मशीन लर्निंग मॉडल हमारी रोजमर्रा की ज़िंदगी में अहम भूमिका निभाते हैं – चाहे हमें इसका एहसास हो या न हो। एक सामान्य दिन के दौरान, बहुत संभव है कि आप किसी न किसी मशीन लर्निंग मॉडल के संपर्क में आएँ, क्योंकि वे लगभग हर डिजिटल उत्पाद में समाए हुए हैं जिनका हम उपयोग करते हैं; जैसे सोशल मीडिया सेवाएँ, वर्चुअल पर्सनल असिस्टेंट, सर्च इंजन, और आपके ईमेल होस्टिंग सर्विस द्वारा स्पैम फ़िल्टरिंग।
रोजमर्रा की ज़िंदगी में मशीन लर्निंग के कई उदाहरणों के बावजूद, अब भी कई ऐसे क्षेत्र हैं जहाँ यह तकनीक नहीं पहुँच पाई है। वजह क्या है? कई मशीन लर्निंग मॉडल, खासकर स्टेट-ऑफ-द-आर्ट (SOTA) आर्किटेक्चर, को भारी संसाधनों की जरूरत होती है। उच्च-प्रदर्शन कंप्यूटिंग पावर की यह माँग कई मशीन लर्निंग अनुप्रयोगों को क्लाउड – ऑन-डिमांड कंप्यूटर सिस्टम संसाधन प्रदाता – तक सीमित कर देती है।
इन मॉडलों को प्रशिक्षित करना संगणनात्मक रूप से महंगा होने के अलावा, उन पर इंफ़ेरेंस चलाना भी अक्सर काफी खर्चीला होता है। यदि मशीन लर्निंग को अपना दायरा बढ़ाना है और नए क्षेत्रों में पैठ बनानी है, तो ऐसी हल निकालना होगा जो छोटे, सीमित संसाधनों वाले उपकरणों पर मॉडलों को इंफ़ेरेंस चलाने दे। इसी समाधान की तलाश ने मशीन लर्निंग के एक उपक्षेत्र को जन्म दिया है जिसे टाइनी मशीन लर्निंग (TinyML) कहा जाता है।
इस लेख में, हम:
- TinyML की परिभाषा और उसके लाभ बताएँगे
- TinyML के कुछ अनुप्रयोगों पर बात करेंगे
- TinyML अनुप्रयोगों के लिए आवश्यक वर्कफ़्लो आवश्यकताओं पर चर्चा करेंगे।
TinyML क्या है?
“न्यूरल नेटवर्क्स को आर्टिफिशियल न्यूरल नेटवर्क्स (ANNs) भी कहा जाता है। यह आर्किटेक्चर डीप लर्निंग की बुनियाद बनता है, जो मशीन लर्निंग का एक उपसमुच्चय है और ऐसे एल्गोरिदम पर केंद्रित है जो मानव मस्तिष्क की संरचना और कार्य से प्रेरित होते हैं। सरल शब्दों में, न्यूरल नेटवर्क्स उन आर्किटेक्चर्स का आधार हैं जो जैविक न्यूरॉन्स के एक-दूसरे को सिग्नल देने के तरीके की नकल करते हैं।”
स्रोत; PyTorch Tutorial: Building a Simple Neural Network
मशीन लर्निंग कृत्रिम बुद्धिमत्ता का एक उपक्षेत्र है जो एल्गोरिदम का एक सेट प्रदान करता है। ये एल्गोरिदम मशीनों को उपलब्ध ऐतिहासिक डेटा से पैटर्न और रुझान सीखने देते हैं ताकि वे उसी डेटा पर पहले से ज्ञात परिणामों की भविष्यवाणी कर सकें। हालाँकि, मुख्य लक्ष्य प्रशिक्षित मॉडलों का उपयोग करके उनके इंफ़ेरेंस को ट्रेनिंग डेटा सेट से आगे सामान्यीकृत करना है, ताकि बिना स्पष्ट रूप से प्रोग्राम किए उनकी भविष्यवाणियों की सटीकता में सुधार हो।
