Una pregunta que cada vez más profesionales hacen es: ¿Qué es el TinyML? El TinyML es un tipo de aprendizaje automático que reduce las redes de aprendizaje profundo para que quepan en un hardware diminuto. Es el nexo de unión entre la inteligencia artificial y los dispositivos inteligentes: puede caber una inteligencia artificial de 45x18mm en el bolsillo. De repente, tienes un modelo de aprendizaje automático en miniatura incrustado en un proyecto de fin de semana de bricolaje en tu placa Arduino. Los dispositivos embebidos de ultra bajo consumo están invadiendo nuestro mundo, y los nuevos marcos de aprendizaje automático embebidos harán aún más posible la proliferación de dispositivos IoT con IA.

Traduzcamos esta jerga: ¿qué es TinyML? Y lo que es más importante, ¿para qué se puede utilizar (y para qué no)?

¿Qué es el TinyML? Una introducción

El aprendizaje automático es un término que existe desde hace tiempo y tiene muchas aplicaciones útiles para los datos caóticos que necesitan tener sentido. Sin embargo, no suele asociarse con el hardware. Por lo general, el aprendizaje automático y el hardware están vinculados a la nube, pero ésta tiene sus propios problemas de latencia, consumo de energía y pone a las máquinas a merced de las velocidades de conexión.

Sin embargo, la aplicación del aprendizaje automático a los dispositivos no es nueva. Desde hace varios años, la mayoría de nuestros teléfonos móviles cuentan con algún tipo de red neuronal. La identificación de música del dispositivo y los numerosos modos de cámara (visión nocturna, modo retrato, etc.) son solo algunos ejemplos de cómo depende del aprendizaje profundo incorporado. Los algoritmos pueden prolongar la duración de la batería del teléfono identificando las aplicaciones que probablemente volveremos a utilizar y desactivando las que no necesitamos. Pero la IA incorporada conlleva una serie de retos, algunos de los cuales son problemas de energía y espacio. Aquí es donde entra TinyML.

Los datos de los sensores de los dispositivos requieren una gran potencia de cálculo, lo que se traduce en un espacio de almacenamiento limitado, unidades centrales de procesamiento (CPU) limitadas y un rendimiento deficiente de las bases de datos. tinyML permite el aprendizaje automático mediante la incorporación de inteligencia artificial en un hardware diminuto. TinyML hace posible el aprendizaje automático al integrar la inteligencia artificial en un hardware pequeño, lo que permite que los algoritmos de aprendizaje profundo entrenen una red en el dispositivo y reduzcan su tamaño sin el obstáculo adicional de enviar los datos a la nube, es decir, la latencia para analizarlos.

TinyML: Comprender los fundamentos

Pete Warden, gurú de TinyML y jefe de ingeniería de TensorFLow Lite en Google, ha publicado un libro con Daniel Situnayake. El libro, TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers, es el libro de referencia en este campo.

Para los que no son expertos, aquí están las traducciones de algunos de los términos técnicos.

Arduino es un fabricante de hardware de código abierto que permite a cualquiera comprar una placa de microcontrolador y construir su propio dispositivo digital.
Un microcontrolador es un pequeño ordenador en un circuito de chip semiconductor, básicamente un conjunto de circuitos electrónicos en una pequeña superficie plana, generalmente de silicio. Este conjunto de hardware puede funcionar en lugar del tradicional ordenador de placa única Raspberry Pi preconstruido, y requiere mucha menos energía y espacio.

Por último, TensorFlow Lite es un marco de aprendizaje automático integrado creado por Google con una subcategoría diseñada específicamente para microcontroladores. en 2019, además de TensorFlow Lite, uTensor y CMSIS- de Arm. NN, y otros marcos que se centran en la miniaturización, la aceleración y la adaptación de los modelos de aprendizaje profundo al hardware integrado han comenzado a surgir. Al mismo tiempo, empezaron a aparecer varios tutoriales en YouTube sobre cómo utilizar TinyML y marcos similares con microcontroladores potenciados por la IA para entrenar y validar pequeños conjuntos de redes neuronales e implementarlos en hardware mediante motores de inferencia.

