如何大规模管理微型机器学习：工业视角
人工智能
2022-02-21 v1 数据库
分布式、并行与集群计算
机器学习
多智能体系统
摘要
微型机器学习(TinyML)已获得广泛普及，它将机器学习(ML)普及到无处不在的微控制器上，实时处理各处的传感器数据。在发生大规模部署的工业界中管理 TinyML，我们需要考虑硬件和软件约束，包括板载传感器、内存大小、ML 模型架构和运行时平台。然而，物联网设备通常是为特定任务定制的，并存在异构性和资源受限的问题。此外，TinyML 模型具有不同的结构，且往往在未明确理解其工作原理的情况下被分发，导致生态系统碎片化。考虑到这些挑战，我们提出了一个使用语义 Web 技术的框架，以实现 TinyML 模型和物联网设备的大规模联合管理，从信息建模到发现可能的组合并进行基准测试，最终促进 TinyML 组件的交换和重用。我们提出了一个与万维网联盟(W3C)Thing Description 对齐的神经网络模型本体（语义模式），该描述在语义上描述了物联网设备。此外，一个包含 23 个公开可用的 ML 模型和六个物联网设备的知识图谱被用于在三个案例研究中演示我们的概念，并且我们共享了代码和示例以增强可复现性：https://github.com/Hoyu-R/How-to-Manage-TinyML-at-Scale
引用
@article{arxiv.2202.09113,
title = {How to Manage Tiny Machine Learning at Scale: An Industrial Perspective},
author = {Haoyu Ren and Darko Anicic and Thomas Runkler},
journal= {arXiv preprint arXiv:2202.09113},
year = {2022}
}
备注
Accepted by The 2022 tinyML Research Symposium