Page 127 - Kỷ yếu hội thảo quốc tế: Ứng dụng công nghệ mới trong công trình xanh - lần thứ 9 (ATiGB 2024)
P. 127
118 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT - ĐẠI HỌC ĐÀ NẴNG
quả trên ta có thể thấy rằng việc triển khai các mô 2. ĐẶC TRƯNG CỦA HỆ THỐNG TINYML
hình trên hệ thống TinyML giúp giảm đáng kể độ trễ TinyML giúp các thiết bị IoT trở nên thông minh
trong khoảng 0-0.5 ms so với các mô hình trên đám hơn nhờ cho phép chúng thực hiện phân tích dữ liệu ở
mây. Không chỉ vậy, hệ thống TinyML hoạt động với biên và thực thi quyết định nhanh hơn. Trong hệ
độ chính xác cao (chỉ giảm nhẹ từ 95% xuống 85%) thống IoT có sự tham gia của TinyML đề cập đến các
dù bị nén và tối ưu hóa cho phần cứng tài nguyên hạn mô hình học máy cỡ nhỏ và đủ hiệu quả để chạy trên
chế. Nhìn vào kết quả trên ta có thấy được tiềm năng những tài nguyên có khả năng tính toán hạn chế như
của TinyML trong việc giảm thiểu độ trễ trong khi vi điều khiển.
vẫn giữ được tính toàn vẹn của mô hình, khiến
TinyML trở thành lựa chọn hấp dẫn khi triển khai mô 2.1. Đặc trưng phần cứng
hình học máy trên các thiết bị có nguồn lực hạn chế. Hạt nhân quan trọng của hệ thống TinyML chính
là vi điều khiển, phần cứng này là một mạch tích hợp
nhỏ gọn được thiết kế để điều khiển một chức năng cụ
thể trong hệ thống nhúng. Vi điều khiển có thể có một
bộ xử lý từ 4 bit đến 32 bit với các ngoại vi như: bộ
nhớ, đầu vào/đầu ra, hay các cảm biến và có khả năng
tăng tốc phần cứng. Vi điều khiển thường có kích
thước nhỏ, chi phí thấp và tiết kiệm năng lượng. Sự
phát triển của ngành công nghiệp IoT được đẩy mạnh
thông qua sự nở rộ của trí tuệ nhân tạo và học máy.
Nhu cầu đối với các thiết bị hỗ trợ người dùng phát
triển song song với các bộ vi điều khiển có hỗ trợ xử
Hình 3. Độ trễ và độ chính xác của TinyML lý tại biên làm cho thị trường này tăng trưởng ngày
càng lớn. Theo nghiên cứu của VMR [12] thị trường
• Hoạt động ngoại tuyến
này có dung lượng 348.83 triệu đô la trong năm 2021
Khác với các mô hình học máy trên đám mây bắt và dự kiến đạt 992.80 triệu đô la vào năm 2030.
buộc cần có kết nối Internet, các mô hình TinyML Trong những năm gần đây, các vi điều khiển 32 bit
hoàn toàn có thể thực thi tác vụ mà không có internet, mới, hỗ trợ TinyML đã làm điện toán biên được
thích hợp khi xây dựng các ứng dụng theo dõi động chuyển mình mạnh mẽ. Do hỗ trợ các lệnh đơn đa dữ
vật hoang dã [11]. liệu (SIMD) và các lệnh xử lý tín hiệu số (DSP), các
• Bảo mật và quyền riêng tư thiết bị dựa trên Cortex-M giờ đây có thể thực hiện
các nhiệm vụ trước đây không thể thực hiện được. Vi
TinyML lưu trữ dữ liệu trực tiếp trên thiết bị xử lý điều khiển cũng bao gồm SRAM trên chip và bộ nhớ
mà không cần gửi lên đám mây, giúp bảo mật tốt hơn Flash; do đó, các mô hình có thể phù hợp với giới hạn
cho dữ liệu cá nhân và thông tin quan trọng. Điều này bộ nhớ, những lập trình viên sẽ không phải chịu các
cải thiện đáng kể bức tranh đạo đức trong trí tuệ nhân truy cập DRAM tốn kém, vốn là điểm hạn chế của
tạo, đảm bảo quyền riêng tư của dữ liệu người dùng học máy cổ điển. Việc triển khai TinyML có thể linh
• Tiêu thụ năng lượng thấp hoạt phát triển trên phần cứng vi điều khiển hiện có
hoặc sử dụng vi điều khiển chuyên dụng với khả năng
Một trong những điểm quan trọng giúp TinyML
tiếtkiệm năng lượng chính là giảm thiểu được các tăng tốc phần cứng hỗ trợ TinyML. Bộ tăng tốc phần
bước vận chuyển dữ liệu. Hơn thế nữa, các thuật toán cứng (học sâu) là các chip hoặc mạch chuyên dụng
trong TinyML thường hướng tới hiệu quả trong việc được thiết kế để nâng cao hiệu suất tính toán vá tính
tính toán mà chúng được thực thi trên đó thông qua chính xác của mạng lưới thần kinh. Những bộ tăng
việc sử dụng năng lượng điện ít hơn. Bên cạnh đó, hệ tốc phần cứng này rất quan trọng trong việc triển khai
thống TinyML vẫn có các đặc điểm của hệ thống IoT các mô hình học sâu trên TinyML, vì chúng cung cấp
khi có thể thiết kế các chế độ ngủ hoặc các chế độ khả năng xử lý song song và luồng dữ liệu tối ưu,
hoạt động với điện áp thấp để tiết kiệm năng lượng. giúp giảm thời gian tính toán, tiêu thụ năng lượng và
sử dụng bộ nhớ.
• Tiết kiệm chi phí
Trong hình 4 giới thiệu một số phần cứng phổ
Các mô hình TinyML có thể tiết kiệm chi phí liên biến để phát triển hệ thống TinyML, các bo mạch chủ
quan đến việc gửi dữ liệu lên đám mây để xử lý và lưu yếu sử dụng lõi ARM cortex hoặc Xtensa của
trữ, đây đều là những chi phí phát sinh và được tính lũy Espressif rất phổ biến trong cộng đồng hệ thống
tiến bằng độ rộng băng thông và kích thước bộ nhớ lưu nhúng. Kích thước RAM/ROM dao động trong
trữ. Ngoài ra, việc tiêu thụ ít năng lượng cũng gián tiếp khoảng 256KB-8MB và xung nhịp từ 64MHz-
giúp TinyML tiết kiệm chi phí khi triển khai. 480MHz. Ngoài ra, các bo mạch còn thường có kết
nối wifi hoặc bluetooth và có các ngoại vi cảm biến
ISBN: 978-604-80-9779-0