარება.

პირველი ნაბიჯი იყო Google-ის კამპუსში TinyML სესიის ორგანიზება. თავდაპირველად ისინი წუხდნენ, შეძლებდნენ თუ არა ოთახში 30 ადამიანის მიღებას. ორიოდე თვის შემდეგ ღონისძიება უკვე 200 ადამიანზე მეტი იყო გამოწერილი. ამ მომენტიდან მოყოლებული, ეს საკმაოდ ექსპონენციალური ზრდაა და TinyML მოვლენებმა უკვე მიაღწია 5000 მონაწილეს.

სერვისების მიტანა თქვენი მომხმარებლების ხელზე

The TinyML ფონდი შეიქმნა და 2019 წლის მარტში გამართულმა TinyML სამიტმა აჩვენა საზოგადოების ძალიან დიდი ინტერესი 90 კომპანიის აქტიური ექსპერტების მონაწილეობით. მან აჩვენა, რომ TinyML-ის მქონე აპარატურა ხდება „საკმარისად კარგი“ მრავალი კომერციული აპლიკაციისთვის და ახალი არქიტექტურა (მაგ. მეხსიერებაში გამოთვლა) არის ჰორიზონტზე.

მან ასევე აჩვენა, რომ ალგორითმებში, ქსელებში და მოდელებზე 100 კბ-მდე და ქვემოთ მნიშვნელოვანი პროგრესი მიღწეულია და აჩვენა რამდენიმე საწყისი დაბალი სიმძლავრის აპლიკაცია ხედვისა და აუდიო სივრცეში. აქ ღირს რამდენიმე პუნქტის ხაზგასმა.

პირველი, სამუშაო განმარტება, თუ რას წარმოადგენს TinyML, განიხილებოდა და გარკვეულწილად დღემდე მიმდინარეობს. მნიშვნელოვანია ის, თუ როგორ შეიძლება მოწყობილობების განლაგება მინდორში და როგორ აპირებენ მათ შესრულებას, თქვა გოუსევმა. ეს განსხვავებული იქნება მოწყობილობისა და გამოყენების შემთხვევის მიხედვით, მაგრამ საქმე იმაშია, რომ ყოველთვის ჩართულია და არ არის საჭირო ბატარეების შეცვლა ყოველ კვირას. ეს შეიძლება მოხდეს მხოლოდ mW დიაპაზონში და ქვემოთ.

იმისთვის, რომ იყოთ წარმატებული, თქვენ უნდა შეძლოთ თქვენი სერვისების ხელზე მიტანა თქვენი მომხმარებლებისთვის. ასე თქვა ბლერ ნიუმენმა, ნეიტონის მიდგომის განსახიერება. ნიუმენი, კიდევ ერთი გამოცდილი ექსპერტი Sun Microsystems-ში, Verizon-სა და T-System-ში მოღვაწეობით, 2015 წლიდან მუშაობს Neuton-ის CTO-ად.

ჯერ კიდევ 2018 წელს, ნეიტონმა გამოიწვია აურზაური ნერვული ქსელის ჩარჩოს გამოცხადებით აცხადებენ, რომ ისინი ბევრად უფრო ეფექტურია, ვიდრე ბაზარზე არსებული ნებისმიერი სხვა ჩარჩო და არანეირონული ალგორითმი. ნეიტონის საიდუმლო სოუსი არის ის, თუ როგორ იქმნება ქსელის არქიტექტურა და ეს არის ის, რაც მას აქტუალურს ხდის TinyML-სთვისაც, თქვა ნიუმენმა:

ჩვენ დავიწყეთ ცოტა განსხვავებული მიდგომა, სადაც ვაშენებთ ჩვენს მოდელებს დანიშნულებისამებრ. იმის ნაცვლად, რომ მრგვალ ხვრელში ჩავდოთ კვადრატი, რათა დავრწმუნდეთ, რომ მოდელი მოთავსდება აპარატურულ მოწყობილობაში, ჩვენ ვაშენებთ ყველა ჩვენს მოდელს კონკრეტული გამოყენების შემთხვევაში.

TinyML ახლახან იწყება

ნიუმენმა მოიხსენია ნეიტონის საკუთრების მიდგომა, როგორც ქსელის არქიტექტურის ნეირონით აგება, რის შედეგადაც მიიღება ის, რაც არა მხოლოდ ოპტიმიზირებულია შესრულებისთვის, არამედ ზომითაც. ისინი შეიძლება იყოს 100-ჯერ უფრო მცირე, დასძინა მან და მიზანია შევძლოთ იგივე მანქანათმცოდნეობის მოდელის განთავსება მონაცემთა ცენტრში და ზღვარზე.

ზოგადად, TinyML-მა დიდი სარგებლობა მოახდინა ინდუსტრიის მრავალი ადამიანის მუშაობით, ისევე როგორც კვლევაში, ისეთი ტექნიკით, როგორიცაა ბინარული ქსელები, კვანტიზაცია, მორთვა, კლასტერირება და დისტილაცია. TinyML ინსტიტუტის მიზანია იყოს ღია და ინკლუზიური და ყველასთვის ხელმისაწვდომი შედეგების მიღება. დასასრულს, ყველა დათანხმდა, რომ ჩვენ მხოლოდ ვიწყებთ ზედაპირის გარკვევას, რაც შესაძლებელია TinyML-ით.

მიუხედავად იმისა, რომ დღეს TinyML გამოიყენება მხოლოდ მანქანათმცოდნეობის დასკვნის ნაწილისთვის, გუზევი, ნიუმენი და უორდენი თვლიან, რომ 5 წლის შემდეგ ჩვენ დავიწყებთ ტრენინგის ყურებას. ტექნიკა, როგორიცაა ფედერაციული სწავლა იქ უფრო მნიშვნელოვანი იქნება.

გუსევი, ნიუმენი და უორდენი ყველა გამოცდილი ექსპერტები არიან, უნარ-ჩვევებითა და გამოცდილებათ, რომლებიც სცილდება ინჟინერიას. ისინი ყველა შეთანხმდნენ, რომ გაფრთხილებები ეხება მანქანური სწავლების ნებისმიერ აპლიკაციას, როგორიცაა მონაცემთა ხარისხი და რაოდენობა, მონაცემთა მილსადენების აშენება და ორგანიზაციაში საჭირო ექსპერტიზის მქონე, მიმართეთ TinyML-ს, ძალიან.

იქნება ეს კენიაში ფუტკრის მონიტორინგი თუ ჭკვიანი ქარხნების აშენება, საბოლოო ჯამში, აპლიკაციები იმაზე მაღლა წავა, რაც ტექნოლოგებს შეუძლიათ წარმოიდგინონ. ეს არის ის, რაც ადრე მოხდა ფუნდამენტურ ტექნოლოგიასთან დაკავშირებით, და ეს არის ის, რასაც ადამიანები, რომლებსაც სჯერათ TinyML-ის, აქაც ხედავენ.