Actualmente, la Arduino Nano 33 BLE Sense es la única placa de 32 bits compatible con TensorFlow Lite, lo que pone el aprendizaje automático integrado en el hardware al alcance de todos. Arduino ha estado trabajando con la startup Edge Impulse Trabajando juntos, estamos reduciendo el consumo de energía mediante el procesamiento de datos directamente en la interfaz del sensor a través de un motor de inferencia, enviando los datos sólo cuando realmente importa, de una manera más rápida, eficiente y escalable.

Algunas interfaces de programación de aplicaciones (API) en la nube no son interactivas o son restrictivas en términos de consumo de energía. Algunas interfaces de programación de aplicaciones (API) en la nube no son interactivas o son restrictivas en cuanto al uso de la energía.

La diferencia entre esto y el aprendizaje automático basado en el teléfono móvil descrito anteriormente es que TinyML permite utilizar baterías y dispositivos de recolección de energía sin tener que recargar o cambiar manualmente las baterías debido a las limitaciones de energía. Lo consideramos un “procesador digital de señales siempre activo”. Esto significa que puede funcionar con menos de 1 milivatio de energía, por lo que es un dispositivo que puede funcionar con baterías durante años, o un dispositivo que puede utilizar la recolección de energía. Esto se debe a que incluso las radios de baja potencia de corto alcance utilizan de decenas a cientos de milivatios de energía y sólo pueden proporcionar energía durante cortos períodos de tiempo. Esto requiere un código que se ejecuta en cantidades muy pequeñas de memoria -decenas de kilobytes-, lo que lo diferencia de una Raspberry o un teléfono móvil. Según los expertos, la idea de TinyML es hacer que sea lo más asequible posible para permitir su proliferación masiva, llegando a tener billones de microcontroladores de 32 bits, baratos y con sensores independientes, que puedan venderse por 0,50 dólares.

Pete se unió a Google en 2014, cuando descubrió que el equipo de Google OK podía ejecutar una interfaz de voz y una llamada de despertador en solo 13 kilobytes. Lo hacían incluso cuando la pantalla de bloqueo estaba encendida y utilizaban muy poca energía, incluso cuando el dispositivo estaba enchufado a la pared para ahorrar energía. Su sueño es ampliar la aplicación Wakeword para convertirla en una aplicación de reconocimiento de voz que sea barata, funcione con un píxel hasta un año y funcione con una pila de botón que quepa en 18 megabytes. Imagina todos los interruptores, botones y componentes que ya han sido sustituidos por Wakeword. Entonces piense en qué más se podría sustituir. Otro tema es la integración de interfaces de audio y señales visuales con TinyML. Esto permite que el dispositivo entienda cuándo lo estás mirando, a la vez que elimina el ruido de fondo de otras personas hablando, equipos industriales, etc.

Aplicaciones y casos de uso con TinyML

El mantenimiento predictivo es probablemente uno de los casos de uso más impactantes. La industria del automóvil también podría beneficiarse de TinyML en un entorno industrial, ya que la potencia es menos restrictiva en comparación con el coste y la fiabilidad. Por ejemplo, la startup de IoT Coastline está utilizando un sensor de ultrabajo consumo en su motor, y ha observado que puede funcionar hasta cinco años con el mismo par de baterías si consume menos de un milivatio de energía. Esto es una gran ventaja en entornos industriales, donde suele ser más difícil conectar los equipos a una fuente de alimentación que en casa. Sin embargo, el ciclo de sustitución de los equipos industriales es bastante largo, lo que dificulta la innovación.

