TinyML คืออะไร ? เทคโนโลยีที่ย่อ Machine Learning สู่อุปกรณ์ขนาดเล็ก

TinyML คืออะไร ? เทคโนโลยีที่ย่อ Machine Learning สู่อุปกรณ์ขนาดเล็ก

ในยุคที่เทคโนโลยีทั้งฉลาดขึ้น และเล็กลงจนพกพาได้สบาย ๆ ในมือ หรือใส่ในอุปกรณ์เล็กจิ๋ว และในปัจจุบันนี้เราก็กำลังก้าวเข้าสู่ช่วงของ TinyML (Tiny Machine Learning) หรือก็คือการนำเอาพลังแห่ง การเรียนรู้ของเครื่อง (Machine Learning) ไปใส่ในชิปขนาดเล็กที่ใช้พลังงานเพียงน้อยนิด ทำให้มันเต็มไปด้วยความสามารถที่เกินตัว

ทุกคนลองจินตนาการถึงเซนเซอร์ใน บ้านอัจฉริยะ (Smart Home) ที่สามารถคิดเองได้ หรืออุปกรณ์สวมใส่ที่ตรวจสุขภาพคนไข้ได้แบบเรียลไทม์โดยไม่ต้องเชื่อมต่อกับอินเทอร์เน็ต หรือแม้แต่ อุปกรณ์ IoT ที่ทำงานอิสระในพื้นที่ห่างไกล ซึ่งนั่นคือตัวอย่างง่าย ๆ ของมัน TinyML ไม่ได้เป็นแค่เทรนด์ใหม่ แต่กำลังจะเปลี่ยนวิธีที่เราใช้เทคโนโลยีในชีวิตประจำวันแบบที่เราอาจไม่ทันรู้ตัว แล้วอะไรที่ทำให้มันสนใจขนาดนี้ ? เราลองไปดูกันเลย ...

TinyML คืออะไร ? (What is TinyML ?)

เรามาเริ่มต้นกันที่ความหมายของ TinyML หรือ Tiny Machine Learning ก็คือ ศาสตร์ย่อยแขนงหนึ่งของ Machine Learning (ML) ที่มุ่งเน้นที่จะนำเอาความสามารถของ AI มาใส่ในอุปกรณ์ขนาดเล็ก ที่มีข้อจำกัดทั้งด้านทรัพยากรประมวลผล และพลังงาน อย่างเช่น ไมโครคอนโทรลเลอร์ (MCU) หรือเซนเซอร์อัจฉริยะ ซึ่งเป้าหมายของ TinyML คือการนำ Machine Learning ออกไปสู่ "ขอบ (Edge)" ของระบบ ซึ่งก็คืออุปกรณ์ที่อยู่ปลายทาง โดยให้มันสามารถประมวลผลข้อมูล และตัดสินใจได้ด้วยตัวเอง โดยไม่ต้องพึ่งพาเซิร์ฟเวอร์ หรือคลาวด์ หรือที่เราเรียกกันว่า การประมวลผลแบบเอดจ์ (Edge computing) นั่นเอง

ภาพจาก : https://www.linkedin.com/pulse/tinyml-nadir-riyani-bmozf

TinyML มีความสามารถพิเศษที่ทำให้เหมาะกับอุปกรณ์ขนาดเล็ก นั่นก็คือการใช้พลังงานที่ต่ำมาก ๆ รองรับการทำงานแบบเรียลไทม์ และการลด ความล่าช้า (Latency) ที่มักเกิดจากการส่งข้อมูลไปประมวลผลในคลาวด์  และยิ่งไปกว่านั้น TinyML ยังเป็นศาสตร์ที่ต้องอาศัยความรู้จากหลากหลายสาขา ตั้งแต่การออกแบบ ฮาร์ดแวร์ (Hardware) ที่มีขนาดเล็ก และประหยัดพลังงาน, สร้างซอฟต์แวร์ที่เบา และทำงานได้อย่างมีประสิทธิภาพ ไปจนถึงการพัฒนาโมเดล ML ที่เหมาะสมสำหรับอุปกรณ์ที่มีข้อจำกัดนั่นเอง

องค์ประกอบหลักของ TinyML (Key Components of TinyML)

หัวใจสำคัญของ TinyML คือการออกแบบให้ทำงานได้ด้วยพลังงานที่ต่ำมาก เป้าหมายหลักของ TinyML คือการทำให้การประมวลผล ML ใช้พลังงานน้อยกว่า 1 มิลลิวัตต์ (mW) ตามคำกล่าวของ Pete Warden ผู้บุกเบิกด้าน TinyML เพราะพลังงานระดับนี้นั้นเพียงพอสำหรับอุปกรณ์ที่ใช้แบตเตอรี่ขนาดเล็ก เช่น แบตเตอรี่แบบเหรียญ หรือแบตเตอรี่ลิเธียมโพลิเมอร์ ให้ใช้งานได้นานหลายเดือน หรือเป็นปี

