TinyML: LwM2M을 통한 지속적인 학습

MCU가 더욱 강력해지고 있는 반면, 기계 학습 모델은 더 적은 리소스를 활용하도록 설계될 수 있습니다. 이를 통해 TinyML을 구현할 수 있습니다. 리소스가 제한된 IoT 장치에서 실행할 수 있는 딥 러닝 모델입니다. TinyML을 사용하면 원시 센서 데이터를 로컬에서 분석하여 클라우드로 데이터를 전송할 필요성을 줄이거나 없애고 배터리 소모를 줄이며 데이터 개인 정보를 보호할 수 있습니다.

그럼에도 불구하고 지능형 IoT 솔루션 구현은 ML 모델 자체에만 의존하지 않습니다. 여기에는 지속적인 학습 구현, 저전력 무선 통신 활성화, 원격 장치 관리, 보안 통신 보장, 펌웨어 업데이트(무선), 장치 상호 운용성 활성화와 같은 과제가 포함됩니다.

"TinyML을 사용하면 원시 센서 데이터를 로컬에서 분석하여 클라우드로 데이터를 전송할 필요성을 줄이거나 제거하고 배터리 소모를 줄이며 데이터 개인 정보를 보호할 수 있습니다."

-AV시스템

TinyML과 LwM2M은 서로를 보완합니다.

LwM2M IoT 장치에 대한 메시징 및 장치 관리를 단순화하는 애플리케이션 계층 통신 표준입니다. 프로토콜은 데이터 형식을 지정하고 장치 관리 메커니즘과 FOTA(Firmware-Over-The-Air) 업데이트를 위한 표준화된 프로세스를 정의합니다. 이 프로토콜은 NB-IoT 및 LTE-M과 같은 LPWAN 표준에 매우 적합합니다.

TinyML은 Edge Impulse 또는 Cartesiam.ai와 같은 도구를 사용하여 장치 인텔리전스를 제공하는 반면 LwM2M 프로토콜은 연결, 표준화된 통신 및 장치 관리를 제공합니다. 결합되면 스마트 IoT 장치를 위한 전체적인 솔루션이 생성됩니다.

스마트 센서로 기존 장치 개조

장치의 원시 센서 데이터에 대한 클라우드 기반 분석은 장치가 전송해야 하는 데이터의 양으로 인해 비효율적입니다. 보다 효율적인 방법은 TinyML을 사용하여 장치에서 직접 센서의 데이터를 처리하는 것입니다. 예를 들어 가속도계의 X, Y, Z 값을 분석하면 귀중한 통찰력을 제공할 수 있는 복잡한 움직임이나 진동을 감지하여 예측 유지 관리, 귀중한 제품의 활용도 모니터링, 사람이나 동물의 움직임 분류와 같은 사용 사례를 구현할 수 있습니다.

요즘에는 점점 더 많은 스마트 센서가 개발되고 있습니다. 감지 기능 외에도 스마트 센서에는 TinyML 모델을 실행하고 감지된 패턴만 장치의 기본 MCU에 전달하는 내장 MCU가 함께 제공됩니다. 이러한 TinyML 통합 센서를 센서 2.0 패러다임 Vijay Janapa Reddi 교수(하버드 대학교) 최근 강의 TinyML Summit에서. 스마트 센서는 내장형 펌웨어를 재설계할 필요 없이 기존 장치에 TinyML 기능을 추가할 수 있으므로 TinyML 구현을 단순화합니다. 또한 원시 센서 데이터의 진정한 격리로 인해 개인 정보 보호 문제를 해결할 수 있습니다. 스마트 센서는 음성이나 카메라 영상을 분석하는 동시에 데이터가 기기의 메인 MCU로 유출되지 않아 개인정보를 보호할 수 있다.

