TinyML está dando nueva vida al hardware


La última tecnología de software integrada mueve el hardware a un reino casi mágico.

TinyML está dando nueva vida al hardware 1

Aluminio e iconografía. ya no son suficientes para que un producto se destaque en el mercado. Hoy en día, los grandes productos deben ser útiles y ofrecer una experiencia casi mágica, algo que se convierta en una extensión de la vida. Tiny Machine Learning (TinyML) es la última tecnología de software integrada que mueve el hardware a ese reino casi mágico, donde las máquinas pueden aprender y crecer automáticamente a través del uso, como un cerebro humano primitivo.

Hasta ahora, la construcción de algoritmos de aprendizaje automático (ML) para hardware significaba modos matemáticos complejos basados ​​en datos de muestra, conocidos como «datos de entrenamiento», para hacer predicciones o decisiones sin ser programado explícitamente para hacerlo. Y si esto suena complejo y costoso de construir, lo es. Además de eso, las tareas tradicionalmente relacionadas con ML se tradujeron a la nube, creando latencia, consumiendo poca energía y poniendo las máquinas a merced de las velocidades de conexión. Combinadas, estas restricciones hicieron que la informática en el borde fuera más lenta, más costosa y menos predecible.

Pero gracias a los avances recientes, las empresas están recurriendo a TinyML como la última tendencia en la creación de inteligencia de productos. Arduino La compañía más conocida por el hardware de código abierto está haciendo que TinyML esté disponible para millones de desarrolladores. Junto con Edge Impulse, están convirtiendo la omnipresente placa Arduino en una potente plataforma ML incrustada, como el Arduino Nano 33 BLE Sense y otras placas de 32 bits. Con esta asociación, puede ejecutar potentes modelos de aprendizaje basados ​​en redes neuronales artificiales (ANN) que alcanzan y toman muestras de sensores pequeños junto con microcontroladores de baja potencia.

Durante el año pasado, se hicieron grandes avances para hacer que los modelos de aprendizaje profundo sean más pequeños, más rápidos y ejecutables en hardware integrado a través de proyectos como TensorFlow Lite para Microcontroladores, uTensor y Arm’s CMSIS-NN. Pero construir un conjunto de datos de calidad, extraer las características correctas, capacitar e implementar estos modelos sigue siendo complicado. TinyML era el eslabón perdido entre el hardware de borde y la inteligencia del dispositivo que ahora se estaba concretando.

Pequeños dispositivos con cerebros no tan pequeños



Fuente: TechCrunch

Compartir:

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *