注重隐私和新功能将使TinyML变得更加强大

本文作者：STACEY HIGGINBOTHAM

不依赖于应用程序的隐私和智能功能将可能推动机器学习（ML）在受限边缘设备上的应用向前发展。这是Edge Impulse的首席执行官Zach Shelby和我本周坐在TinyML峰会的虚拟小组上时试图传达的信息。

在我们关于TinyML在智能家居中使用探讨中，我们重点讨论了用例以及如何才能让公司在受限设备上采用机器学习。首先，介绍一些词汇，TinyML专注于在微控制器上提供机器学习或推理。最近，这个定义已经扩大了一些，包括所有基于ARM的处理器，比如智能手机中使用的Cortex系列处理器。所以我们提到的用例并不是所有的都能在电池供电的微控制器上运行。

在嵌入式设备中加入机器学习的好处是巨大的。

无论你如何定义TinyML中的Tiny，这已经是一个重要的趋势，因为消费者担心隐私，而产业试图构建使用更少的功耗和响应越来越快的设备。Shelby说，他看到工业领域以及白色家电制造商对TinyML的大量需求，涉及TinyML的预测性维护。在这些例子中，机器可能有声音或振动传感器，可以学习来自正常机器的声音或振动，并在其中任何一个变化时发出警报。

通过在芯片上的机器学习，每个传感器可以变得个性化，以适应设备在特定环境中的运行方式。例如，在智能家居中，带有智能传感器的洗衣机或冰箱可以在电机或压缩机坏掉之前发出信号。TinyML也可能被用来计算洗衣机中衣物的重量等，从而相应调整水位。

Shelby指出，客户还希望TinyML能够对仓库、办公室或家庭中的货物进行精细的位置跟踪。设备上机器学习的其他用例涉及可穿戴设备、医疗保健和智能家居的新服务。由于隐私是设备上处理的一个关键优势，医疗保健是一个很好的市场，因为像HIPPA这样的法律会让医生或医院对通过连接设备共享数据感到紧张。

使用机器学习在本地处理睡眠数据或心率数据的可穿戴设备可能会让用户追踪自己的健康状况，而不必将其上传到苹果或谷歌服务器上。一个闭环的胰岛素泵可以使用ML来测量葡萄糖并发出释放胰岛素的信号，所有这些都不需要始终在线的互联网连接。这可以保持医疗数据的真正私密性，并且在没有互联网连接的情况下，使其更加安全。

在家庭中，使用雷达等工具可以帮助设备计算出一个房间里的人数或一个设备与另一个设备的接近程度。这可以为智能家居提供必要的背景，而不需要依赖智能手机或摄像头。是的，我们还谈到了创建定制的唤醒词或非云端唤醒词，这将让设备对一组有限的口语命令做出反应。例如，如果一盏灯有一个麦克风和芯片，能够解读几个短语，比如 "开灯 "或 "调光"，那么它就不必连接到互联网了。

我试图突破几个我认为TinyML可以产生巨大影响的领域。我想到了以隐私为中心的安全系统；闭环传感器/执行系统，如胰岛素泵，甚至是测量空气质量的NVAC系统；不需要连接，只需要一些智能的单一用途设备，如床垫可以跟踪婴儿的呼吸，并在其停止时发出警报；以及需要超快响应时间的设备，如电机上的传感器预防性维护等。

在这个列表中，Shelby还加入了定制化的接口。他还举了一个例子，使用自定义唤醒词来激活设备或新的界面，这些界面可以包括手势或目光检测。通过使用设备上的ML，这样的界面也会保护用户的隐私。我们都没有提到使用本地机器学习的安全优势，但它们是相当可观的。毕竟，如果你不将设备连接到互联网，你的攻击面就会小得多。这个好处与隐私性是相辅相成的。

在演讲的最后，我们为那些可能想玩TinyML或者想看它的实际操作的人提供了一些资源。一位观众分享了他的发烧设备，Shelby提到了一个关于嵌入式机器学习的免费Coursera课程，Edge Impulse与ARM、Arduino和TinyML基金会一起协助开发者加速边缘机器学习应用。