baggthurman的部落格

TinyML的爆發是物聯網路的直接數據的需求。 麥克風據全球移動通信系統協會（GSMA）和此處填寫不需要偽原創的詞語，一行一個（IDC）報告的報告，估計2019年2025年全球物聯網連接總數將從到246億，全球物聯數據將達到163ZB，機器學習分析數據將增加至初始100次，達到1.4ZB。近年來，由於物聯網連接總數將從和硬體處理能力的增加，“末端側機器學習演算法”增加側機器學習演算法“生長，並且TinyML出生。通常，機器學習是在雲中執行數據存儲，訓練和推理操作。然而，這種方法在物聯網領域中是無效的：

能量消耗。 WLAN尺寸小，分佈廣，數量廣泛。通常，提供電池，大量即時數據傳輸將的消耗量大，無線麥克風使得“低功率”物聯網形等同於。 申請延遲。在計算過程中，數據傳輸在雲中產生某個延遲，並且不保證數據的即時。在某些情況下，這是致命的，特別在一些大的生產方案中，第二延遲會導致巨大的經濟損失。 隱私性洩漏風險。在數據傳輸和雲存儲過程中，存在洩漏物聯網連接總數將從的風險，“最終智能”可以減少這種風險。 帶寬與儲存廢物。 常規機器學習在90中，無效數據佔據大部分傳輸帶寬和雲存儲空間，導致浪費的巨大資源。

TinyML的出現大大減少傳統機器學習模式到計算資源和電量依賴，動圈式麥克風有助於實現大量端側微控制器實現數據傳輸和智能升級，大大擴展了物聯設備。例如，城市攝像機增加了AI的終端推理模型，僅選擇“異常數據上載”模式，這不僅可以提高數據傳輸效率，而且還降低了最初的操作功耗“高功率，高成本“物聯場景可以廣泛應用於”低功率“技術。