機器學習(ML)現在已經用於日常生活許多領域。相較金融和科技等應用，這些都需要大量計算能力進行機器學習以提供所需結果，而物聯網(IoT)和基於邊緣應用具備非常有限計算和連接資源來達成此目的。在本文中，貿澤科技(Mouser Electronics)探討如何使用不太複雜且功耗更低的微控制器來實現機器學習，這種方法通常被稱為TinyML。
就科學研究而言，它是仰仗機器學習來分析隱藏在 PB 級儲存資料中的趨勢，除此之外，機器學習現在已成為日常生活許多方面的一項功能，包括遠端天氣預報、社群媒體App中的定向廣告和線路導航等。
訓練神經網路模型(高度資源密集型)使用的計算平臺與在實際應用中部署演算法使用的計算平臺大不相同，但仍有一些技術挑戰需要克服。必須回答的一個重要問題是演算法在可接受時間範圍內提供結果的能力。同樣，必須解決感測器與其主機系統通訊(通知操作員結果)的方式。這給理解機器學習概念和從事神經網路艱巨任務的嵌入式開發人員帶來了挑戰。
選擇神經網路模型，然後進行訓練和調整以使其適合實際部署之過程非常複雜。然而，機器學習庫、框架和開發工具等不斷增加的資源正在幫助簡化這項任務開發，使它們更容易部署在微控制器上。無論特定基於邊緣應用如何，專為TinyML設計的AI/ML資源數量在不斷增加，這意味著隨時可以提供所需説明，貿澤電子現在還可提供非常有用的機器學習項目示例。AI/ML正迅速成為工業應用中數位化轉型之重要推動力，目前已經發展到可以在工廠車間的感測器等基於邊緣設備中進行部署。機器學習日益普及意味著它將是未來工業應用中實現更高效率和生產率的關鍵驅動力。