TinyML: непрерывное обучение с LwM2M

Хотя микроконтроллеры становятся все более мощными, модели машинного обучения могут быть разработаны с использованием меньшего количества ресурсов. Это позволяет реализовать TinyML; модели глубокого обучения, которые могут работать на устройствах Интернета вещей с ограниченными ресурсами. TinyML можно использовать для локального анализа необработанных данных датчиков, что уменьшает или устраняет необходимость отправки данных в облако, снижает потребление заряда батареи и сохраняет конфиденциальность данных.

Тем не менее, внедрение интеллектуальных решений Интернета вещей не зависит только от самой модели машинного обучения. Это включает в себя такие задачи, как реализация непрерывного обучения, обеспечение беспроводной связи с низким энергопотреблением, удаленное управление устройствами, обеспечение безопасной связи, обновление прошивки (по беспроводной сети) и обеспечение совместимости устройств.

«TinyML можно использовать для локального анализа необработанных данных датчиков, что уменьшает или устраняет необходимость отправлять данные в облако, снижает потребление батареи и сохраняет конфиденциальность данных».

LwM2M — это стандарт связи прикладного уровня, который упрощает обмен сообщениями и управление устройствами для устройств Интернета вещей. Протокол определяет формат данных и определяет механизмы управления устройствами и стандартизированные процессы беспроводного обновления встроенного ПО (FOTA). Протокол хорошо подходит для стандартов LPWAN, таких как NB-IoT и LTE-M.

В то время как TinyML обеспечивает интеллект устройства (с использованием таких инструментов, как Edge Impulse или Cartesiam.ai), протокол LwM2M обеспечивает подключение, стандартизированную связь и управление устройствами. В сочетании они создают целостное решение для интеллектуальных устройств Интернета вещей.

Облачный анализ необработанных данных датчиков устройства неэффективен из-за объема данных, которые устройству необходимо передать. Более эффективный способ — обработка данных с датчиков прямо на устройстве с помощью TinyML. Например, анализ значений X, Y и Z акселерометра может обнаружить сложные движения или вибрации, которые могут дать ценную информацию, позволяя использовать такие варианты использования, как профилактическое обслуживание, мониторинг использования ценных товаров или классификацию движений людей или животных.

В наши дни разрабатывается все больше и больше интеллектуальных датчиков. В дополнение к своим сенсорным возможностям интеллектуальные датчики оснащены встроенным MCU, который запускает модель TinyML и передает только обнаруженные шаблоны в основной MCU устройства. Эти интегрированные датчики TinyML во время своей недавней лекции на саммите TinyML профессор Виджей Джанапа Редди (Гарвардский университет) назвал «парадигмой датчика 2.0». Интеллектуальные датчики упрощают внедрение TinyML, поскольку позволяют модернизировать существующие устройства с возможностями TinyML без необходимости перепроектирования встроенной прошивки. Кроме того, это может решить проблемы конфиденциальности благодаря истинной изоляции необработанных данных датчиков. Интеллектуальные датчики могут анализировать голоса или изображения с камеры, обеспечивая при этом конфиденциальность людей, поскольку данные не просачиваются в основной MCU устройства.

Одной из ключевых задач сегодняшнего дня является обеспечение надежности модели TinyML после ее развертывания. Зачастую наборы данных, используемые в целях обучения, отличаются от реальных данных, что приводит к неточным моделям. Кроме того, контекст окружающей среды может со временем измениться (например, из-за декалибровки промышленных машин или изменения климатических условий), что приведет к ухудшению качества модели.

Непрерывное обучение означает способность моделей TinyML адаптироваться с течением времени. Этого можно достичь путем обучения на новых наборах данных без необходимости переобучения модели с нуля. Хотя методы реализации непрерывного обучения хорошо известны, практические реализации часто отсутствуют при запуске моделей на устройствах с ограниченными ресурсами. Часто это связано с отсутствием уровня управления устройствами, который отвечает за управление жизненным циклом модели машинного обучения. LwM2M может быть недостающим звеном для непрерывного обучения, поскольку он имеет встроенную поддержку удаленной конфигурации и обновлений прошивки. Используя проверенные методы, модели ML можно постоянно обновлять без необходимости физического доступа к каждому устройству для обновления его прошивки.