يشهد مشهد إنترنت الأشياء تحولًا جذريًا مع انتقال المطورين من التعلم الآلي المصغر الأساسي (TinyML) إلى أساليب التعلم العميق المصغر الأكثر تطورًا للأجهزة الطرفية ذات الموارد المحدودة.
يقود هذا التطور ثلاث ابتكارات تقنية رئيسية. أولًا، تقنيات تحسين النماذج المتقدمة مثل تقليل الدقة (quantization) والتقليم (pruning) تقلل من دقة التمثيلات العددية داخل الشبكات العصبية، مما يجعلها قابلة للنشر على أجهزة بذاكرة محدودة للغاية. ثانيًا، تظهر معالجات عصبية مخصصة قادرة على تنفيذ عمليات الضرب المصفوفي المحورية للتعلم العميق بكفاءة، مما يوفر أداءً أعلى بكثير مقارنة بالمتحكمات الدقيقة التقليدية. ثالثًا، تسهل سلاسل الأدوات البرمجية المتطورة تطوير هذه النماذج ونشرها من خلال أدوات تعلم آلي مؤتمتة.
يتجاوز التأثير الإنجازات التقنية البحتة. ففي مجال الرعاية الصحية، أصبح بإمكان الأجهزة القابلة للارتداء المدعومة بتقنيات TinyML مراقبة العلامات الحيوية بشكل مستمر واكتشاف الحالات الشاذة دون الحاجة لإرسال بيانات حساسة إلى السحابة. وتستفيد التطبيقات الصناعية من مراقبة المعدات في الوقت الفعلي وإمكانيات الصيانة التنبؤية مباشرة على أجهزة الاستشعار. كما تكتسب الأجهزة الاستهلاكية وظائف متقدمة بفضل الذكاء المدمج الذي يعمل دون الحاجة للاتصال بالإنترنت.
تدفع الاتجاهات الناشئة حدود الإمكانيات إلى أبعد من ذلك. فالتعلم الآلي المصغر الفيدرالي (Federated TinyML) يسمح بتدريب النماذج على مصادر بيانات موزعة مع الحفاظ على خصوصية البيانات. كما أن التصميم المشترك المخصص للمجال، حيث يتم تحسين الأجهزة والبرمجيات معًا لتطبيقات معينة، يعد بمكاسب إضافية في الكفاءة. ويمثل تكييف النماذج الأساسية الكبيرة المدربة مسبقًا للنشر على الأطراف جبهة جديدة أخرى.
ورغم هذه التطورات، لا تزال هناك تحديات قائمة. فالثغرات الأمنية تتطلب اهتمامًا خاصًا، كما أن تحقيق التوازن بين القدرات الحاسوبية واستهلاك الطاقة يستدعي حلولًا مبتكرة. ومع ذلك، ومع نضوج هذه التقنية، يبدو أن التعلم العميق المصغر في طريقه لترسيخ مكانته بين تقنيات التعلم الآلي الأخرى، مما يمكّن من نشر الذكاء الاصطناعي في بيئات وحالات استخدام كانت في السابق بعيدة المنال.