Startup leva Machine Learning aos sensores

Uma startup criada por Pete Warden, ex-líder técnico da equipe de TensorFlow Mobile do Google, incorporou sistemas de Machine Learning (ML) em sensores. A ideia por trás da Useful Sensors veio da percepção de Warden de que o modelo de estruturas de software que trabalhava tão bem para a adoção de ML em alguns tipos de dispositivos não funcionava da mesma forma em outros. Então, pensou em como tornar os recursos de ML mais acessíveis com módulos tão pequenos e baratos quanto sensores.

Integrar ML a dispositivos de pequenas dimensões não é algo novo. Muitos dos telefones celulares que conhecemos integram esse tipo de sistemas de Inteligência Artificial (IA), por exemplo, para identificar músicas ou estabelecer modos de uso das câmeras, como visão noturna. No entanto, ainda existem desafios para incorporar IA aos dispositivos menores. É aí que entra o que chamamos de TinyML.

Explicado de forma simples, TinyML leva soluções de Machine Learning para pequenas peças de hardware e as treina para determinada função específica sem precisar levar os dados de treinamento para processá-los externamente, por exemplo, na nuvem. Com isso, é possível gerar modelos de ML atualizados localmente, no próprio dispositivo, podendo, por exemplo, treinar um alto-falante inteligente com uma nova palavra de ativação ou alterar um processo industrial nos próprios sensores de ML. É o treinamento em tempo real realizado nas bordas (edge), não na nuvem nem em grandes servidores executando sistemas de ML.

Pete Warden é considerado um guru em TinyML e foi coautor do livro TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers, referência na área.

O primeiro produto da Useful Sensors, o Person Sensor, usa um módulo de câmera pré-programado com algoritmos que detectam rostos próximos e retornam, por meio de uma interface simples, informações sobre quantos são e onde estão em relação ao dispositivo, além de realizar reconhecimento facial. Foi desenvolvido para ser usado como entrada de sistemas maiores, por exemplo, para ativar uma tela de quiosque do modo de suspensão quando alguém se aproxima, silenciar um microfone quando ninguém estiver presente ou orientar ventiladores para apontem para a pessoa mais próxima. O sensor está disponível no site Sparkfun para desenvolvedores por US$ 10.

Ao mesmo tempo em que pensava como colocar recursos de ML nas mãos de mais pessoas, Warden também se preocupou com os possíveis abusos que a proliferação de dados confidenciais geraria via câmeras e microfones. Foi, então, que decidiu mover o processamento do ML do microcontrolador central para periféricos – no caso, sensores -, cuja superfície de ataque seria muito pequena, por não ter memória compartilhada com o restantes do sistema e também por poder ser auditado por terceiros para garantir confiabilidade. Segundo Warden, sensores de ML são mais fáceis de desenvolver e mais seguros.

Aplicações e tendências em TinyML

Há muita demanda por TinyML em diversos setores. Por exemplo, no segmento industrial, máquinas com sensores de ML podem aprender a detectar ruídos ou vibrações que sinalizam problemas e enviam alertas para que seja feita uma avaliação antes que parem de funcionar. TinyML também pode ser aplicado para rastreamento refinado de itens e mercadorias em linhas de produção. Na área da saúde, wearables com TinyML podem,  por exemplo, processar dados de frequência cardíaca e temperatura localmente ou de bombas de insulina para sugerir as devidas condutas, tudo sem acesso à Internet.

De modo mais abrangente, o avanço da TinyML também está abrindo uma nova perspectiva no campo da Internet das Coisas (IoT), devido a características como baixa latência, utilização eficaz da largura de banda, privacidade e segurança dos dados e redução de custos. Essas qualidades da TinyML permitem que dispositivos IoT funcionem de forma confiável sem acesso consistente aos serviços na nuvem. Em particular, nos lugares onde não há recursos adequados de conectividade inadequada, a TinyML pode realizar análises de IA localmente, garantindo benefícios substanciais aos serviços de IoT.

Segundo a ABI Research, fornecedores do TinyML estão democratizando as soluções de TinyML em ritmo acelerado, com a previsão de que o mercado de TinyML Software-as-a-Service (SaaS) supere US$ 220 milhões em 2022 e se torne um componente relevante a partir de 2025. Até 2030, o segmento de SaaS TinyML e serviços profissionais relacionados tem potencial para se tornar um mercado bilionário. Outro indicativo da expansão das soluções TinyML recentemente é o crescimento da TinyML Foundation, que reúne a maioria dos principais fornecedores nesse campo.

Sistemas de detecção em ambientes e processamento de áudio continuam sendo as aplicações mais comuns de TinyML, com arquiteturas sonoras respondendo por quase 50% do mercado em 2022, segundo a ABI Research. “Qualquer dado sensorial em ambientes provavelmente contarão com um modelo de ML”, ressalta David Lobina, analista de pesquisa de inteligência artificial e aprendizado de máquina da ABI Research. O setor de dispositivos pessoais e de trabalho verá o maior crescimento em breve.

No entanto, também existem armadilhas nesse campo, para as quais a ABI Research acredita haver soluções bem identificadas. “As restrições físicas dos dispositivos TinyML são genuínas. Esses dispositivos são indicados para modelos de ML pequenos e compactos que exigem inovação no nível do software para casos de uso específicos. Os fornecedores de software serão os mais ativos no mercado TinyML”, explica Lobina.