इन कार्यों के लिए उपयोग किए जाने वाले एल्गोरिदम में से एक न्यूरल नेटवर्क्स हैं। न्यूरल नेटवर्क्स, मशीन लर्निंग के उपक्षेत्र डीप लर्निंग का हिस्सा हैं, जिनके मॉडल आमतौर पर पारंपरिक मशीन लर्निंग मॉडलों की तुलना में प्रशिक्षित करने में अधिक महंगे होते हैं। आप एक अलग ट्यूटोरियल में R में न्यूरल नेटवर्क मॉडल बनाना सीख सकते हैं।
चित्र 1. तीन-लेयर न्यूरल नेटवर्क का एक विज़ुअलाइज़ेशन
Edge AI Foundation के अनुसार, “टाइनी मशीन लर्निंग को व्यापक रूप से तेजी से बढ़ते हुए मशीन लर्निंग तकनीकों और अनुप्रयोगों के क्षेत्र के रूप में परिभाषित किया जाता है, जिसमें हार्डवेयर, एल्गोरिदम और सॉफ़्टवेयर शामिल हैं जो ऑन-डिवाइस सेंसर डेटा एनालिटिक्स को अत्यंत कम पावर पर, आमतौर पर mW रेंज और उससे नीचे, करने में सक्षम होते हैं, और इस प्रकार विभिन्न ऑलवेज-ऑन उपयोग मामलों को सक्षम करते हैं तथा बैटरी से चलने वाले उपकरणों को लक्षित करते हैं।”
पिछले कुछ वर्षों में TinyML की वृद्धि का बड़ा श्रेय उसके समर्थन में विकसित हुए हार्डवेयर और सॉफ़्टवेयर इकोसिस्टम को जाता है। चूँकि इन तकनीकों को लो-एनर्जी सिस्टम्स (जैसे सेंसर, माइक्रोकंट्रोलर्स आदि) में लागू किया जा सकता है, मशीन लर्निंग को अत्यधिक स्तर पर एज तक ले जाया जा सकता है, जिससे ऐसे अनुप्रयोग रियल-टाइम रिस्पॉन्सिविटी के साथ काम कर सकें। सारतः, विचार यह है कि मशीन लर्निंग प्रैक्टिशनर्स कम संसाधनों में अधिक कर सकें।
पर यह इतना महत्वपूर्ण क्यों है? आइए देखें कि TinyML आकर्षक क्यों है।
TinyML के लाभ
- लेटेंसी: मॉडल एज डिवाइसेज़ पर काम करता है, इसलिए डेटा को इंफ़ेरेंस के लिए सर्वर पर भेजने की जरूरत नहीं होती। डेटा ट्रांसफ़र में आमतौर पर समय लगता है, जिससे थोड़ी देरी होती है। इस आवश्यकता को हटाने से लेटेंसी घटती है।
- ऊर्जा की बचत: माइक्रोकंट्रोलर्स को बहुत कम पावर की जरूरत होती है, जिससे वे लंबे समय तक बिना चार्ज किए काम कर सकते हैं। साथ ही, चूँकि जानकारी का ट्रांसफ़र नहीं होता, विस्तृत सर्वर इन्फ्रास्ट्रक्चर की आवश्यकता नहीं रहती: नतीजतन ऊर्जा, संसाधन और लागत की बचत होती है।
- कम बैंडविड्थ: इंफ़ेरेंस के लिए बहुत कम या बिल्कुल भी इंटरनेट कनेक्टिविटी की जरूरत नहीं होती। ऑन-डिवाइस सेंसर डेटा कैप्चर करते हैं और उसी डिवाइस पर प्रोसेस करते हैं। इसका मतलब है कि कच्चा सेंसर डेटा लगातार सर्वर को नहीं भेजा जा रहा।
- डेटा गोपनीयता: चूँकि मॉडल एज पर चलता है, आपका डेटा सर्वरों पर नहीं रखा जाता। सर्वर को जानकारी न भेजने से डेटा गोपनीयता की गारंटी बढ़ती है।
उपयोग के मामले: TinyML का उपयोग कैसे हो रहा है?
