為了使機器學習達到“人類級”能力，則需要許多訓練迭代和標記數(shù)據(jù)。這需要大量資源，例如GPU和存儲，只需點擊每個云提供商的按鈕即可使用。結果，機器學習主要在云上發(fā)展，但這并不意味著它需要留在那里。如今，一個名為tinyML的機器學習新領域使得在微型、電池供電的物聯(lián)網(wǎng)(IoT)設備上運行機器學習模型成為可能。
物聯(lián)網(wǎng)
物聯(lián)網(wǎng)是一個物理對象（事物）的網(wǎng)絡，嵌入了傳感器、軟件和其他用于數(shù)字化和自動化的技術。這些設備的范圍從普通的家用物品到復雜的工業(yè)設備不等。所有物聯(lián)網(wǎng)設備的一個共同特征是，它們連接到一個平臺，有時相互連接，以執(zhí)行某種功能。室外物聯(lián)網(wǎng)設備通常通過蜂窩網(wǎng)絡實現(xiàn)連接，而在室內(nèi)或人口密集的市區(qū)，則可以使用WiFi、LPWAN或藍牙。這個龐大的市場擁有超過70億臺設備，并且正在不斷增長。一些行業(yè)專家預測，到2025年，這個數(shù)字將增長到220億。毫無疑問，淘金熱出現(xiàn)了。
物聯(lián)網(wǎng)設備的機器學習
絕大多數(shù)物聯(lián)網(wǎng)設備的計算能力不及云計算。然而，機器學習（ML）的最新突破甚至允許最小的物聯(lián)網(wǎng)設備也能執(zhí)行特定的ML任務。這個新興的機器學習領域被稱為tinyML。微型物聯(lián)網(wǎng)設備上的這種ML組合是將智能從云端轉移到“邊緣設備”這一更大概念的一部分。它通常被稱為“邊緣人工智能”。
tinyML在物聯(lián)網(wǎng)設備上的一些開創(chuàng)性應用包括：
●Alexa和Siri等語音命令
●具有物體和面部識別功能的智能攝像頭
●實時健康和活動監(jiān)測
●智慧城市停車，自動計費
智慧城市應用
以智慧城市停車為例。優(yōu)化停車的一種方法是在每個街角放置一個攝像頭（類似于監(jiān)控攝像頭），并監(jiān)測誰在何時何地停車。這使市政當局可以自動啟動停車位的計費流程，并讓人們知道空閑車位的位置。傳統(tǒng)上，這需要將實時視頻發(fā)送到云端進行處理。這造成了一個巨大的隱私問題：市政當局只需要知道汽車的牌照號碼就可以開始計費流程。但是，實時視頻包含很多信息，例如誰和誰一起坐車，這造成了巨大的隱私問題。這正是tinyML發(fā)揮作用的地方：tinyML讓您可以在資源受限的現(xiàn)場設備上實時處理視頻，而無需將其發(fā)送到云端。在這種情況下，唯一會被發(fā)送到云端的是車牌號碼，有了它，隱私問題就不存在了。而原始視頻永遠不會離開攝像頭。
人工智能進化的環(huán)境影響
物聯(lián)網(wǎng)和tinyML的結合還將在幫助組織實現(xiàn)環(huán)境、社會和治理(ESG)目標方面發(fā)揮核心作用。環(huán)境監(jiān)測項目利用物聯(lián)網(wǎng)技術來收集現(xiàn)場數(shù)據(jù)，如空氣質(zhì)量、水質(zhì)、噪音水平等。傳統(tǒng)上，掃描異常事件的數(shù)據(jù)需要將數(shù)據(jù)傳輸?shù)皆贫瞬卯惓z測算法。借助tinyML，這些電池供電的物聯(lián)網(wǎng)設備可以在現(xiàn)場執(zhí)行異常檢測和其他機器學習任務。這消除了將數(shù)據(jù)傳輸?shù)皆贫诉M行分析而帶來的延遲，并延長了設備的電池壽命。
總結
在過去，將機器學習應用于這些微型設備幾乎是不可能的，因此，它只能在云中進行。隨著tinyML技術的成熟，數(shù)十億臺微型物聯(lián)網(wǎng)設備現(xiàn)在可以利用機器學習。物聯(lián)網(wǎng)和機器學習的融合為各種行業(yè)的許多新應用打開了大門。這反過來將增加物聯(lián)網(wǎng)技術的采用，并推動城市和其他傳統(tǒng)行業(yè)(如關鍵基礎設施、環(huán)境監(jiān)測和交通)的數(shù)字化。
