top of page

Industries

Praktisk tinyML

TinyML fokuserar på att utveckla,  komprimera och optimera 

maskininlärningsmodeller på små, energisnåla enheter som batteridrivna mikrokontroller och inbyggda system.

TinyML inspirerades av Mobile ML:s funktioner (låg latens, resursgränser, måttlig kostnad) och dess utveckling växte som ett resultat av det tekniska genombrottet inom området IoT och MCU. TinyML används framgångsrikt inom olika applikationsområden, t.ex. hälsovård, jordbruk, industriell IoT och miljö.

Intelligenta edge-enheter med avancerade sensorer (t.ex. miljarder mobiltelefoner och IoT-enheter) har varit allestädes närvarande i våra dagliga liv. Genom att kombinera artificiell intelligens (AI) och dessa avancerade enheter, finns det enorma verkliga applikationer som smarta hem, smart detaljhandel, autonom körning och så vidare. Men de senaste AI-systemen för djupinlärning kräver vanligtvis enorma resurser (t.ex. stor märkt dataset, många beräkningsresurser, många AI-experter), både för utbildning och slutledning. Detta hindrar tillämpningen av dessa kraftfulla AI-system för djupinlärning på avancerade enheter. TinyML-projektet syftar till att förbättra effektiviteten hos AI-system för djupinlärning genom att kräva mindre beräkningar, färre ingenjörer och mindre data, för att underlätta den gigantiska marknaden för edge AI och AIoT.

A TinyML Framework’s goal is to provide a comprehensive solution for constructing and deploying machine learning models on low-power devices, making it easier for developers to create edge computing applications.

bottom of page