TinyML के अनुप्रयोग अनेक क्षेत्रों में फैले हुए हैं, खासतौर पर वे जो इंटरनेट ऑफ थिंग्स (IoT) नेटवर्क और डेटा पर निर्भर हैं – इंटरनेट ऑफ थिंग्स (IoT) मूल रूप से भौतिक वस्तुओं का एक नेटवर्क है जिसमें सेंसर, सॉफ़्टवेयर और अन्य तकनीकें एम्बेडेड होती हैं, जो इंटरनेट के माध्यम से अन्य उपकरणों और प्रणालियों से कनेक्ट होकर डेटा का आदान-प्रदान करती हैं।
कंप्यूटर विज़न, विज़ुअल वेक वर्ड्स, कीवर्ड स्पॉटर्स, प्रिडिक्टिव मेंटेनेंस, जेस्चर रिकग्निशन, औद्योगिक मशीन मेंटेनेंस आदि TinyML के आम उपयोग मामले हैं। आइए कुछ उद्योगों पर भी नज़र डालें जहाँ TinyML का उपयोग अनुप्रयोगों को संचालित करने के लिए किया गया है:
कृषि
रियल-टाइम कृषि और पशुधन डेटा को TinyML डिवाइसेज़ की मदद से मॉनिटर और एकत्र किया जा सकता है। स्वीडन की एज एआई प्रोडक्ट कंपनी Imagimob ने एज डिवाइसेज़ पर मशीन लर्निंग के लिए एक डेवलपमेंट प्लेटफ़ॉर्म बनाया है। यूरोपीय संघ के पचपन संगठनों ने Imagimob के साथ मिलकर काम किया है ताकि समझा जा सके कि TinyML फसलों और पशुधन के कुशल प्रबंधन में कैसे सहायक हो सकता है।
औद्योगिक प्रिडिक्टिव मेंटेनेंस
TinyML को कम-शक्ति वाले उपकरणों पर तैनात कर मशीनों की लगातार निगरानी की जा सकती है, खराबी का पता लगाया जा सकता है और समस्याओं का पूर्वानुमान लगाया जा सकता है; इस तरह के अनुप्रयोग में उन लागतों को घटाने की क्षमता होती है जो अक्सर खराब मशीनों के कारण आती हैं।
प्रिडिक्टिव मेंटेनेंस का एक बेहतरीन उदाहरण EOLOGIX-PING है। उन्होंने एक मॉनिटरिंग डिवाइस विकसित किया जो पवन टरबाइन ब्लेड्स के ध्वनिक हस्ताक्षर की लगातार निगरानी करता है ताकि किसी भी बदलाव या क्षति का पता लगाकर सूचना दे सके। Ping की वेबसाइट के अनुसार, “निरंतर मॉनिटरिंग से ऑपरेटर ब्लेड क्षति पर समय रहते प्रतिक्रिया दे सकते हैं, जिससे मेंटेनेंस लागत, विफलता जोखिम और डाउनटाइम घटता है, साथ ही पवन टरबाइन के प्रदर्शन और दक्षता में सुधार होता है।”
कस्टमर एक्सपीरियंस
पर्सनलाइज़ेशन एक प्रमुख मार्केटिंग टूल है जिसकी ग्राहकों की अपेक्षाएँ बढ़ने के साथ माँग भी बढ़ रही है। विचार यह है कि व्यवसाय अपने ग्राहकों को बेहतर समझें और उनके व्यवहार के अनुरूप विज्ञापनों और संदेशों से उन्हें लक्षित करें। एज TinyML अनुप्रयोगों की तैनाती व्यवसायों को उपयोगकर्ता के संदर्भों, जिनमें उनका व्यवहार भी शामिल है, को समझने में सक्षम बनाती है।
वर्कफ़्लो आवश्यकताएँ
एज-डिवाइस अनुप्रयोग बनाते समय पारंपरिक मशीन लर्निंग वर्कफ़्लोज़ में प्रयुक्त कई टूल्स और आर्किटेक्चर का उपयोग होता है। मुख्य अंतर यह है कि TinyML इन मॉडलों को छोटे उपकरणों पर विभिन्न कार्य करने देता है।
माइक्रोकंट्रोलर्स के लिए Tensorflow Lite (TF Lite Micro) एज डिवाइसेज़ पर मशीन लर्निंग के लिए सबसे लोकप्रिय फ़्रेमवर्क्स में से एक है; इसे खासतौर पर एम्बेडेड सिस्टम्स पर, जिनमें केवल कुछ किलोबाइट मेमोरी होती है, मशीन लर्निंग लागू करने के काम के लिए डिज़ाइन किया गया था।
