Esineiden internetin kenttä on kokemassa perustavanlaatuisen muutoksen, kun kehittäjät siirtyvät perinteisestä Tiny Machine Learningistä (TinyML) kohti kehittyneempiä Tiny Deep Learning -ratkaisuja resurssirajoitteisille reunalaitteille.
Tätä kehitystä vauhdittavat kolme keskeistä teknologista innovaatiota. Ensinnäkin edistyneet mallien optimointitekniikat, kuten kvantisointi ja karsinta, vähentävät neuroverkkojen numeeristen esitysten tarkkuutta, jolloin mallit voidaan ottaa käyttöön laitteissa, joiden muisti on hyvin rajallinen. Toiseksi markkinoille on tullut omistettuja neurokiihdyttimiä, jotka suorittavat syväoppimisen matriisikertolaskut tehokkaasti ja tarjoavat huomattavaa suorituskykyetua yleiskäyttöisiin mikro-ohjaimiin verrattuna. Kolmanneksi kehittyvät ohjelmistotyökaluketjut helpottavat näiden mallien kehitystä ja käyttöönottoa automatisoitujen koneoppimistyökalujen avulla.
Vaikutukset ulottuvat teknisten saavutusten ulkopuolelle. Terveydenhuollossa TinyML-pohjaiset puettavat laitteet voivat nyt seurata elintoimintoja jatkuvasti ja havaita poikkeavuuksia ilman, että arkaluontoista dataa tarvitsee lähettää pilveen. Teollisuudessa hyödytään reaaliaikaisesta laitteiden kunnonvalvonnasta ja ennakoivasta huollosta suoraan antureissa. Kuluttajalaitteet saavat lisää älykkyyttä laitekohtaisen tekoälyn ansiosta, joka toimii ilman internet-yhteyttä.
Nousevat trendit vievät kehitystä vielä pidemmälle. Federatiivinen TinyML mahdollistaa mallien koulutuksen hajautetuilla tietolähteillä yksityisyyttä vaarantamatta. Sovelluskohtainen yhteissuunnittelu, jossa laitteisto ja ohjelmisto optimoidaan yhdessä tiettyyn käyttötarkoitukseen, lupaa lisätehokkuutta. Myös suurten, valmiiksi koulutettujen perustamallien sovittaminen reunalaitteille on uusi tutkimussuunta.
Haasteitakin riittää. Tietoturva-aukot vaativat huolellista huomiointia, ja laskentatehon sekä energiankulutuksen tasapainottaminen edellyttää innovatiivisia ratkaisuja. Siitä huolimatta, kun teknologia kypsyy, Tiny Deep Learning on vakiinnuttamassa asemansa muiden koneoppimistekniikoiden joukossa, mahdollistaen tekoälyn käytön aiemmin saavuttamattomissa ympäristöissä ja käyttökohteissa.