지속적인 학습

오늘날의 주요 과제 중 하나는 배포 후 TinyML 모델을 안정적으로 유지하는 것입니다. 훈련 목적으로 사용되는 데이터 세트는 실제 데이터와 다르기 때문에 모델이 부정확해지는 경우가 많습니다. 또한, 환경적 맥락은 시간이 지남에 따라 변할 수 있습니다(예: 산업 기계의 교정 해제 또는 기후 조건 변화로 인해). 이로 인해 모델 품질이 저하될 수 있습니다.

지속적인 학습은 TinyML 모델이 시간이 지남에 따라 적응하는 능력을 의미합니다. 이는 모델을 처음부터 다시 학습할 필요 없이 새로운 데이터 세트에서 학습함으로써 달성할 수 있습니다. 지속적인 학습을 실현하는 기술은 잘 알려져 있지만 리소스가 제한된 장치에서 모델을 실행할 때 실제 구현이 누락되는 경우가 많습니다. 이는 ML 모델 수명주기 관리를 담당하는 장치 관리 계층이 누락되어 발생하는 경우가 많습니다. LwM2M은 원격 구성 및 펌웨어 업데이트에 대한 기본 지원이 제공되므로 지속적인 학습을 실현하는 데 누락된 링크일 수 있습니다. 검증된 방법을 사용하면 ML 모델은 펌웨어를 업데이트하기 위해 각 장치에 물리적으로 액세스할 필요 없이 지속적으로 업데이트될 수 있습니다.

TinyML 촉매

리소스가 제한된 IoT 장치를 위한 TinyML 솔루션은 지능형 솔루션 개발을 위한 촉매제입니다. 현재 POC 단계를 넘어 실제 TinyML 애플리케이션 배포를 시작하려면 효율적인 통신, 장치 및 펌웨어 관리, 보안 연결을 위한 메커니즘을 제공해야 합니다. TinyML 모델을 관리하고 연결을 제공하기 위해 LwM2M 프로토콜을 사용하는 것은 TinyML을 표준화하고 지능형 IoT 솔루션의 생태계를 풍부하게 만드는 길입니다.

사례 연구: TinyML 패턴 감지기

TinyML 솔루션은 LwM2M 표준을 사용하여 설계되었습니다. Thingy:91은 다음을 사용하는 개발 장치입니다. nRF9160 SiP 노르딕 세미컨덕터에서. Zephyr OS 운영 체제를 실행하며 아래 그림과 같이 세 가지 다른 동작 패턴을 감지하도록 훈련되었습니다.

제시된 개념을 구현하는 단계는 다음과 같습니다.

1. 데이터 수집 및 라벨링.
2. 분류기 설계 및 학습.
3. 장치에 분류자를 배포하고 테스트합니다..
4. LwM2M 클라이언트를 구현하여 네트워크 연결 및 장치 관리 제공.
5. LwM2M 서버를 사용하여 장치 및 데이터 관리.

이 예제에서는 Edge Impulse 플랫폼을 사용하여 Thingy:91 가속도계에서 데이터를 수집하고, ML 분류자를 교육하고, C++용 독립 실행형 라이브러리를 생성합니다. TinyML 모델이 포함된 라이브러리는 장치에서 실행되고 LED 신호 패턴 감지를 제어할 수 있습니다. 그만큼 Anjay LwM2M 클라이언트 솔루션에 대한 연결 계층을 제공하여 통신 및 보안 데이터 전송과 관련된 낮은 수준의 기술 문제를 처리합니다.

마지막으로 장치는 데이터가 저장되고 시각화되는 LwM2M 서버에 등록됩니다. Coiote IoT 장치 관리 포털을 사용하면 특정 패턴이 감지될 때마다 서버에 알리거나 빈도를 몇 초, 분 또는 시간마다 한 번으로 줄이고 패턴 횟수를 나타내는 카운터를 보내도록 장치에 지시할 수 있습니다. 감지되었습니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 출처: https://www.iotforall.com/tinyml-continual-learning-with-lwm2m