Page 129 - Kỷ yếu hội thảo quốc tế: Ứng dụng công nghệ mới trong công trình xanh - lần thứ 9 (ATiGB 2024)
P. 129
120 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT - ĐẠI HỌC ĐÀ NẴNG
Ngoài các kỹ thuật nén ở trên, phương pháp chắt trên nhiều hệ thống nhúng tại biên, như vi điều khiển
lọc kiến thức (Knowledge Distillation) là một kỹ thuật hay máy tính nhúng.
quan trọng khác được sử dụng trong TinyML. Chắt • Điểm hạn chế
lọc kiến thức là một phương pháp học máy trong đó
một mô hình nhỏ hơn, gọn hơn (gọi là mô hình học Do đặc trưng của hệ thống nhúng sẽ có những hạn
sinh) được đào tạo để bắt chước kết quả đầu ra của chế như không thể gọi tệp hệ thống, tệp chức năng (ví
một mô hình lớn hơn, chính xác hơn (được gọi là mô dụ: printf) vì thế TFLM cố gắng tránh sử dụng bất kỳ
hình giáo viên). Mục tiêu của mô hình học sinh là lệnh gọi thư viện C hoặc C++ nào yêu cầu hỗ trợ hệ
phỏng đoán gần đúng nhất các dự đoán của mô hình điều hành. Trong khi đó các nền tảng đa năng cho phép
giáo viên và ý tưởng đằng sau việc chắt lọc kiến thức thu thập dữ liệu và huấn luyện như EI sẽ gặp khó khăn
là mô hình nhỏ hơn có thể tìm hiểu thông tin hữu ích khi tùy chỉnh và năng cao hiệu năng tính toán.
về vấn đề từ mô hình giáo viên, ngay cả khi mô hình 3. MỘT SỐ BÀI TOÁN ĐIỂN HÌNH VÀ
học sinh không phức tạp hoặc chính xác như mô hình HƯỚNG PHÁT TRIỂN
của giáo viên.
TinyML có khả năng đóng vai trò quan trọng
Hình 4 liệt kê một số công cụ phát triển TinyML trong việc giải quyết các vấn đề thuộc nhiều lĩnh vực
phổ biến, kèm theo đó là nền tảng phần cứng hỗ trợ khác nhau mà IoT đã đảm nhiệm nhưng chưa triệt để
cùng với thư viện huấn luyện tương thích. Bộ khung [17]. TinyML cho phép triển khai các thiết bị thông
phát triển TinyML (Frameworks TinyML) phục vụ minh có khả năng giám sát và thu thập dữ liệu về
mục đích đảm bảo rằng các mô hình máy học hoạt nhiều khía cạnh môi trường, đóng vai trò trong IoT
động nhanh chóng và thành công trên các thiết bị công nghiệp về chất lượng sản phẩm hay tham gia
nhúng, tuân thủ tiêu chí điện năng thấp, một số công tích cực trong lĩnh vực chăm sóc y tế, nông nghiệp
cụ phổ biến như:
thông minh.
• TensorFlow Lite (TFL) • Bài toán về môi trường
TFL [13] là một khung học sâu mã nguồn mở của Những thiết bị TinyML được thiết kế để chống lại
Google được thiết kế để suy luận (inference) trên các tiếng ồn và những thay đổi trong phân phối dữ liệu,
thiết bị nhúng. TFL được tạo thành từ hai phần chính: nhằm giám sát, theo dõi dự đoán các yếu tố rộng lớn
Bộ chuyển đổi và Trình thông dịch. Bộ chuyển đổi
TensorFlow được sử dụng để chuyển đổi mã của môi trường, với đặc thù trải rộng từ các thông số
TensorFlow thành bộ đệm phẳng nén (flat buffer) có thời tiết đơn giản đến tham gia vào cảnh báo thiên tai
đuôi dạng (.tflite) thu nhỏ kích thước của mô hình và hay bảo vệ động vật hoang dã. Những thiết bị triển
tối ưu hóa mã với mức độ mất mát ở mức tối thiểu. khai TinyML cũng có thể được thử thách làm việc
TFL hiện hỗ trợ lượng tử hóa, cắt tỉa và phân cụm. trong môi trường có không thuận lợi cao, chẳng hạn
TensorFlow Lite Micro(TFLM) [14] là phần mở rộng như nhiệt độ thời tiết khắc nghiệt hoặc những nơi bị
của TFL được thiết kế để thực thi các mô hình học hạn chế hoặc không có nguồn điện. Các thiết bị
máy trên bộ vi điều khiển 32 bit với bộ nhớ hạn chế TinyML cũng có thể được cài đặt trên quy mô rộng và
(chỉ vài kB). cung cấp dữ liệu thời gian thực về trạng thái môi
trường, cho phép xác định và giải quyết vấn đề nhanh
chóng. Một ví dụ về bài toán “Dự báo nhiệt độ” của
TinyML là một ứng dụng quan trọng trong lĩnh vực
giám sát môi trường. Dự báo nhiệt độ chính xác có
thể giúp đưa ra các quyết định như a) khi nào nên sử
dụng năng lượng trong các tòa nhà; b) khi nào trồng
cây và c) trồng loại cây nào. Các tác giả trong [18] đã
đưa ra một phương pháp dự đoán các giá trị nhiệt độ;
Hình 6. Một số công cụ phát triển tinyML phổ biến giải pháp sử dụng kỹ thuật điện toán biên và thiết bị
• Edge Impulse (EI) dựa trên TinyML dùng Arduino Nano 33 BLE Sense.
Một ví dụ khác về “Phát hiện rò rỉ nước” [19] đã phát
Edge Impulse [15] là giải pháp dựa trên nền tảng
đám mây hỗ trợ đa dạng trong việc huấn luyện và cài triển một hệ thống duy trì các hồ chứa nước bằng
cách sử dụng kết hợp mô hình mạng nơ-ron nhân tạo
đặt các mô hình học máy cho thiết bị TinyML, từ việc
thu thập dữ liệu bằng thiết bị IoT, đến trích xuất các (ANN) cùng với Raspberry Pi, Arduino IDE. Các cảm
tính năng, mô hình huấn luyện và cuối cùng là triển biến được tích hợp trong ống nước sẽ thu thập và gửi
khai và tối ưu hóa các mô hình. EI dùng trình biên dữ liệu về Raspberry Pi, dữ liệu này sẽ phân tích bằng
dịch EON [16] để triển khai mô hình và có hỗ trợ kỹ thuật học sâu. Sau đó, ứng dụng có thể xác định
TFLM. Các mô hình được huấn luyện có thể chạy mức sử dụng nước thường xuyên cũng như mọi rò rỉ
hoặc lãng phí.
ISBN: 978-604-80-9779-0