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
   124   125   126   127   128   129   130   131   132   133   134