<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>TinyML on Formize.com tinklaraštis</title><link>https://blog.formize.com/lt/categories/tinyml/</link><description>Recent content in TinyML on Formize.com tinklaraštis</description><generator>Hugo</generator><language>lt</language><atom:link href="https://blog.formize.com/lt/categories/tinyml/index.xml" rel="self" type="application/rss+xml"/><item><title>Adaptuota daugiamodalių sintetinės duomenų generavimas su TinyML ir diferencialine privatumu baterijomis apribotiems kraštiniams įrenginiams</title><link>https://blog.formize.com/lt/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</guid><description>&lt;h1 id="adaptuota-daugiamodalių-sintetinės-duomenų-generavimas-su-tinyml-ir-diferencialine-privatumu-baterijomis-apribotiems-kraštiniams-įrenginiams">Adaptuota daugiamodalių sintetinės duomenų generavimas su TinyML ir diferencialine privatumu baterijomis apribotiems kraštiniams įrenginiams&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Kraštiniai įrenginiai – nuo nešiojamuosius įrenginius ir pramonės jutiklius iki autonominių dronų – vis dažniau turi &lt;strong>mokytis&lt;/strong> ir &lt;strong>prisitaikyti&lt;/strong> be nuolatinio ryšio su debesimi. Sintetinės duomenų generavimas krašte gali sumažinti duomenų trūkumą, sumažinti delsą ir apsaugoti vartotojų privatumą. Tačiau trys iššūkiai dominuoja šioje srityje:&lt;/p>
&lt;ol>
&lt;li>&lt;strong>Išteklių apribojimai&lt;/strong> – ribotas procesorius, atmintis ir ypač baterijos veikimo laikas.&lt;/li>
&lt;li>&lt;strong>Daugiamodalių sudėtingumas&lt;/strong> – daugelis kraštinių atvejų apima garso, vaizdo ir jutiklių srautus vienu metu.&lt;/li>
&lt;li>&lt;strong>Privatumo atitiktis&lt;/strong> – tokios nuostatos kaip &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> ir &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a> reikalauja griežtų privatumo garantijų net ir lokaliai generuojamiems duomenims.&lt;/li>
&lt;/ol>
&lt;p>Šiame straipsnyje pristatoma &lt;strong>unikali, adaptuota sistema&lt;/strong>, kuri sujungia &lt;strong>TinyML&lt;/strong>, &lt;strong>daugiamodalių sintetinės duomenų generavimą&lt;/strong> ir &lt;strong>diferencialinę privatumą (DP)&lt;/strong>. Sprendimas dinamiškai reguliuoja skaičiavimo apkrovą pagal baterijos būseną, pasirenka tinkamiausią generatyvų modelį kiekvienai modalumui ir įterpia kalibruotą triukšmą, kad atitiktų griežtus privatumo biudžetus – viskas tai atliekama išlaikant šiuolaikinių kraštinių įrenginių energijos ribas.&lt;/p></description></item><item><title>TinyML varoma difuzija krašto įrenginių sintetinės duomenų generavimui</title><link>https://blog.formize.com/lt/tinyml-powered-diffusion-for-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/tinyml-powered-diffusion-for-edge-synthetic-data-generation/</guid><description>&lt;h1 id="tinyml-varoma-difuzija-krašto-įrenginių-sintetinės-duomenų-generavimui">TinyML varoma difuzija krašto įrenginių sintetinės duomenų generavimui&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Sintetiniai duomenys tapo kertiniu akmeniu mokant patikimus AI modelius, ypač kai realūs duomenys yra reti, jautrūs arba brangūs surinkti. Tradiciškai aukštos kokybės sintetiniai duomenys kuriami debesyje naudojant didelius difuzijos modelius, kuriems reikia gigabaitų atminties ir galingų GPU. Šis požiūris prieštarauja augančiam &lt;strong>krašto AI&lt;/strong> – intelektualios inferencijos, vykdančios ant baterijos apribotų įrenginių, tokių kaip nešiojami įrenginiai, dronai ir IoT jutikliai, poreikiui.&lt;/p>
&lt;p>Įžengia &lt;strong>TinyML&lt;/strong>, disciplina, skirta diegti mašininio mokymosi modelius, kurie telpa kelių šimtų kilobaitų flash atmintyje ir sunaudoja milivatų galios. Neseniai pasiekta pažanga &lt;strong>difuzijos modeliuose&lt;/strong> – probabiliuose generatyvuose sistemose, kurios iteratyviai pertvarko atsitiktinį triukšmą į realistiškus pavyzdžius – rodo perspektyvą generuoti aukštos ištikimybės vaizdus, garsą ir lentelinius duomenis. Sujungus TinyML su difuzija, galime įgyvendinti sintetinės duomenų generavimą &lt;strong>įrenginyje&lt;/strong>, atveriant naujas galimybes:&lt;/p></description></item></channel></rss>