ฮาร์ดแวร์ที่ใช้ใน TinyML

ในแง่ของการประมวลผล TinyML แตกต่างจาก Machine Learning ทั่วไปตรงที่ไม่ต้องพึ่งพาหน่วยประมวลผลระดับสูงอย่าง หน่วยประมวลผลกราฟิก (GPU) หรือชิป ชิป ASIC แต่จะเน้นไปที่ ฮาร์ดแวร์ ขนาดเล็ก และประหยัดพลังงาน โดยมีรายละเอียดฮาร์ดแวร์ดังนี้

1. ไมโครคอนโทรลเลอร์ (MCU)

อุปกรณ์ประมวลผลขนาดเล็ก ที่มักมี หน่วยความจำ RAM เพียงไม่กี่ร้อยกิโลไบต์ และความเร็วสัญญาณนาฬิกาหรือ Clock ไม่เกินหลักสิบเมกะเฮิรตซ์ แต่ก็เพียงพอสำหรับงาน TinyML

2. ตัวประมวลผลสัญญาณดิจิทัล (DSPs)

ใช้สำหรับประมวลผลข้อมูลเซนเซอร์ เช่น เสียง, การเคลื่อนไหว และ ภาพ เป็นต้น เพื่อนำสัญญาณ Analog ที่ได้แปลงเป็น Digital แล้วนำไปวิเคราะห์ต่อไปตามความต้องการ

ภาพจาก : https://towardsdatascience.com/tiny-machine-learning-the-next-ai-revolution-495c26463868

3. เซนเซอร์

เช่น กล้อง, ไมโครโฟน หรือเซนเซอร์ตรวจจับอื่น ๆ

ภาพจาก : https://vayuyaan.com/shop/sensor/sound-sensor-module-red-intelligent-vehicle-for-sound-detection/

4. เชื่อมต่อ BLE (Bluetooth Low Energy)

สำหรับการสื่อสารข้อมูลในระยะสั้น ๆ ด้วย เทคโนโลยีบลูทูธ (Bluetooth Technology)

ซอฟต์แวร์ที่อยู่เบื้องหลังTensorFlow Lite for Microcontrollers

การมีซอฟต์แวร์ที่เหมาะสมก็เป็นอีกตัวช่วยสำคัญ โดยเฉพาะ TensorFlow Lite for Microcontrollers (TF Lite Micro) เป็นซอฟต์แวร์ที่ได้รับความนิยม ที่ถูกออกแบบมาเพื่อการประมวลผล ML บนอุปกรณ์ที่มีทรัพยากรจำกัด ทีนี้เรามาลองดูกันว่า TF Lite Micro นั้นมีขั้นตอนการทำงานอย่างไรบ้าง ?

โดย TF Lite Micro จะใช้กระบวนการที่ครอบคลุมตั้งแต่การเก็บข้อมูล, เตรียมข้อมูล, ออกแบบโมเดล การฝึกฝน ไปจนถึงการปรับแต่ง และลดขนาดโมเดล (Quantization) ซึ่ง Quantization นี้แหละก็คือเคล็ดลับสำคัญที่ทำให้ TinyML นั้นเป็นไปได้ ด้วยการลดขนาดน้ำหนัก และค่าไบแอสของโมเดลเพื่อให้ใช้พื้นที่ และพลังงานน้อยลง คงความแม่นยำของโมเดลไว้ในระดับที่ยอมรับได้

ภาพจาก : https://www.allaboutcircuits.com/technical-articles/what-is-tinyml/

นอกจากนี้ ซอฟต์แวร์ TinyML ส่วนใหญ่ก็จะเขียนด้วยภาษา C/C++ เพื่อให้การทำงานมีความลื่นไหลไม่ซับซ้อน และประหยัดทรัพยากรมากที่สุด

ประโยชน์ของ TinyML (Benefits of TinyML)

TinyML ไม่ได้โดดเด่นเพียงเพราะความเล็ก และประหยัดพลังงานของมัน แต่มันยังเต็มไปด้วยประโยชน์อีกมาก เราลองมาดูกันว่า TinyML นั้นมีประโยชน์อะไรที่น่าสนใจบ้าง

1. พกพาสะดวก ต้นทุนต่ำ

หนึ่งในจุดเด่นที่สำคัญของ TinyML คือการที่มันสามารถทำงานได้บน ไมโครคอนโทรลเลอร์ราคาถูก ไม่ว่าจะเป็น ESP32 หรือ Arduino UNO และใช้พลังงานต่ำมาก TinyML ช่วยให้การติดตั้ง เทคโนโลยี AI บนอุปกรณ์ต่าง ๆ เป็นเรื่องง่าย และคุ้มค่ามากขึ้น โดยเฉพาะในอุปกรณ์ IoT ที่ต้องการต้นทุนที่เหมาะสมไม่มากเกินไป

