TinyML Nedir? |
Makine Öğrenimi Uygulamaları

Makine öğreniminin bir alt dalı olan TinyML nedir? Hangi alanlarda kullanılır, donanım ve yazılım açısından sağladığı avantajlar nelerdir? Bu yazımızda TinyML dünyasını tanıttık.

A- A+

23.02.2022 tarihli yazı 10188 kez okunmuştur.

Makine öğrenimi bir bilgisayara kalıpları tanımayı öğretmek için sinir ağları adı verilen algoritmaları kullanan bir teknolojidir. Makine öğrenimi; cep telefonları, sosyal medya, taşıtlar, akıllı evler başta olmak üzere günlük hayatta etkileşimde olduğumuz hemen her dijital nesneye nufüz eden, güçlü ve dinamik bir alandır. Bu alanların dışında da makine öğrenmesinin kullanılabileceği çok sayıda alan vardır ancak bilgi işlem kaynakları ve yüksek güç tüketimi gibi sebeplerden ötürü kullanım alanı daralmaktadır. Bu durumda karşımıza ‘‘TinyML’’ adı verilen çok inovatif bir yaklaşım çıkıyor.

►İlginizi Çekebilir: Yapay Zeka, Makine Öğrenimi ve Derin Öğrenme Nedir?

TinyML Nedir?

Tiny Machine Learning (veya TinyML), makine öğrenimi mimarileri, teknikleri, araçları ve yaklaşımları dahil olmak üzere "tam yığın" (donanım, sistem, yazılım ve uygulamalar) çözümleri gerektiren azaltılmış ve optimize edilmiş makine öğrenimi uygulamalarını entegre eden bir makine öğrenimi tekniğidir. TinyML, bulutun en ucunda cihaz üzerinde analizlerini ve gereken aksiyonları gerçekleştirme yeteneğine sahiptir. Üstelik bunu çok düşük bir güç harcamasıyla sağlıyor. Bu da günümüzdeki enerji fiyatlarını göze alırsak çok güzel bir avantaj.

TinyML, otomatik görevleri gerçekleştirmek için sensörler veya mikrodenetleyiciler gibi düşük enerjili sistemlere uygulanabilir. Bu da demek oluyor ki makine öğrenimi ve gömülü sistemler bir araya gelmiş oluyor.

►İlginizi Çekebilir: Arduino Platformuna Makine Öğrenmesi Eklendi!

TinyML'de, aynı makine öğrenimi mimarisi ve yaklaşımı kullanılır. Ek olarak, daha küçük cihazlarda, sesli komutları yanıtlamaktan kimyasal etkileşimler yoluyla eylemleri yürütmeye kadar farklı işlevleri yerine getirebilir.

Peki TinyML'i nasıl tam olarak kullanıma geçiririz?

Birçok araç, IoT (nesnelerin interneti) cihazlarında makine öğrenimi modelleri çalıştırmamıza yardımcı olabilir. TinyML’yi kullanabileceğimiz araçlardan en ünlüsü Tensorflow Lite. Tensorflow Lite ile Tensorflow modellerinizi gömülü sistemlerde çalışacak şekilde gruplayabiliriz. Tensorflow Lite; düşük güçlü yerleşik sistemlerde çalışabilen küçük ikili dosyalar sunar.

TinyML’nin çevresel sensörlerde kullanıldığı bir örneği birlikte düşünelim. TinyML destekli bir cihazın ormandaki sıcaklık ve gaz kalitesini belirlemek için eğitildiğini hayal edelim. Bu cihaz, risk değerlendirmesi ve yangın ilkelerinin tanımlanması için gerekli olabilir.

►İlginizi Çekebilir: Makine Öğrenimi için 6 Araç

Ağa bağlanmak enerji gerektiren bir işlemdir. Tensorflow Lite'ı kullanarak, internete bağlanmanıza gerek kalmadan makine öğrenimi modellerini dağıtabiliriz. Bu aynı zamanda, gömülü sistemlerin verilerinin çalınması nispeten daha kolay olduğu için güvenlik sorunlarını da çözer.

Tensorflow Lite, günlük kullanım durumları için önceden eğitilmiş makine öğrenimi modelleri sunar. Bunlar şu işlevleri içerir;

►Nesne algılama: 80'e kadar farklı öğeyi destekleyen bir görüntüdeki birden fazla nesneyi tanımak için kullanılır.

►Akıllı yanıtlar: Sohbet amaçlı bir yapay zeka veya bir sohbet robotu ile etkileşim kurduğunuzda elde ettiğinize benzer akıllı yanıtlar üretir.

►Öneriler: Kullanıcı davranışına göre özelleştirilmiş öneri sistemleri sunar.