मशीन लर्निंग मॉडल बनाने के लिए अक्सर Python पसंदीदा भाषा होती है। हालाँकि, TensorFlow Lite C, C++ या Java में आसानी से मॉडल विकसित करना और उन्हें इंटरनेट से कनेक्ट किए बिना तैनात करना संभव बनाता है।
हार्डवेयर के दृष्टिकोण से, TF Lite में TinyML शुरू करने के लिए एक समर्थित माइक्रोकंट्रोलर बोर्ड की आवश्यकता होती है; लाइब्रेरी फिलहाल निम्नलिखित माइक्रोकंट्रोलर्स को सपोर्ट करती है:
- Arduino Nano 33 BLE Sense
- SparkFun Edge
- STM32F746 Discovery kit
- Adafruit EdgeBadge
- Adafruit TensorFlow Lite for Microcontrollers Kit
- Adafruit Circuit Playground Bluefruit
- Espressif ESP32-DevKitC
- Espressif ESP-EYE
- Wio Terminal: ATSAMD51
- Himax WE-I Plus EVB Endpoint AI Development Board
- Synopsys DesignWare ARC EM Software Development Platform
- Sony Spresense
TinyML के समर्थन के साथ, यह संभव है कि हम रोजाना उपयोग किए जाने वाले अरबों उपकरणों, जैसे घरेलू उपकरणों और IoT गैजेट्स, की बुद्धिमत्ता बढ़ा सकें, वह भी महंगे हार्डवेयर या भरोसेमंद इंटरनेट कनेक्शन पर भारी खर्च किए बिना, जो अक्सर बैंडविड्थ और पावर से सीमित होते हैं और उल्लेखनीय लेटेंसी पैदा करते हैं।
लर्निंग संसाधन
समापन
पिछले वर्षों में हार्डवेयर और सॉफ़्टवेयर इकोसिस्टम के विकास के कारण TinyML ने विभिन्न उद्योगों में गति पकड़ी है। इस टूल ने लो-एनर्जी सिस्टम्स, जैसे माइक्रोकंट्रोलर्स, में मशीन लर्निंग मॉडल लागू करना संभव बना दिया है, जिससे नई संभावनाओं के द्वार खुलते हैं। कम लेटेंसी, ऊर्जा की बचत, डेटा गोपनीयता और कनेक्शन-निर्भरता न होना ऐसे कुछ कारक हैं जो TinyML को उन डेवलपर्स के लिए आकर्षक बनाते हैं जो इंटरनेट ऑफ थिंग्स (IoT) डिवाइसेज़ के लिए अनुप्रयोग विकसित करना चाहते हैं।
मशीन लर्निंग मॉडल हमारी रोजमर्रा की ज़िंदगी में अहम भूमिका निभाते हैं – चाहे हमें इसका एहसास हो या न हो। एक सामान्य दिन के दौरान, बहुत संभव है कि आप किसी न किसी मशीन लर्निंग मॉडल के संपर्क में आएँ, क्योंकि वे लगभग हर डिजिटल उत्पाद में समाए हुए हैं जिनका हम उपयोग करते हैं; जैसे सोशल मीडिया सेवाएँ, वर्चुअल पर्सनल असिस्टेंट, सर्च इंजन, और आपके ईमेल होस्टिंग सर्विस द्वारा स्पैम फ़िल्टरिंग।
रोजमर्रा की ज़िंदगी में मशीन लर्निंग के कई उदाहरणों के बावजूद, अब भी कई ऐसे क्षेत्र हैं जहाँ यह तकनीक नहीं पहुँच पाई है। वजह क्या है? कई मशीन लर्निंग मॉडल, खासकर स्टेट-ऑफ-द-आर्ट (SOTA) आर्किटेक्चर, को भारी संसाधनों की जरूरत होती है। उच्च-प्रदर्शन कंप्यूटिंग पावर की यह माँग कई मशीन लर्निंग अनुप्रयोगों को क्लाउड – ऑन-डिमांड कंप्यूटर सिस्टम संसाधन प्रदाता – तक सीमित कर देती है।
इन मॉडलों को प्रशिक्षित करना संगणनात्मक रूप से महंगा होने के अलावा, उन पर इंफ़ेरेंस चलाना भी अक्सर काफी खर्चीला होता है। यदि मशीन लर्निंग को अपना दायरा बढ़ाना है और नए क्षेत्रों में पैठ बनानी है, तो ऐसी हल निकालना होगा जो छोटे, सीमित संसाधनों वाले उपकरणों पर मॉडलों को इंफ़ेरेंस चलाने दे। इसी समाधान की तलाश ने मशीन लर्निंग के एक उपक्षेत्र को जन्म दिया है जिसे टाइनी मशीन लर्निंग (TinyML) कहा जाता है।
इस लेख में, हम:
TinyML क्या है?
