Ang tanawin ng Internet of Things ay sumasailalim sa isang pundamental na pagbabago habang ang mga developer ay lumilipat mula sa simpleng Tiny Machine Learning (TinyML) patungo sa mas sopistikadong Tiny Deep Learning para sa mga edge device na may limitadong resources.
Itinutulak ng tatlong pangunahing teknolohikal na inobasyon ang ebolusyong ito. Una, ang mga advanced na teknik sa model optimization gaya ng quantization at pruning ay nagpapababa ng precision ng numerical representations sa loob ng neural networks, kaya't nagiging posible ang deployment sa mga device na may napakaliit na memorya. Ikalawa, lumilitaw na ang mga dedikadong neural accelerators na mahusay magsagawa ng matrix multiplications na sentral sa deep learning, na nagdudulot ng malaking pagtaas sa performance kumpara sa mga general-purpose microcontrollers. Ikatlo, ang umuunlad na mga software toolchain ay nagpapadali sa pagbuo at deployment ng mga modelong ito sa pamamagitan ng automated machine learning tools.
Ang epekto nito ay lampas sa teknikal na tagumpay. Sa healthcare, ang mga wearable na pinapagana ng TinyML ay kaya nang magsagawa ng tuloy-tuloy na pagmamanman ng vital signs at makadetect ng mga anomalya nang hindi kinakailangang ipadala ang sensitibong datos sa cloud. Sa industriya, nakikinabang ang mga aplikasyon mula sa real-time na pagmamanman ng kagamitan at predictive maintenance na direkta sa mga sensor. Ang mga consumer device naman ay nagkakaroon ng mas pinahusay na kakayahan sa pamamagitan ng on-device intelligence na gumagana kahit walang internet connectivity.
Patuloy pang pinalalawak ng mga umuusbong na trend ang hangganan ng teknolohiyang ito. Pinapayagan ng Federated TinyML ang pagsasanay ng mga modelo sa desentralisadong pinagkukunan ng datos habang nananatiling pribado ang impormasyon. Ang domain-specific co-design, kung saan sabay na inoo-optimize ang hardware at software para sa partikular na aplikasyon, ay nangangako ng karagdagang kahusayan. Ang pag-aangkop ng malalaking pre-trained foundation models para sa edge deployment ay isa pang bagong hangganan.
Sa kabila ng mga pagsulong na ito, may mga hamon pa ring kinakaharap. Nangangailangan ng masusing pag-aaral ang mga isyu sa seguridad, at ang pagbabalansi ng kakayahan sa komputasyon at konsumo ng enerhiya ay nangangailangan ng mga makabagong solusyon. Gayunpaman, habang patuloy na hinog ang teknolohiya, nakatakdang maging matatag ang Tiny Deep Learning sa hanay ng iba pang teknik sa machine learning, na nagbibigay-daan sa AI deployment sa mga lugar at gamit na dati ay hindi naaabot.