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
   122   123   124   125   126   127   128   129   130   131   132