Tiny Machine Learning (TinyML), makine öğrenmesi algoritmalarının düşük güçlü gömülü donanımlar üzerinde çalıştırılmasını sağlayan bir teknoloji alanıdır. Bu alan, geleneksel olarak yüksek işlem gücü, bellek kapasitesi ve enerji tüketimi gerektiren yapay zeka modellerinin; mikrodenetleyiciler gibi sınırlı kaynaklara sahip cihazlarda çalışabilmesini mümkün kılar. TinyML, bu bağlamda, makine öğrenmesinin hesaplama yetenekleri ile gömülü sistemlerin donanımsal verimliliğini birleştirerek yeni nesil akıllı sistemlerin temelini oluşturur.

Mikrodenetleyiciler genellikle birkaç yüz kilobayt bellek, sınırlı işlem gücü ve düşük enerji tüketimiyle çalışır. TinyML bu cihazlar üzerinde sınıflandırma, regresyon, anomali tespiti gibi işlemleri gerçekleştirebilen küçük ölçekli modellerin geliştirilmesini hedefler. Bu sayede verinin uç birimlerde, yani cihazın kendisinde işlenmesi mümkün hâle gelir. Bu yapı; gecikme süresini azaltır, bulut bağımlılığını ortadan kaldırır ve enerji verimliliğini artırır. Ayrıca ağ bağlantısının olmadığı veya veri güvenliğinin kritik olduğu durumlarda sistemlerin otonom kararlar almasını sağlar.

TinyML, son yıllarda artan düşük güç tüketimli akıllı uygulama ihtiyacına cevap vermek için geliştirilmiştir. Veri işlemeyi doğrudan cihaz üzerinde gerçekleştirmesi sayesinde, ağ bağlantısına olan ihtiyacı en aza indirir. Böylece, veri gizliliği ve işlem hızı gibi kritik faktörler açısından avantaj sağlar. TinyML’nin bu özgün yapısı, sınırlı hafıza ve işlem gücüne sahip cihazlarda bile makine öğrenmesi modellerinin çalıştırılmasına olanak tanımaktadır.

Makine Öğrenmesi ve Gömülü Sistemlerin Kesişim Noktası

Tiny Machine Learning, makine öğrenmesi ve gömülü sistem teknolojilerinin birleşiminden doğmuştur. Geleneksel makine öğrenmesi algoritmaları, yüksek işlem gücü, büyük bellek kapasitesi ve sürekli enerji desteği gerektiren sunucu veya bulut ortamlarında çalıştırılırken; gömülü sistemler düşük enerji tüketimi, sınırlı işlem gücü ve kompakt yapılarıyla tanımlanır.

TinyML, bu iki alanı bir araya getirerek, mikrodenetleyici gibi kaynak kısıtlı donanımlar üzerinde makine öğrenmesi modellerinin çalışmasını sağlar.

TinyML sistemleri, veriyi uç birimlerde işleyerek gecikmeyi minimize eder ve ağ bağlantısına bağımlılığı azaltır. Bu sayede, veri gizliliği artırılır ve gerçek zamanlı karar verme mekanizmaları mümkün hâle gelir. TinyML'nin amacı, mümkün olan en düşük güç tüketimi ve bellek kullanımı ile yüksek doğrulukta makine öğrenmesi işlemleri gerçekleştirmektir. Bu yaklaşım, özellikle IoT cihazları, giyilebilir teknolojiler ve otonom sistemler gibi alanlarda büyük bir potansiyele sahiptir.

_{TinyML Kavramının Makine Öğrenmesi ve Gömülü Sistemler ile İlişkisini Açıklayan Kavramsal Diyagram. (Mehmet Alperen Bakıcı)}

TinyML'nin Teknik Temelleri

Tiny Machine Learning uygulamaları, donanım ve yazılım seviyesinde gerçekleştirilen optimizasyonlarla mümkün hâle gelmiştir. TinyML sistemleri, düşük güçlü mikrodenetleyiciler üzerinde makine öğrenmesi modellerinin çalışabilmesi amacıyla tasarlanır.

Donanım Temelleri

TinyML sistemlerinde düşük enerji tüketimli mikrodenetleyiciler tercih edilir. Cihazlarda sınırlı bellek kapasitesi bulunduğundan, bellek dostu model tasarımları geliştirilir. Ayrıca gerçek zamanlı veri işleme yetenekleri, özellikle otonom ve uç birim sistemlerinde önemli bir gereksinimdir.

Yazılım Temelleri

TinyML uygulamalarında model boyutunu ve işlem yükünü azaltmak amacıyla model budama (pruning), kuantizasyon (quantization) ve sıkıştırma (model compressing) gibi teknikler kullanılmaktadır. CMSIS-NN gibi donanım hızlandırıcı kütüphaneler, ARM Cortex-M mimarileri üzerinde makine öğrenmesi performansını artırır. Ayrıca, TensorFlow Lite gibi optimize edilmiş yazılım çözümleri sayesinde eğitim aşamasında geliştirilen modeller mikrodenetleyicilere kolaylıkla entegre edilebilmektedir.

Bu teknik stratejiler sayesinde TinyML, sınırlı kaynaklara sahip cihazlarda veri işleme ve otonom karar verme gibi karmaşık görevleri düşük güç tüketimiyle yerine getirebilmektedir.

TinyML Uygulama Alanları

Günümüzde birçok sektörde veri gizliliği, düşük güç tüketimi ve gerçek zamanlı karar verme gibi avantajlar nedeniyle TinyML tercih edilmektedir.

• Sağlık teknolojilerinde, giyilebilir cihazlar aracılığıyla kalp ritmi takibi, hareket algılama ve uyku düzeni analizi gibi veriler doğrudan cihaz üzerinde işlenerek hızlı ve güvenilir sonuçlar elde edilir.
• Tarım alanında, toprak nemi, sıcaklık ve bitki sağlığına ilişkin sensör verileri doğrudan sahadaki cihazlarda analiz edilerek verimliliği artıran kararlar alınabilir.
• Endüstriyel sistemlerde, üretim hatlarında yer alan mikrodenetleyici temelli sistemler üzerinden titreşim ve arıza verileri analiz edilerek bakım süreçleri iyileştirilmektedir.
• Savunma sanayii uygulamalarında, düşük güçle çalışan sensörler aracılığıyla çevresel tehdit algılama ve hareket izleme gibi görevler bulut bağlantısı olmadan gerçekleştirilir. İnsansız hava araçlarında (İHA), uçuş sırasında toplanan sensör verileri cihazın üzerinde analiz edilerek anormallik tespiti yapılabilir.