मशीन लर्निंग कृत्रिम बुद्धिमत्ता का एक उपक्षेत्र है जो एल्गोरिदम का एक सेट प्रदान करता है। ये एल्गोरिदम मशीनों को उपलब्ध ऐतिहासिक डेटा से पैटर्न और रुझान सीखने देते हैं ताकि वे उसी डेटा पर पहले से ज्ञात परिणामों की भविष्यवाणी कर सकें। हालाँकि, मुख्य लक्ष्य प्रशिक्षित मॉडलों का उपयोग करके उनके इंफ़ेरेंस को ट्रेनिंग डेटा सेट से आगे सामान्यीकृत करना है, ताकि बिना स्पष्ट रूप से प्रोग्राम किए उनकी भविष्यवाणियों की सटीकता में सुधार हो।
इन कार्यों के लिए उपयोग किए जाने वाले एल्गोरिदम में से एक न्यूरल नेटवर्क्स हैं। न्यूरल नेटवर्क्स, मशीन लर्निंग के उपक्षेत्र डीप लर्निंग का हिस्सा हैं, जिनके मॉडल आमतौर पर पारंपरिक मशीन लर्निंग मॉडलों की तुलना में प्रशिक्षित करने में अधिक महंगे होते हैं। आप एक अलग ट्यूटोरियल में R में न्यूरल नेटवर्क मॉडल बनाना सीख सकते हैं।
चित्र 1. तीन-लेयर न्यूरल नेटवर्क का एक विज़ुअलाइज़ेशन
पिछले कुछ वर्षों में TinyML की वृद्धि का बड़ा श्रेय उसके समर्थन में विकसित हुए हार्डवेयर और सॉफ़्टवेयर इकोसिस्टम को जाता है। चूँकि इन तकनीकों को लो-एनर्जी सिस्टम्स (जैसे सेंसर, माइक्रोकंट्रोलर्स आदि) में लागू किया जा सकता है, मशीन लर्निंग को अत्यधिक स्तर पर एज तक ले जाया जा सकता है, जिससे ऐसे अनुप्रयोग रियल-टाइम रिस्पॉन्सिविटी के साथ काम कर सकें। सारतः, विचार यह है कि मशीन लर्निंग प्रैक्टिशनर्स कम संसाधनों में अधिक कर सकें।
पर यह इतना महत्वपूर्ण क्यों है? आइए देखें कि TinyML आकर्षक क्यों है।
TinyML के लाभ
उपयोग के मामले: TinyML का उपयोग कैसे हो रहा है?
TinyML के अनुप्रयोग अनेक क्षेत्रों में फैले हुए हैं, खासतौर पर वे जो इंटरनेट ऑफ थिंग्स (IoT) नेटवर्क और डेटा पर निर्भर हैं – इंटरनेट ऑफ थिंग्स (IoT) मूल रूप से भौतिक वस्तुओं का एक नेटवर्क है जिसमें सेंसर, सॉफ़्टवेयर और अन्य तकनीकें एम्बेडेड होती हैं, जो इंटरनेट के माध्यम से अन्य उपकरणों और प्रणालियों से कनेक्ट होकर डेटा का आदान-प्रदान करती हैं।
कंप्यूटर विज़न, विज़ुअल वेक वर्ड्स, कीवर्ड स्पॉटर्स, प्रिडिक्टिव मेंटेनेंस, जेस्चर रिकग्निशन, औद्योगिक मशीन मेंटेनेंस आदि TinyML के आम उपयोग मामले हैं। आइए कुछ उद्योगों पर भी नज़र डालें जहाँ TinyML का उपयोग अनुप्रयोगों को संचालित करने के लिए किया गया है:
कृषि
रियल-टाइम कृषि और पशुधन डेटा को TinyML डिवाइसेज़ की मदद से मॉनिटर और एकत्र किया जा सकता है। स्वीडन की एज एआई प्रोडक्ट कंपनी Imagimob ने एज डिवाइसेज़ पर मशीन लर्निंग के लिए एक डेवलपमेंट प्लेटफ़ॉर्म बनाया है। यूरोपीय संघ के पचपन संगठनों ने Imagimob के साथ मिलकर काम किया है ताकि समझा जा सके कि TinyML फसलों और पशुधन के कुशल प्रबंधन में कैसे सहायक हो सकता है।
औद्योगिक प्रिडिक्टिव मेंटेनेंस
TinyML को कम-शक्ति वाले उपकरणों पर तैनात कर मशीनों की लगातार निगरानी की जा सकती है, खराबी का पता लगाया जा सकता है और समस्याओं का पूर्वानुमान लगाया जा सकता है; इस तरह के अनुप्रयोग में उन लागतों को घटाने की क्षमता होती है जो अक्सर खराब मशीनों के कारण आती हैं।
