الذكاء الاصطناعي المصغر (TinyML) لإحداث ثورة في تعلم الآلة على الأنظمة المضمنة

أصبح تعلم الآلة (ML) والذكاء الاصطناعي (AI) ضروريين في مجالات مختلفة، مدفوعين بالحصول على رؤى قيمة من بيانات المستخدمين. وفي البداية، كان ذلك محدوداً بخوادم الويب والبنية التحتية السحابية، لكن ظهور الهواتف الذكية مكن من تطبيق تعلم الآلة على الأجهزة الطرفية. وساهم مشروع TensorFlow Lite (TF Lite) التابع لشركة Google في توسيع مفهوم تعلم الآلة، مما أدى إلى ظهور مجال التعلم الآلي المصغر (TinyML).

ما هو TinyML؟

يشير TinyML إلى تطبيق نماذج تعلم الآلة والتعلم العميق على الأنظمة المضمنة ذات الموارد الحسابية المنخفضة، مثل المتحكمات الدقيقة ومعالجات الإشارات الرقمية. تتميز هذه الأنظمة باستهلاك طاقة منخفض للغاية، وذاكرة وصول عشوائي (RAM) وذاكرة فلاش محدودة، وتعمل مع زمن استجابة عالي. يُعد TF Lite حالياً الإطار الرئيسي لـ TinyML، حيث يوفر الدعم لأنظمة المتحكمات الدقيقة، وLinux المضمن، ومنصات Android وiOS. تكون نماذج TinyML صغيرة الحجم، عادةً ما تكون بضع كيلوبايت، وتقوم بمهام إدراكية محددة داخل الجهاز.

كيف يعمل TinyML

يستخدم إطار عمل التعلم العميق TF Lite، الذي يعتمد على الشبكات العصبية المتكررة، البيانات المستلمة من المستشعرات المتصلة بالمتحكمات الدقيقة. تُرسل هذه البيانات إلى منصة سحابية لتدريب النموذج. وبعد التدريب الدفعي غير المتصل بالإنترنت، يُنقل النموذج المدرب إلى النظام المدمج. يستهلك النموذج بعد ذلك البيانات في الوقت الفعلي من المستشعرات ويطبق تقنيات التعلم الآلي لاستنتاج النتائج. تخضع نماذج TinyML لاختبارات صارمة لضمان استمرار فعاليتها على المدى الطويل دون الحاجة إلى إعادة تدريب متكررة.

مزايا TinyML

تقدم TinyML عدة مزايا للأجهزة الطرفية وتطبيقات إنترنت الأشياء:

1. حجم صغير: نماذج TinyML مضغوطة، مما يجعلها سهلة النقل إلى المتحكمات الدقيقة والأجهزة منخفضة الطاقة.

2. استهلاك منخفض للطاقة: تستهلك تطبيقات TinyML بشكل مثالي أقل من 1 مللي واط من الطاقة، مما يتيح التشغيل لفترات طويلة دون إعادة الشحن أو استبدال البطارية.

3. زمن استجابة منخفض: يتم استنتاج النتائج محلياً، مما يلغي الحاجة إلى نقل البيانات إلى السحابة. هذا يقلل من زمن استجابة الشبكة ويقلل الاعتماد على الخوادم الخارجية.

4. عرض نطاق منخفض: لا تعتمد تطبيقات TinyML على تبادل البيانات المستمر مع خادم أو سحابة، مما يسمح لها بالعمل حتى مع اتصال إنترنت محدود أو معدوم.

5. الخصوصية: تنفذ تطبيقات TinyML مهام التعلم الآلي محلياً، مما يلغي الحاجة إلى نقل أو تخزين بيانات المستخدم الحساسة خارجياً.

6. تكلفة منخفضة: صُممت TinyML للعمل مع متحكمات دقيقة 32 بت ومعالجات الإشارات الرقمية (DSPs)، وهي حلول فعالة من حيث التكلفة لتشغيل تطبيقات التعلم الآلي على نطاق واسع.

البدء مع TinyML

للبدء مع TinyML باستخدام TF Lite، تحتاج إلى لوحة متحكم دقيق مدعومة وجهاز كمبيوتر أو محمول لتصميم نماذج التعلم الآلي. يدعم TF Lite لوحات متنوعة مثل Arduino Nano 33 BLE Sense، وSTM32F746 Discovery kit، وEspressif ESP32-DevKitC. تسهل أدوات البرمجة الخاصة بكل منصة عتدية، باستخدام مكتبة TF Lite، بناء النموذج وتدريبه ونقله. يسمح الطابع مفتوح المصدر لـ TF Lite بالتعديل دون رسوم ترخيص.

يدعم TF Lite for Microcontrollers مجموعة فرعية من عمليات التعلم الآلي. توفر المكتبة نماذج تجريبية لتصنيف الصور، وكشف الأجسام، والتعرف على الكلام، والمزيد. تعمل هذه النماذج كنقاط انطلاق للتعلم وتطوير تطبيقات TinyML.

تطبيقات TinyML

على الرغم من أنها لا تزال في مراحلها المبكرة، فقد وجدت TinyML تطبيقات عملية في مجالات متنوعة:

1. الأتمتة الصناعية: الصيانة التنبؤية، وتحسين الآلات، وكشف الأعطال في التصنيع.

2. الزراعة: كشف الأمراض والآفات في النباتات، والأتمتة في الزراعة.

3. الرعاية الصحية: الكشف المبكر عن الأمراض، وأجهزة اللياقة البدنية، ومعدات الرعاية الصحية.

4. التجزئة: إدارة المخزون، وتحليل تفضيلات العملاء.

5. النقل: مراقبة حركة المرور، وكشف الحوادث.

6. إنفاذ القانون: كشف الأنشطة غير القانونية، وأمن أجهزة الصراف الآلي.

7. الحفاظ على الحياة البحرية: المراقبة في الوقت الفعلي لحماية الحيتان والحياة البحرية.

مستقبل TinyML

بفضل حجمها الصغير، واستهلاكها المنخفض للطاقة، وتقليل اعتمادها على السحابة، تتمتع TinyML بإمكانيات هائلة في تنفيذ الذكاء الاصطناعي الضيق على الأجهزة الطرفية. ومع تبني صناعة إنترنت الأشياء والمجالات المتخصصة للتعلم الآلي بشكل متزايد، ستلعب TinyML دوراً حيوياً في تعزيز الخصوصية والأمان. وبينما لا تزال أطر عمل أخرى مثل uTensor وCMSIS-NN الخاصة بـ ARM قيد التطوير، يظل TF Lite الخيار الأساسي. سيساعد دعم المجتمع والتعاون مع مصممي الرقائق في دفع TinyML نحو التيار الرئيسي.

تمثل TinyML اندماج الأنظمة المدمجة مع التعلم الآلي، وتقدم حلولاً للتحديات التي تواجهها صناعة إنترنت الأشياء وخبراء التعلم الآلي. بفضل حجمها الصغير، واستهلاكها المنخفض للطاقة، وزمن الاستجابة المنخفض، تتمتع TinyML بإمكانية تحويل تصميم الأنظمة المدمجة والروبوتات. ومع توسع دعم العتدة وأدوات البرمجة، من المرجح أن تكتسب TinyML زخماً في مجال التعلم الآلي والذكاء الاصطناعي.