TinyML to uruchamianie modeli uczenia maszynowego na bardzo małych, energooszczędnych urządzeniach.
Zastosowania
Wykrywanie słów kluczowych, klasyfikacja gestów, wykrywanie anomalii w drganiach, proste rozpoznawanie obrazów.
Techniki
Kwantyzacja (np. do 8 bitów), przycinanie sieci, małe architektury. Narzędzia: TensorFlow Lite Micro, Edge Impulse.
Zalety
Niskie opóźnienia, prywatność, praca bez łączności, niski pobór energii.
Ograniczenia
Ograniczona dokładność i złożoność modeli, wymagany staranny dobór danych i testy.