ภาพจาก : https://thepihut.com/blogs/raspberry-pi-tutorials/how-do-i-power-my-raspberry-pi

2. ความปลอดภัย และความเป็นส่วนตัวที่เพิ่มขึ้น

TinyML เน้นการประมวลผลข้อมูลในอุปกรณ์เอง (On-device Processing) แทนที่จะต้องส่งข้อมูลไปยังคลาวด์ ซึ่งช่วยเพิ่มระดับความปลอดภัย ซึ่งความสามารถนี้ทำให้ TinyML เป็นตัวเลือกที่เหมาะสมสำหรับงานที่ความเป็นส่วนตัวเป็นเรื่องสำคัญ

3. ทำงานแบบเรียลไทม์

ด้วยการประมวลผลข้อมูลในตัวอุปกรณ์ TinyML เอง ช่วยลดความล่าช้าจากการส่งข้อมูลไปยังคลาวด์และกลับมา ซึ่งเหมาะสำหรับงานที่ต้องการการตอบสนองทันที เช่น การสั่งงานด้วยคำสั่งเสียง หรือการวิเคราะห์ข้อมูลเซนเซอร์ในเวลาเสี้ยววินาที ซึ่งทำให้ผลลัพธ์นั้นออกมาอย่างรวดเร็ว

4. มีระยะเวลาใช้งานที่ยาวนาน

TinyML ถูกออกแบบให้รองรับการทำงานบนอุปกรณ์พลังงานต่ำ  บนไมโครคอนโทรลเลอร์ที่ใช้พลังงานเพียงไม่กี่มิลลิวัตต์ ซึ่งสิ่งนี้ช่วยยืดอายุแบตเตอรี่ให้ใช้งานได้นานขึ้น สำคัญมากสำหรับเซนเซอร์ที่อยู่ในพื้นที่ห่างไกล หรืออุปกรณ์ที่ต้องการความอิสระจากแหล่งจ่ายพลังงานอื่น ๆ

5. ลดต้นทุนการโอนถ่ายข้อมูล

เนื่องจาก TinyML ประมวลผลข้อมูลในอุปกรณ์โดยตรง ลดความจำเป็นในการอัปโหลดข้อมูลจำนวนมากไปยังคลาวด์ ซึ่งช่วยลดต้นทุนในการส่งข้อมูล และค่าใช้จ่ายที่จะต้องไปเช่าคลาวด์นั่นเอง

6. สนับสนุนแนวคิด Ubiquitous Computing

TinyML ช่วยเติมเต็มวิสัยทัศน์ของ การคำนวณแบบทุกที่ (Ubiquitous Computing) ที่ทำให้อุปกรณ์ในชีวิตประจำวัน เช่น เครื่องใช้ไฟฟ้า, กล้อง, หรือเครื่องปรับอากาศ สามารถคิดเอง และปรับตัวได้ทันที

ภาพจาก : https://www.researchgate.net/figure/Ubiquitous-Computing-Environment-for-the-Future_fig3_228656536

ความท้าทายของ TinyML (Challenges of TinyML)

จากหัวข้อที่ผ่านมา TinyML นั้นดูจะมีประโยชน์อย่างมาก แต่ก็ยังมีอุปสรรคสำคัญที่ต้องเผชิญอยู่

1. ข้อจำกัดด้านทรัพยากร

ระบบขนาดเล็กมักมีข้อจำกัดในด้าน กำลังประมวลผล, หน่วยความจำ และพื้นที่จัดเก็บข้อมูล ซึ่งการพัฒนาโมเดล ML ที่สามารถทำงานได้ภายในข้อจำกัดเหล่านี้ ในขณะที่ยังคงรักษาประสิทธิภาพที่น่าพอใจ จึงถือเป็นหนึ่งในความท้าทายที่สำคัญ

2. ความซับซ้อนของโมเดล

โมเดล ML ที่ยิ่งซับซ้อน ก็มักต้องการทรัพยากรมาก ซึ่งอาจไม่เหมาะกับอุปกรณ์ขนาดเล็ก ทำให้การสร้างสมดุลระหว่าง ความแม่นยำของโมเดล และ ความเหมาะสมกับทรัพยากรที่มี จึงเป็นสิ่งที่หลีกเลี่ยงไม่ได้

4. การเข้าถึงข้อมูลการฝึกโมเดล (Training Data)

ระบบขนาดเล็กอาจมีข้อจำกัดในการรวบรวม และเข้าถึงชุดข้อมูลที่หลากหลาย และการขาดแคลนข้อมูลนี้อาจทำให้โมเดลที่พัฒนาขึ้นขาดความสามารถในการปรับตัว หรือ ความทนทาน (Robustness) ต่อสถานการณ์ใหม่ ๆ

