TinyML: LwM2M による継続的な学習

MCU はより強力になっていますが、機械学習モデルはより少ないリソースを使用するように設計できます。 これにより、TinyML の実装が可能になります。 リソースに制約のある IoT デバイス上で実行できる深層学習モデル。 TinyML を使用すると、生のセンサー データをローカルで分析できるため、データをクラウドに送信する必要性が軽減または排除され、バッテリー消費が削減され、データ プライバシーが保護されます。

ただし、インテリジェントな IoT ソリューションの実装は、ML モデル自体だけに依存するわけではありません。 それには、継続的な学習の実装、低電力無線通信の実現、デバイスのリモート管理、安全な通信の確保、ファームウェアの更新 (無線)、デバイスの相互運用性の実現などの課題が伴います。

「TinyML を使用すると、生のセンサー データをローカルで分析できるため、クラウドにデータを送信する必要性が軽減または排除され、バッテリー消費が削減され、データ プライバシーが保護されます。」

LwM2M は、IoT デバイスのメッセージングとデバイス管理を簡素化するアプリケーション層の通信標準です。 このプロトコルはデータ形式を規定し、デバイス管理メカニズムとファームウェア オーバー ザ エア アップデート (FOTA) の標準化プロセスを定義します。 このプロトコルは、NB-IoT や LTE-M などの LPWAN 標準に適しています。

TinyML は (Edge Impulse や Cartesiam.ai などのツールを使用して) デバイス インテリジェンスを提供しますが、LwM2M プロトコルは接続、標準化された通信、およびデバイス管理を提供します。 これらを組み合わせると、スマート IoT デバイス向けの総合的なソリューションが作成されます。

デバイスの生のセンサー データのクラウドベースの分析は、デバイスが送信する必要があるデータ量のせいで非効率的です。 より効率的な方法は、TinyML を使用してセンサーからのデータをデバイス上で直接処理することです。 たとえば、加速度計の X、Y、Z 値を分析すると、貴重な洞察を得ることができる複雑な動きや振動を検出でき、予知保全、貴重品の利用状況の監視、人や動物の動きの分類などのユースケースが可能になります。

最近では、ますます多くのスマートセンサーが開発されています。 スマート センサーには、センシング機能に加えて、TinyML モデルを実行し、検出されたパターンのみをデバイスのメイン MCU に通信する組み込み MCU が付属しています。 これらの TinyML 統合センサーは、TinyML Summit での最近の講演で Vijay Janapa Reddi 教授 (ハーバード大学) によって Sensor 2.0 パラダイムと呼ばれています。 スマート センサーを使用すると、組み込みファームウェアを再設計することなく、既存のデバイスに TinyML 機能を搭載できるため、TinyML の実装が簡素化されます。 さらに、生のセンサーデータを真に分離することで、プライバシーの問題を解決できます。 スマートセンサーは、データがデバイスのメインMCUに漏洩しないため、人々のプライバシーを確​​保しながら音声やカメラ画像を分析できます。

今日の重要な課題の 1 つは、展開後に TinyML モデルの信頼性を維持することです。 多くの場合、トレーニング目的で使用されるデータセットは現実世界のデータと異なるため、モデルが不正確になります。 さらに、環境コンテキストは時間の経過とともに変化する可能性があり (たとえば、産業用機械の校正外しや気候条件の変化により)、モデルの品質の低下につながります。

継続的な学習とは、TinyML モデルが時間の経過とともに適応する能力を指します。 これは、モデルを最初から再トレーニングすることなく、新しいデータセットから学習することで実現できます。 継続的学習を実現する手法はよく知られていますが、リソースに制約のあるデバイスでモデルを実行する場合、実際的な実装が欠けていることがよくあります。 多くの場合、これは、ML モデルのライフサイクル管理を行うデバイス管理レイヤーが欠落していることに関係しています。 LwM2M は、リモート構成とファームウェア更新のネイティブ サポートが付属しているため、継続的な学習を実現するためのミッシング リンクとなる可能性があります。 実証済みの方法を使用すると、各デバイスに物理的にアクセスしてファームウェアを更新することなく、ML モデルを継続的に更新できます。

リソースに制約のある IoT デバイス向けの TinyML ソリューションは、インテリジェントなソリューション開発の触媒となります。 現在の POC フェーズを超えて実際の TinyML アプリケーションの展開を開始するには、効率的な通信、デバイスとファームウェアの管理、および安全な接続のためのメカニズムを提供する必要があります。 LwM2M プロトコルを使用して TinyML モデルを管理し、接続を提供することは、TinyML の標準化とインテリジェント IoT ソリューションのエコシステムの強化への道です。

TinyML ソリューションは、LwM2M 標準を使用して設計されています。 Thingy:91 は、Nordic Semiconductor の nRF9160 SiP を使用した開発デバイスです。 これは Zephyr OS オペレーティング システムを実行しており、以下の図に示すように 3 つの異なる動きパターンを検出するようにトレーニングされています。

提示されたコンセプトを実装する手順は次のとおりです。

この例では、Edge Impulse プラットフォームを使用して Thingy:91 加速度計からデータを収集し、ML 分類器をトレーニングし、C++ 用のスタンドアロン ライブラリを生成します。 TinyML モデルを含むライブラリはデバイス上で実行でき、LED 信号パターン検出を制御できます。 Anjay LwM2M クライアントは、ソリューションの接続レイヤーを提供し、通信と安全なデータ送信に関連する低レベルのテクノロジーの問題を処理します。

最後に、デバイスは LwM2M サーバーに登録され、データが保存され、視覚化されます。 Coiote IoT デバイス管理ポータルを使用すると、特定のパターンが検出されるたびにサーバーに通知するか、頻度を数秒、分、または時間に 1 回に減らしてパターンの回数を示すカウンターを送信するようにデバイスに指示できます。が検出されました。