- Kun laitamme koneoppimisen mikro-ohjaimille – ja puhun oikeasti pienistä Cortex-M-ohjaimista – se muuttaa meidän maailmamme. Se muuttaa sen samalla tapaa kuin verkkoyhteydet ja tietoturva muuttivat sulautetun tekniikan 2000-luvun ensimmäisen vuosikymmenen puolivälissä, sanoi Arm:n IoT-kehittäjien johtaja Zach Shelby perjantaina ETN:n järjestämässä kolmannessa Embedded Conference Finland -seminaarissa.
Yleensä koneoppimista (ML, machine learning) ajatellaan GPU-prosessoreina, eikä vain yhtenä vaan isona joukkona GPU-piirejä. Tämä johtuu siitä, että iso osa ML-asiakkaista toimii pilviympäristössä. Miten tulkitaan jotakin kuvassa, miten käännetään luonnollista kieltä. Tarvitaan valtava määrä datasarjoja, jotta voidaan tunnistaa vaikkapa ison ihmisjoukon kasvot.
Shelbyn mukaan koneoppimisen ei tarvitse olla tällaista. - Voidaan tehdä paljon hienoja juttuja anturidatalla, joka sopii pienille mikro-ohjaimille. Tästä puhun nimellä TinyML. Mikro-ohjaimilla voidaan tunnistaa ääntä tai puhetta, sillä spektrogrammin läpi ääni tulee kuvana ja koneoppimisalgoritmit ovat erittäin hyviä tunnistamaan kuvioita.
Pienimmillään puheentunnistus vaatii Shelbyn mukaan vain 70 kilotavua koodia ja se kykenee tekemään 10 päättelyä sekunnissa. - Kun halutaan vain tietää vastaus kysymykseen kyllä vai ei, mikro-ohjain riittää mainiosti. Tähänhän Applen Siri ja Amazonin Alexa perustuvat, Shelby muistutti.
Shelbyn mukaan suurempi syy sille, miksi koneoppiminen tulee pieniin sulautettuihin laitteisiin on tehonkulutuksen ja käsiteltävän datan suhde. - Mooren laki on 60 vuoden ajan tehnyt mikro-ohjaimista yhä tehokkaampia. Tämä on johtanut siihen, ettei suuremman datamäärän käsittely kuluta juurikaan enempää energiaa. Kun ohjain herään käyntiin, se jaksaa kyllä prosessoida dataamme.
Samaan aikaan radio ei seuraa Mooren lakia. Bittien lähettäminen ilmassa sen sijaan kuluttaa tehoa yhä enemmän. – Tämä johtaa siihen, että jossakin vaiheessa on energiatehokkaampaa prosessoida data paikallisesti. Ja tämä tulee ajamaan koneoppimisen kaikkialle sulautetussa tekniikassa.
Myös vähävirtaisten LPWAN-radiotekniikoiden rajoitukset ajavat koneoppimista pieniin laitteisiin. LPWAN-radioiden raja tulee vastaan 100-150 kilobitissä. Bluetooth, WiFi ja mobiiliyhteydet kuluttavat liikaa virtaa. – Uskon, että koneoppiminen yleistyy viidessä vuodessa sulautetuissa laitteissa, Shelby ennusti.
Zach Shelbyn keynote-esitys on nähtävissä ETNtv:ssä ja ECF-tapahtuman Youtube-kanavalla. ECF keräsi tällä kertaa hieman yli 200 kehittäjää ja sulautetusta tekniikasta kiinnostunutta. Seuraavan kerran konferenssi järjestetään toukokuussa 2020.
Moni fyysisen kunnon ja terveyden seurantaan tarkoitettu laite sisältää erilaisia elintoimintojen mittauksia, mutta niiden tarkkuus ja luotettavuus eivät täytä terveydenhoidon ammattilaisten vaatimuksia. Pitkälle integroidun AFE-piirin avulla voidaan kuitenkin rakentaa jopa iholle kiinnitettävän tarralapun muotoon mittausjärjestelmä, joka hoitaa kaikki tärkeät elintoimintojen mittaukset kliinisellä tasolla.