►CoreML: iOS cihazlarda makine öğrenimi modelleri oluşturmak için Apple kitaplığı.

TinyML'nin hakim bir şekilde benimsenmesini kesin olarak görmeye başlamamız biraz zaman alabilir. Buna karşılık, 2030’a kadar TinyML’in çok yaygınlaşacağına da bir çok araştırma şirketi tarafından kesin gözüyle bakılıyor.

TinyML'nin Avantajları

► Düşük Gecikme Süresi: Model bulutun uç kısmında çalıştığından çıkarımı çalıştırmak için verilerin bir sunucuya gönderilmesi gerekmez. Bu sebeple çıktının gecikme süresi azalır.

► Düşük Güç Tüketimi: Daha önce de belirttiğimiz gibi mikrodenetleyiciler kullanılır ve bu tarz komponentler çok az güç tüketimi sağlar. Bu da gerçekten uzun süre enerjiye ihtiyaç duymadan bulutun ucunda koşmalarını (çalışmalarını) sağlar.

► Düşük Bant Genişliği: Verilerin sunucuya sürekli olarak gönderilmesi gerekmediği için daha küçük bir bant genişliği kullanır.

► Gizlilik: Model, bulutun ucunda çalıştığı için verileriniz hiçbir sunucuda depolanamaz.

TinyML'in Kullanılacağı Uygulamalar Nelerdir?

Soyut uygulamalar hakkında konuşmak kolaydır, ancak önümüzdeki yıllarda kullanıma sunulacak ve çalışma veya yaşam tarzımızı etkileyecek belirli uygulamalara odaklanmak daha doğru olacaktır.

► Hareketlilik: Trafik verilerini gerçek zamanlı olarak toplayan sensörlere TinyML uygularsak, trafiği daha etkin bir şekilde yönetebilir ve acil durum araçları için tepki sürelerini azaltabiliriz. Bazı ulaşım şirketleri, yolcu güvenliğini artırmak ve verimli gerçek zamanlı yönlendirme yoluyla trafik sıkışıklığını ve emisyonları azaltmak için verileri yayınlamada TinyML kullanır. Ekipman koşulları belirlediğinde çalışanları önleyici bakım yapmaları konusunda uyarabilir.

► Perakende: Mağaza raflarını izleyerek ürün miktarı azaldığında anında bildirimde bulunan TinyML, eşyaların stoktan düşmesini önleyebilir.

► Tarım: Çiftçiler, hayvan hastalıkları nedeniyle ciddi gelir kayıpları yaşayabiliyor. Kalp hızı, kan basıncı, sıcaklık gibi hayati belirtileri izleyen çiftlik hayvanlarından elde edilen veriler, hastalıkları ve salgınları erkenden tahmin etmeye yardımcı olabilir.

TinyML ne kadar ilgi çekici olsa da, henüz ilk aşamalardayız ve yaygın olarak benimsenmeden önce bir dizi eğilimin gerçekleştiğini görmemiz gerekiyor.

Her başarılı ekosistem, ilgili topluluklar üzerine kuruludur. Canlı bir TinyML topluluğu, farkındalığı ve benimsemeyi artırdığı için daha hızlı inovasyona yol açacaktır. TinyML'yi destekleyen açık kaynaklı projelere daha fazla yatırıma ihtiyacımız var. (Google'ın daha geniş makine öğrenimi için TensorFlow çevresinde yaptığı çalışmalar gibi), Çünkü açık kaynak, her katılımcının kapsamlı ve sağlam çözümler oluşturmak için başkalarının çalışmalarının üzerine inşa etmesine izin veriyor. Bu yolda diğer temel ekosistem katılımcıları ve araçları da gerekli olacaktır.

Yonga seti üreticileri ve Qualcomm, ST ve ETA Compute gibi platformlar, yonga setlerinin hedeflenen uygulamalara hazır olmasını ve platform entegrasyonlarının hızlı uygulama geliştirmeyi kolaylaştırmak için inşa edildiğini sağlamak için geliştiricilerle el ele çalışabilir.

Bulut oyun firmaları ise cihazlar ve bulut arasında sorunsuz veri alışverişi ve işlenmesine olanak sağlayan uçlardan uca optimize edilmiş platform çözümlerine yatırım yapabilir.

Sonuç olarak TinyML normal makine öğrenmesine nazaran daha fazla avantaja sahiptir ve makine öğrenmesinin kullanılamadığı yerlerde de kullanımda olacak gibi görünüyor. Önümüzdeki yıllarda sıkça adını duyacağımız bu inovatif uygulama hayatımızı çok kolaylaştıracak gibi görünüyor.

Kaynak:

► allaboutcircuits.com
► venturebeat.com
► hitechglitz.com