प्रिडिक्टिव मेंटेनेंस का एक बेहतरीन उदाहरण EOLOGIX-PING है। उन्होंने एक मॉनिटरिंग डिवाइस विकसित किया जो पवन टरबाइन ब्लेड्स के ध्वनिक हस्ताक्षर की लगातार निगरानी करता है ताकि किसी भी बदलाव या क्षति का पता लगाकर सूचना दे सके। Ping की वेबसाइट के अनुसार, “निरंतर मॉनिटरिंग से ऑपरेटर ब्लेड क्षति पर समय रहते प्रतिक्रिया दे सकते हैं, जिससे मेंटेनेंस लागत, विफलता जोखिम और डाउनटाइम घटता है, साथ ही पवन टरबाइन के प्रदर्शन और दक्षता में सुधार होता है।”
कस्टमर एक्सपीरियंस
पर्सनलाइज़ेशन एक प्रमुख मार्केटिंग टूल है जिसकी ग्राहकों की अपेक्षाएँ बढ़ने के साथ माँग भी बढ़ रही है। विचार यह है कि व्यवसाय अपने ग्राहकों को बेहतर समझें और उनके व्यवहार के अनुरूप विज्ञापनों और संदेशों से उन्हें लक्षित करें। एज TinyML अनुप्रयोगों की तैनाती व्यवसायों को उपयोगकर्ता के संदर्भों, जिनमें उनका व्यवहार भी शामिल है, को समझने में सक्षम बनाती है।
वर्कफ़्लो आवश्यकताएँ
एज-डिवाइस अनुप्रयोग बनाते समय पारंपरिक मशीन लर्निंग वर्कफ़्लोज़ में प्रयुक्त कई टूल्स और आर्किटेक्चर का उपयोग होता है। मुख्य अंतर यह है कि TinyML इन मॉडलों को छोटे उपकरणों पर विभिन्न कार्य करने देता है।
माइक्रोकंट्रोलर्स के लिए Tensorflow Lite (TF Lite Micro) एज डिवाइसेज़ पर मशीन लर्निंग के लिए सबसे लोकप्रिय फ़्रेमवर्क्स में से एक है; इसे खासतौर पर एम्बेडेड सिस्टम्स पर, जिनमें केवल कुछ किलोबाइट मेमोरी होती है, मशीन लर्निंग लागू करने के काम के लिए डिज़ाइन किया गया था।
मशीन लर्निंग मॉडल बनाने के लिए अक्सर Python पसंदीदा भाषा होती है। हालाँकि, TensorFlow Lite C, C++ या Java में आसानी से मॉडल विकसित करना और उन्हें इंटरनेट से कनेक्ट किए बिना तैनात करना संभव बनाता है।
हार्डवेयर के दृष्टिकोण से, TF Lite में TinyML शुरू करने के लिए एक समर्थित माइक्रोकंट्रोलर बोर्ड की आवश्यकता होती है; लाइब्रेरी फिलहाल निम्नलिखित माइक्रोकंट्रोलर्स को सपोर्ट करती है:
TinyML के समर्थन के साथ, यह संभव है कि हम रोजाना उपयोग किए जाने वाले अरबों उपकरणों, जैसे घरेलू उपकरणों और IoT गैजेट्स, की बुद्धिमत्ता बढ़ा सकें, वह भी महंगे हार्डवेयर या भरोसेमंद इंटरनेट कनेक्शन पर भारी खर्च किए बिना, जो अक्सर बैंडविड्थ और पावर से सीमित होते हैं और उल्लेखनीय लेटेंसी पैदा करते हैं।
लर्निंग संसाधन
समापन
पिछले वर्षों में हार्डवेयर और सॉफ़्टवेयर इकोसिस्टम के विकास के कारण TinyML ने विभिन्न उद्योगों में गति पकड़ी है। इस टूल ने लो-एनर्जी सिस्टम्स, जैसे माइक्रोकंट्रोलर्स, में मशीन लर्निंग मॉडल लागू करना संभव बना दिया है, जिससे नई संभावनाओं के द्वार खुलते हैं। कम लेटेंसी, ऊर्जा की बचत, डेटा गोपनीयता और कनेक्शन-निर्भरता न होना ऐसे कुछ कारक हैं जो TinyML को उन डेवलपर्स के लिए आकर्षक बनाते हैं जो इंटरनेट ऑफ थिंग्स (IoT) डिवाइसेज़ के लिए अनुप्रयोग विकसित करना चाहते हैं।