El aprendizaje en el dispositivo puede utilizarse en la automatización de edificios (piense en el uso de sensores de visión de bajo consumo en los sistemas de iluminación de las oficinas que se apagan si no se mueve), en los juguetes (piense en el acelerómetro de reconocimiento de gestos de Arduino utilizado en la varita mágica) y, en última instancia, en el desarrollo y las pruebas de medicamentos (aunque este ámbito está muy limitado por la normativa), lo que reduce considerablemente el tiempo necesario. En comparación con los entornos industriales, los ciclos iterativos rápidos permiten una mayor retroalimentación y más espacio para la experimentación.

El análisis de audio, el reconocimiento de patrones y las interfaces de voz hombre-máquina son las áreas en las que TinyML se aplica más ampliamente en la actualidad. Muchos sectores pueden beneficiarse del análisis del habla, como el cuidado de niños y ancianos, la seguridad y la supervisión de equipos. Por ejemplo, el modelo de sonido TinyML detecta anomalías mediante el análisis del habla agrícola y pequeños sensores de alerta en tiempo real. En relación con COVID-19, Edge Impulse y Arduino han utilizado recientemente la placa Nano BLE Sense En relación con COVID-19, Edge Impulse y Arduino han presentado recientemente un proyecto para detectar la presencia de un sonido de tos específico en tiempo real utilizando la placa Nano BLE Sense, aplicando un modelo TinyML altamente optimizado para construir un sistema de detección de tos que se ejecuta en menos de 20kB de memoria de acceso aleatorio (RAM).

Además del audio, TinyML también puede utilizarse para el reconocimiento visual, de movimientos y de gestos.

Según Pete Warden, TinyML penetrará en muchos sectores. Afectará a casi todos los sectores, incluidos el comercio minorista, la sanidad, el transporte, el bienestar, la agricultura, el fitness y la fabricación. Nuestro teléfono móvil puede convertirse en un dispositivo de a bordo que adquiere datos añadiendo la pestaña de adquisición de datos en Edge Impulse Studio y seleccionando un sensor. Por ejemplo, un sensor acelerómetro que muestre el movimiento del teléfono. Esto permite ejecutar potentes modelos de aprendizaje basados en redes neuronales artificiales (RNA) y muestrear pequeños sensores junto con un microcontrolador de bajo consumo.

Según la reseña de Pitchbook sobre espacios emergentes, se han invertido 26 millones de dólares en TinyML desde enero de 2020, incluyendo inversiones de capital riesgo por parte de aceleradores, inversores en fase inicial e inversores en fase final. Esta cifra es relativamente pequeña en comparación con otras ramas más consolidadas de la IA y el ML, como el etiquetado de datos. En cuanto a las tendencias, el número de acuerdos está aumentando ya que compite con otros temas candentes como la computación cognitiva, la seguridad de próxima generación y las AIOps.

TinyML. ¿Qué nos depara el futuro?

El aprendizaje automático minúsculo está experimentando un crecimiento explosivo en el aprendizaje automático, y la facilidad de uso de plataformas como TensorFlow (TF) lo convierte en un tema de aprendizaje esencial para los estudiantes de informática modernos.”

Actualmente hay más de 250.000 millones de dispositivos integrados en funcionamiento en todo el mundo, con una tasa de crecimiento anual prevista del 20%. Estos dispositivos recogen grandes cantidades de datos, lo que hace que su procesamiento en la nube sea un gran reto. De estos 250.000 millones de dispositivos, sólo unos 3.000 millones son compatibles con TensorsFlow Lite en la producción actual, y TinyML puede salvar la brecha entre el hardware de a bordo y la inteligencia del dispositivo. Hacer que TinyML sea accesible para los desarrolladores es esencial para la adopción masiva del aprendizaje automático integrado para convertir datos inútiles en conocimiento procesable, y para crear nuevas aplicaciones en muchas industrias.

A medida que surgen nuevos tipos de interfaces hombre-máquina (HMI) y crece el número de dispositivos inteligentes, TinyML tiene el potencial de cambiar el paradigma de la inteligencia artificial y la computación ubicua en el borde de una manera más barata, más escalable y más predecible. Tiene el potencial de hacer precisamente eso”.