TinyML: apprendimento continuo con LwM2M

Mentre gli MCU stanno diventando più potenti, i modelli di machine learning possono essere progettati per utilizzare meno risorse. Ciò consente l'implementazione di TinyML; modelli di deep learning che possono essere eseguiti su dispositivi IoT con risorse limitate. TinyML può essere utilizzato per analizzare localmente i dati grezzi dei sensori, riducendo o eliminando la necessità di inviare dati al cloud, riducendo il consumo della batteria e preservando la privacy dei dati.

Tuttavia, l’implementazione di soluzioni IoT intelligenti non si basa esclusivamente sul modello ML stesso. Implica sfide come l’implementazione dell’apprendimento continuo, l’abilitazione della comunicazione wireless a basso consumo, la gestione dei dispositivi in ​​remoto, la garanzia di comunicazioni sicure, l’aggiornamento del firmware (via etere) e l’abilitazione dell’interoperabilità dei dispositivi.

"TinyML può essere utilizzato per analizzare localmente i dati grezzi dei sensori, riducendo o eliminando la necessità di inviare dati al cloud, riducendo il consumo della batteria e preservando la privacy dei dati."

LwM2M è uno standard di comunicazione a livello di applicazione che semplifica la gestione della messaggistica e dei dispositivi IoT. Il protocollo impone un formato dati e definisce meccanismi di gestione dei dispositivi e processi standardizzati per gli aggiornamenti firmware-over-the-air (FOTA). Il protocollo è adatto per gli standard LPWAN come NB-IoT e LTE-M.

Mentre TinyML fornisce l'intelligenza del dispositivo (utilizzando strumenti come Edge Impulse o Cartesiam.ai), il protocollo LwM2M fornisce connettività, comunicazione standardizzata e gestione dei dispositivi. Se combinati, creano una soluzione olistica per i dispositivi IoT intelligenti.

L'analisi basata sul cloud dei dati grezzi dei sensori di un dispositivo è inefficiente a causa del volume di dati che il dispositivo deve trasmettere. Un modo più efficiente è elaborare i dati dai sensori direttamente sul dispositivo utilizzando TinyML. Ad esempio, l'analisi dei valori X, Y e Z dell'accelerometro può rilevare movimenti o vibrazioni complessi che potrebbero fornire informazioni preziose, consentendo casi d'uso come la manutenzione predittiva, il monitoraggio dell'utilizzo di beni di valore o la classificazione dei movimenti di persone o animali.

Oggigiorno vengono sviluppati sempre più sensori intelligenti. Oltre alle capacità di rilevamento, i sensori intelligenti sono dotati di un MCU integrato che esegue il modello TinyML e comunica solo i modelli rilevati all'MCU principale del dispositivo. Questi sensori integrati TinyML sono definiti il ​​paradigma Sensor 2.0 dal Prof. Vijay Janapa Reddi (Università di Harvard) durante la sua recente conferenza al TinyML Summit. I sensori intelligenti semplificano l'implementazione di TinyML poiché consente di aggiornare i dispositivi esistenti con funzionalità TinyML senza dover riprogettare il firmware incorporato. Inoltre, può risolvere problemi di privacy grazie al reale isolamento dei dati grezzi dei sensori. I sensori intelligenti possono analizzare le voci o le immagini della telecamera garantendo al contempo la privacy delle persone poiché i dati non fuoriescono dall'MCU principale del dispositivo.

Una delle sfide principali di oggi è mantenere affidabile il modello TinyML dopo la distribuzione. Spesso, i set di dati utilizzati per scopi di formazione differiscono dai dati del mondo reale, portando a modelli imprecisi. Inoltre, il contesto ambientale può cambiare nel tempo (ad esempio a causa della decalibrazione di macchine industriali o del cambiamento delle condizioni climatiche) portando al deterioramento della qualità del modello.

L'apprendimento continuo si riferisce alla capacità dei modelli TinyML di adattarsi nel tempo. Ciò può essere ottenuto imparando da nuovi set di dati senza la necessità di riqualificare il modello da zero. Sebbene le tecniche per realizzare l’apprendimento continuo siano ben note, spesso mancano le implementazioni pratiche quando si eseguono i modelli su dispositivi con risorse limitate. Spesso ciò ha a che fare con la mancanza di un livello di gestione dei dispositivi che si occupi della gestione del ciclo di vita del modello ML. LwM2M potrebbe essere l'anello mancante per realizzare l'apprendimento continuo poiché viene fornito con il supporto nativo per configurazioni remote e aggiornamenti firmware. Utilizzando metodi collaudati, i modelli ML possono essere aggiornati continuamente senza dover accedere fisicamente a ciascun dispositivo per aggiornarne il firmware.