O que é TinyML? Conheça o conceito, os benefícios e as fontes para se aprofundar no tema
Com TinyML, dá para fazer mais com menos. A técnica ainda é ML, mas com menos energia, custos e sem uma conexão de internet.
Um dispositivo pequeno com um impacto gigantesco. Este poderia ser um resumo para Tiny Machine Learning (ou TinyML), uma vertente emergente dentro da inteligência artificial.
Neste modelo, algoritmos de Machine Learning são implementados em sistemas de baixo consumo de energia, como sensores ou microcontroladores, para executar tarefas automatizadas.
Trata-se de um movimento que pode beneficiar a criação de dispositivos IoT e o melhor, popularizá-los através de uma possível redução nos custos.
De acordo com uma previsão da ABI Research, até 2030 é provável que cerca de 2,5 bilhões de dispositivos cheguem ao mercado através de técnicas de TinyML. E mais, um levantamento da consultoria The Silent Intelligence reforça a previsão anterior: nos próximos 5 anos, o TinyML pode alcançar mais de US$ 70 bilhões em valor econômico. Não dá para passar despercebido por essas cifras. Neste momento, diversas empresas já vêm se organizando para criar chips a serem usados em implementação TinyML. Além disso, diferentes profissionais do meio de ML têm se organizado para definir as boas práticas desse segmento que provavelmente se fortalecerá muito rápido.
Para você não ficar de fora do que existe de mais hype por aí, o Simple traz um resumo do que está por trás de TinyML.
Decifrando a pequena ML
TinyML é a ponte que nos faltava para transferir a inteligência do mundo digital para o mundo físico demandando menos energia e menos infraestrutura, já que não há necessidade de enviar informações para a nuvem. Alguns dos principais diferenciais da tecnologia são:
- Segurança de dados: Como não há necessidade de transferir informações para ambientes externos, a privacidade dos dados é mais garantida.
- Economia de energia: A transferência de informações demanda uma grande infraestrutura de servidores. Quando não há transmissão de dados, economiza-se em energia e recursos, consequentemente em custos.
- Sem dependência de conexão: Se para funcionar o dispositivo depende de internet, e ela cai, será impossível enviar os dados para o servidor. É o caso de você tentar usar um assistente de voz e ele não responder porque está desconectado da internet.
- Latência: Transferir de dados leva tempo e muitas vezes ocasiona em um delay. Quando não envolve esse processo, o resultado é instantâneo.
No TinyML, usa-se a mesma arquitetura e abordagem de ML, mas em dispositivos menores capazes de performar em diferentes funções, desde atender comando em áudio até executar ações por meio de interações químicas.
Um exemplo é o uso de TinyML em sensores ambientais. Imagina que o dispositivo é treinado para identificar temperatura e qualidade do gás em uma floresta. Este aparelho pode ser essencial para avaliação de riscos e identificação de princípios de incêndio.
Este movimento abre uma série de possibilidades de aplicações em dispositivos IoT, como TVs, carros, máquinas de café, relógios e outros aparelhos para que tenham funcionalidades inteligentes que hoje estão restritas em computadores e smartphones.
Um dos pioneiros da TinyML é Pete Warden, do Google, e segundo ele nós vamos ver interfaces de voz em quase tudo. "A partir do momento que você pode criar boas interfaces de voz com baixo custo, pode tê-las em qualquer item de consumo, substituindo botões em qualquer dispositivos, especialmente se pensar em dispositivos combinando áudio e vídeos”, declarou ele em uma palestra em Standford.
Para aprender mais sobre TinyML
Comunidade
Desde 2019, já há uma empreitada de profissionais que se organizam em torno de uma recém-criada comunidade de TinyML para gerar tanto impacto igualmente a comunidade de ML.
Atualmente a principal comunidade está em torno do tinyML Foundation, que visa construir uma comunidade global de pesquisadores, engenheiros, product managers para desenvolver uma tecnologia de ponta, promovendo e estimulando o conhecimento sobre o tema.
O interesse pela área surpreendeu e a primeira reunião do grupo, chamada de Talk, reuniu mais de 500 pessoas.
Saiba mais em: https://www.tinyml.org/home/
Livro Tiny ML: Machine Learning with Tensorflow Lite on Arduino and Ultra-Low-Power Microcontrollers
Escrita por Pete Warden e Daniel Situnayake, do Google, esta é uma obra introdutória ao universo de TinyML. A dupla explica como você pode treinar pequenos modelos que entendem áudio, imagem e dados para executar algumas tarefas. Segunda a própria descrição do livro, não é necessária nenhuma experiência anterior em ML ou microcontroladores para acompanhar a obra.
Saiba mais em: https://www.amazon.com.br/Tiny-ML-Pete-Warden/dp/1492052043
Meetup
O grupo tinyML possui uma comunidade no Meetup com mais de 4 mil membros. Neste espaço, os organizadores publicam diferentes eventos online sobre o assunto. Uma boa oportunidade para se envolver com membros da área espalhados em vários países.
Saiba mais em: https://www.meetup.com/pt-BR/pro/tinyml/
No LinkedIn, o grupo de TinyML reúne mais de 1 mil pessoas com diferentes backgrounds, como engenheiros, desenvolvedores, investidores e outros entusiastas da tecnologia.
Saiba mais em: https://www.linkedin.com/groups/13694488/
Tutorial para identificar fruta
Neste tutorial, usa-se a library TensorFlow Lite, Arduino e um sensor de proximidade para classificar frutas de acordo com sua respectiva cor.
Tente fazer: https://blog.arduino.cc/2019/11/07/fruit-identification-using-arduino-and-tensorflow/
Tutorial de modelo para criar um carro-robô
Este tutorial foca no uso de ML em dispositivos Arduino. O objetivo é criar um carrinho controlado a partir de comandos de voz.
Tente fazer: https://www.survivingwithandroid.com/arduino-machine-learning-tensorflow-lite/