5. การประมวลผลแบบเรียลไทม์

โดยปกติแล้วระบบขนาดเล็กมักมี ประสิทธิภาพการประมวลผลต่ำ ทำให้การตอบสนองแบบเรียลไทม์นั้นเองก็เป็นเรื่องที่ท้าทาย การวิเคราะห์ข้อมูลเซนเซอร์ หรือตอบสนองต่อคำสั่งเสียงทันที ต้องรักษาความเร็วในการประมวลผล ในขณะที่ยังคงความแม่นยำไว้ ถือเป็นความท้าทายที่สำคัญในการออกแบบ TinyML

การนำไปใช้งานจริงของ TinyML (Practical Implementation of TinyML)

TinyML ได้กลายเป็นส่วนสำคัญของอุปกรณ์ในชีวิตประจำวันเราอย่างแนบเนียน ไม่ว่าจะเป็นการฟังคำสั่งเสียง การตรวจจับวัตถุ หรือการวิเคราะห์ข้อมูลแบบเรียลไทม์ เราลองมาดูตัวตัวอย่างการใช้งาน TinyML ที่มีอยู่ในปัจจุบันกัน

1. การตรวจจับคำสำคัญ (Keyword Spotting)

เช่น ฟังก์ชัน “OK Google” ที่ใช้โมเดล ML ขนาดเล็กเพียง 14 kB บนโมดูล DSP วิเคราะห์เสียง ซึ่งช่วยเปิดใช้งานคำสั่งเสียงในอุปกรณ์ Android นั่นเอง

ภาพจาก : https://pll.harvard.edu/course/applications-tinyml

และในทำนองเดียวกันผู้ช่วยเสมือน เช่น Alexa หรือ Siri ก็ใช้เทคโนโลยีนี้ด้วย

ภาพจาก : https://www.reuters.com/technology/amazon-mulls-5-10-monthly-price-tag-unprofitable-alexa-service-ai-revamp-2024-06-21/

2. รู้จำวัตถุ (Object Recognition)

ตัวอย่างเช้นระบบตรวจจับกวางบนทางหลวง เพื่อลดอุบัติเหตุ หรือกล้องรักษาความปลอดภัยที่จำแนกคนจากวัตถุ

ภาพจาก : https://www.youtube.com/watch?v=md0aqbXlAyc

3. ตรวจจับท่าทาง (Gesture Recognition)

ใช้ในอุปกรณ์สวมใส่ เช่น นาฬิกาอัจฉริยะที่แปลท่าทางมือเป็นคำสั่ง หรือการปัดมือเพื่อเปิดไฟในบ้าน Smart Home นั่นเอง

4. ตรวจจับเสียง (Audio Detection)

ตัวอย่างเช่น เซนเซอร์ตรวจจับเสียงยุง เพื่อระบุพื้นที่เสี่ยงต่อโรคที่มียุงเป็นพาหะ หรือระบบตรวจจับเสียงน้ำรั่วในบ้าน

5. ตรวจสอบเครื่องจักร (Machine Monitoring)

ใช้วิเคราะห์เสียง หรือการสั่นสะเทือนของเครื่องจักรในโรงงาน เพื่อคาดการณ์การซ่อมบำรุง และลดการหยุดทำงานของเครื่องนั่นเอง

บทสรุปของ TinyML (TinyML Conclusion)

TinyML ได้เปิดประตูสู่โลกใหม่ของการประยุกต์ใช้ Machine Learning บนอุปกรณ์ขนาดเล็กที่มีข้อจำกัดด้านทรัพยากร และพลังงาน ด้วยความสามารถในการประมวลผลข้อมูลภายในตัวเอง ทำให้ TinyML ช่วยลดความล่าช้า, เพิ่มความปลอดภัย และความเป็นส่วนตัวในการใช้งาน TinyML มีความสำคัญในหลายอุตสาหกรรมความสามารถของมันช่วยเปลี่ยนเครื่องมือธรรมดาให้กลายเป็นอุปกรณ์ที่คิด วิเคราะห์ และตอบสนองได้อย่างชาญฉลาด

แม้จะต้องเผชิญกับความท้าทายต่าง ๆ ทั้งข้อจำกัดของทรัพยากร และความท้าทายในการประมวลผลแบบเรียลไทม์ แต่การพัฒนาโมเดลที่เหมาะสม พร้อมกับการพัฒนาฮาร์ดแวร์ และซอฟต์แวร์อย่างต่อเนื่อง TinyML จะยังคงเติบโต และมีบทบาทสำคัญในเทคโนโลยีแห่งอนาคตอย่างแน่นอน