De geschiedenis van computers gaat eeuwen terug. De ontwikkelingen uit de vorige eeuw leidde tot de elektrische computers zoals we die nu kennen. De eerste homecomputer stond op zolder en werd voornamelijk gebruikt tekstverwerking. Dat de personal computer ons leven en de manier waarop we nu dingen doen zo zou verandere was toen moeilijk voor te stellen. Hetzelfde geldt voor mijn eerste mobiele telefoon. De mobiele telefoon die is doorontwikelt naar een smartphone beïnvloed ook dagelijks ons leven. Wie had ooit Computers en smartphones worden steeds slimmer, maar daar houdt het niet op. Veel andere apparaten om ons heen zijn slim, verzamelen gegevens en helpen ons met nuttige acties en inzichten. Apparaten zoals Google Assistant, Alexa en Apple Watch zijn alomtegenwoordig. In deze blog ga ik in op de belangrijkste verschuivingen en de opkomst van Machine Learning en Tiny Machine Learning. Zal dit ook beginnen als een leuk spel en uiteindelijk ons ​​leven veranderen?

Verschuivingen in capaciteiten

Onze homecomputer startte op zolder voor echte liefhebbers. Al snel, na grote updates, verbeteringen in geheugen en applicaties, kreeg het een prominente plek in de huiskamers. Tekstverwerkingsprogramma’s, spreadsheets en maakten de computer erg handig. Met de start en ontwikkeling van het steeds groter wordende internet werden de mogelijkheden eindeloos. Sensoren, zoals een camera en bewegingssensoren, bijvoorbeeld GPS, hebben hun weg gevonden in ons leven. Momenteel wordt slechts 1% van de gegenereerde data op de edge geanalyseerd. Kunt u zich voorstellen hoeveel inzicht en intelligentie we zouden krijgen als er rekenkracht zou zijn in meer apparaten en dingen om ons heen? Niet alleen bij ons thuis, maar ook in onze kantoren, fabrieken, gezondheidszorg en landbouw, deze impact zal enorm zijn.

Van de cloud tot de rand

Tegenwoordig wordt het meeste rekenwerk in de cloud gedaan. Dat betekent dat alle apparaten gegevens zoals foto’s, video’s en sms-berichten naar grote datacenters van bedrijven zoals Google sturen. Dit proces kost veel tijd, energie (batterij), bandbreedte en geld. Bij dit proces zijn er soms ook privacy- en veiligheidsrisico’s. Om deze problemen te overwinnen, is er een toenemend aantal mogelijkheden. Technieken om op kleine apparaten algoritmes te draaien zijn al enkele decennia beschikbaar. Technieken, batterijduur, om zulke kleine apparaten te maken die kunnen werken en genoeg kunnen opslaan om te berekenen, waren er nog niet. Gelukkig zijn ze dat nu. Kun je je voorstellen dat de kleinste microcontroller kleiner is dan een kuiltje in een golfbal? Dit betekent een opening voor een hele nieuwe wereld aan mogelijkheden. Is de toekomst een kleine, heldere en kleine ML?

De toekomst is Tiny ML

Laten we dus aannemen dat een groot deel van de cloud naar de rand verschuift. Dat vind ik aannemelijk, aangezien de technische mogelijkheden en het aantal problemen dat met Tiny ML opgelost zou kunnen worden, alleen programmeren die niet kon oplossen. Er zijn aspecten van privacy, snelheid en kosten. Als kleine apparaten en dergelijke hun algoritmen zouden kunnen uitvoeren en van hun omgeving zouden kunnen leren. Dit zou een laag stroomverbruik en goedkope intelligentie op de rand betekenen. Dit maakt machine learning mogelijk op de grens van de fysieke en digitale wereld. Dan zouden we nog meer macht hebben, gegevensinvoer om algoritmen te maken die problemen leren oplossen door gegevens op patronen te analyseren.

Tensor-ingang voor Tiny ML

De gegevensinvoer van Tiny ML is vergelijkbaar met die van andere vormen van kunstmatige intelligentie. Tiny ML is een vorm van deep learning, dat is Machine learning, wat allemaal onder kunstmatige intelligentie valt. De gegevens die worden gegenereerd, zijn afkomstig van sensoren. Zoals camera’s, stem, temperatuur, licht, rook, gas, alcohol, druk, versnellingsmeter, hartslagsensoren, enzovoort. Op deze manier kan het apparaat zijn omgeving voelen. Met machine learning kan het analyseren wat er aan de hand is, en het apparaat kan ernaar handelen, alles in één apparaat.

De filosofische overgang

Elke fundamentele technologische innovatie, die de manier waarop we dingen doen, heeft veranderd, brengt een belangrijke verandering met zich mee. Niet alle technologische uitvindingen veranderen ons leven drastisch of dwingen een paradigmaverandering af. Een paradigma is een reeks conventies en aannames binnen de wetenschap, die dicteren hoe dingen worden gedaan. De ontdekking van vuur en de uitvinding van het wiel zijn bijvoorbeeld baanbrekende ontdekkingen en uitvindingen. De uitvinding van het wiel was de voorwaarde voor alles wat op wielen beweegt. Vóór de uitvinding van het wiel was er gewoon geen wereld denkbaar waarin je de auto zou besturen. Hetzelfde geldt voor de mogelijkheden van Tiny ML, de mogelijkheid om Machine Learning in te zetten op kleine apparaten opent een hele nieuwe wereld met kansen, mogelijkheden en bedreigingen. De bedreigingen die ik in de volgende sectie zal bespreken.

Ethiek: verantwoorde AI

Volgens Vijay Janapa Reddi, universitair hoofddocent aan de John A.Paulson School of Engineering and Applied Sciences (SEAS) aan Harvard University, is Tiny ML disruptief. Er zijn veel voordelen, maar ook ernstige risico’s, en er zullen enkele serieuze ethische uitdagingen zijn waar we ons zorgen over moeten maken. Er is altijd dat mensen de techniek voor slechte doeleinden zullen gebruiken. Dit wordt multi-stabiliteit genoemd. Dit is de reden waarom Google zijn gezichtsherkenningstechnologie niet gebruikt. We moeten ook rekening houden met tegenstrijdige waarden van verschillende belanghebbenden. Volgens Susan Kennedy heeft ze een doctoraat in de filosofie; het is belangrijk om een ​​mensgericht ontwerpkader te gebruiken. Het is belangrijk om de belanghebbenden en potentiële toepassingen van technologie in de vroegste ontwerpfase in gedachten te houden. En dat geldt ook voor het stadium van ontwikkeling en implementatie. Dit is extra belangrijk omdat het moeilijk is om terug te gaan als u eenmaal bent geïmplementeerd. De debug-functie is vaak afwezig.

Voordelen van Tiny ML

Veel processen worden goedkoper, sneller en dichter bij de plek waar data wordt gegenereerd. Mensen krijgen een meer gestroomlijnd productontwerp en -processen. We krijgen slimme kantoren, slimme fabrieken, slimme huizen, slimme steden, slimme openbare ruimte en slimme gezondheidszorg. Ook komt er een betere verbinding tussen de analoge en digitale wereld. Waar we het beste van twee werelden zullen gebruiken. De voordelen van een analoog neuraal netwerk met een lager vermogen. Dat betekent dat er meer intelligente mobiele apparaten zijn die langer meegaan op een enkele lading. De mogelijkheden zijn eindeloos en ze schatten dat in 2025 75% van de bedrijfsgegevens aan de rand zal worden verwerkt. Vergeleken met slechts 10% vandaag.