Искусственный интеллект, безусловно, в последнее время находится на подъеме. Не говоря уже о том, что машинное обучение, подобласть ИИ, продемонстрировало наиболее значительный рост использования. С тех пор многие программисты пытаются улучшить свои навыки, особенно в Python.
Тем не менее, эта статья посвящена не только ИИ, но и его подобласти машинного обучения. На самом деле, мы собираемся говорить не только о машинном обучении, но и о недооцененной области машинного обучения, то есть о TinyML.
Что такое TinyML?
Как мы знаем, машины, используемые для технологии машинного обучения, со временем становятся все больше, но, как следует из названия, TinyML здесь, чтобы решить эту проблему. Это поле едва ли было признано, пока HarvardX не выпустил профессиональная серия, освещающая эту перспективную тему.
Функции TinyML ничем не отличаются от других моделей машинного обучения, но основным дополнительным преимуществом этой технологии является размер. Эти чипы удивительно малы, но работают так же, как и другие большие машины.
Приведенный выше абзац никоим образом не передает сообщение о том, что TinyML превосходит огромные машины. Действительно, было несколько примеров, когда это произошло, но они довольно редки. Как обсуждалось выше, размеры машин становятся все больше и больше, но в тех редких случаях TinyML побеждает огромные машины.
И что? Большие машины или TinyML?
Если вы задали этот вопрос, то это совершенно справедливо. Мы знаем, что у технологий есть потенциал стать меньше, но гигантские компании не в этом (некоторые из них являются исключением). Не буду указывать конкретно компании, но именно так и происходит.
Увеличение размеров машин позволяет компаниям расти максимально быстрыми темпами. С другой стороны, TinyML делает то же самое, но медленнее.
Если это так, то почему мы должны использовать TinyML? Это еще один справедливый вопрос, и да, этому есть объяснение. Увеличение размеров машин, безусловно, имеет преимущество, но ненадолго. Чем больше машины, тем они дороже!
Даже компания с самой высокой чистой стоимостью не сможет позволить себе это слишком долго. Таким образом, тот, кто в настоящее время адаптирует TinyML, может быть сейчас в убытке, но в будущем они не видят ничего, кроме СЛАВЫ! Другими словами, TinyML — это долгосрочная игра.
Хорошо, но где мы будем использовать эту штуку?
Скорее всего, если вы попали на этот блог, вы уже хорошо знакомы с TinyML. Однако, если вы никогда не знали об этом и просто нашли название интересным. Поздравляем! и Добро пожаловать! Сегодня ты выучил новый термин. Также поговорим о приложениях TinyML. Мы не собираемся обсуждать многие (только один), но я уверен, что это стоит того.
Короче говоря, TinyML может быть намного полезнее, чем более крупные машины, и его можно использовать в нескольких местах. Например: В последнее время возник вопрос о росте количества слонов в Африке, где количество слонов уменьшается. Таким образом, модели TinyML можно прикрепить к телу слона, и всякий раз, когда они входят в опасную зону или приближаются к ней, мы можем предупредить их!
Есть еще много возможностей, где мы можем воспользоваться этой технологией. Если вы хотите узнать больше о приложениях TinyML. Вот куда ты, возможно, захочешь пойти.
Заключение
Я старался сделать это как можно короче. Конечно, я бы написал больше на эту тему. Завершая эту тему, на данный момент TinyML — действительно интересная область машинного обучения, обладающая гораздо большим потенциалом, чем более крупные машины. Эта технология ни в коем случае не сможет заменить более крупные машины, по крайней мере, не в ближайшем будущем, но, несомненно, будет намного выгоднее!
Обо мне
Я старшеклассник, увлекающийся техникой. Люблю все, что связано с информатикой! Если вам есть чем поделиться со мной в связи с новейшими технологиями, не стесняйтесь.
