یادگیری ماشین کوچک یا به اختصار (TinyML) کوچک شده شبکه های یادگیری عمیق هستند که قابلیت اجرا بر روی یک میکروکنترلر را دارند.
در واقع یادگیری ماشین کوچک، حوزه ای از تکنولوژی است که برد های الکترونیکی قابل کنترل کوچک را با یادگیری ماشین ترکیب می کند.
مجموعه ای از سخت افزار و نرم افزار های تعریف شده ای که قادر به تجزیه و تحلیل داده ها در توان بسیار پایین (در محدوده میلی وات و کمتر ) هستند.
برای ایجاد و توسعه یک پروژه TinyML به دانشی در مورد یادگیری ماشین و برنامه نویسی برد های کنترلی نیاز دارید.
یک CPU معمولی بین 65 تا 85 وات و یک GPU معمولی بین 200 تا 500 وات برق مصرف می کند، در حالی که یک میکروکنترلر معمولی برق را در محدوده میلی وات یا میکرووات مصرف می کند.
این معادل کاهش هزار برابری مصرف برق است!
به دلیل مصرف انرژی کم، دستگاه‌های TinyML می‌توانند در حین اجرای برنامه‌های یادگیری ماشینی، هفته‌ها، ماه‌ها یا حتی سال‌ها با باتری کار کنند.
از آنجایی که مدل‌های یادگیری ماشین انرژی زیادی برای پردازش مصرف می‌کنند، برای ایجاد مدل‌ها در دستگاه‌های حاوی باتری مناسب نیستند. اینجاست که از TinyML استفاده می شود. در TinyML، ما می توانیم مدل شبکه عصبی را در هر بردی با استفاده از انرژی کمتر از 1mW اجرا کنیم. این بدان معناست که دستگاهی که با باتری سکه ای تغذیه می شود یک سال دوام می آورد. در نتیجه، دستگاه به اندازه کافی کوچک است و می تواند در هر تنظیماتی قرار بگیرد و برای مدت طولانی بدون نیاز به دخالت مستقیم انسانی کار کند.
