Πρόγνωση καιρού με TinyML σε μικροελεγκτή Arduino και TensorFlow Lite

• Κύριος συγγραφέας: Σχίζας, Νικόλαος
• Άλλοι συγγραφείς: Schizas, Nikolaos
• Γλώσσα: Greek
• Έκδοση: 2022
• Θέματα: Διαδίκτυο των Πραγμάτων; Ενσωματωμένες συσκευές; Μηχανική μάθηση; Βαθιά μάθηση; TinyML; Internet of Things (IoT); Embedded devices; TensorFlow Lite; TensorFlow Lite for micro; Arduino; Edge computing; Machine learning; Deep learning

Η μηχανική μάϑηση έχει γίνει απαραίτητο μέρος του υπάρχοντος τεχνολογικού τομέα. Το Edge Computing και το Διαδίκτυο των Πραγμάτων (IoT) μαζί παρουσιάζουν μια νέα ευκαιρία για την εφαρμογή τεχνικών μηχανικής μάϑησης στις ενσωματωμένες συσκευές με περιορισμένους πόρους στον edge του δικτύου. Το πρότυπο της ενσωματωμένης μηχανικής μάϑησης - TinyML στοχεύει στη μετατόπιση αυτής της πληϑώρας από τα παραδοσιακά συστήματα υψηλού επιπέδου σε clients χαμηλού επιπέδου. Αρκετές προκλήσεις ανοίγονται κατά τη μετάβαση αυτή. Η TinyML, είναι μια ταχέως εξελισσόμενη έννοια του edge computing που συνδέει τα ενσωματωμένα συστήματα (υλικό και λογισμικό) και τη μηχανική μάϑηση, με σκοπό την υλοποίηση εξαιρετικά χαμηλής κατανάλωσης ενέργειας, χαμηλού κόστους, αποδοτικότητας και ιδιωτικότητας συστημάτων, φέρνοντας τη μηχανική μάϑηση συμπερασμάτων σε έξυπνες συσκευές με μπαταρία. Στη παρούσα διπλωματική εργασία, παρουσιάζεται ο ορισμός της TinyML καϑώς και το ιστορικό της, ϑίγεται η πρόσφατη πρόοδος στην έρευνα της TinyML στον ακαδημαϊκό χώρο δημιουργώντας έναν ακαδημαϊκό χάρτη, παρατίϑενται τα σύνολα εργαλείων (υλικό, frameworks και βιβλιοϑήκες) για την υποστήριξη της TinyML, παρέχονται βασικές πληροφορίες σχετικά με τα χαρακτηριστικά – πλεονεκτήματα της καϑώς γίνεται και αναφορά σε διάφορους τομείς εφαρμογής της. Στη συνέχεια, παρουσιάζεται μια αξιολόγηση του TensorFlow Lite, ενός framework συμπερασμάτων ML ανοικτού κώδικα για την εκτέλεση μοντέλων βαϑιάς μάϑησης σε ενσωματωμένα συστήματα. Το TFL αντιμετωπίζει τις απαιτήσεις αποδοτικότητας που επιβάλλονται από τους περιορισμούς πόρων των ενσωματωμένων συστημάτων και τις προκλήσεις κατακερματισμού που καϑιστούν σχεδόν αδύνατη τη διαλειτουργικότητα μεταξύ πλατφορμών. Με το συγκεκριμένο framework δείχνουμε πώς υλοποιείται το pipeline της TinyML, απο την αρχή μέχρι το τέλος της διαδικασίας, χρησιμοποιώντας την πρόγνωση του καιρού ως ρεαλιστικό πραγματικού χρόνου σενάριο χρήσης με δύο διαφορετικές υλοποιήσεις. Με αυτό τον τρόπο προσφέρεται ένας πλήρης οδηγός για το πρακτικό μέρος που σε συνδυασμό με το αναλυτικό σε βάϑος ϑεωρητικό μέρος της διπλωματικής εργασίας παρέχουν σε όποιον ενδιαφέρεται για τον συγκεκριμένο τομέα μια ολοκληρωμένη οπτική της καινοτόμας αυτής τεχνολογίας. Συμπερασματικά, αυτή η συστηματική ανασκόπηση ϑα χρησιμεύσει ως πληροφοριακός ακρογωνιαίος λίϑος για την ερευνητική κοινότητα, ϑα ανοίξει το δρόμο για περαιτέρω έρευνα προς αυτή την κατεύϑυνση και ϑα χρησιμεύσει ως οδικός χάρτης για την κατανόηση του νέου αναδυόμενου πεδίου της TinyML.