Continua nos entusiasmando a técnica de TinyML e a capacidade de criar modelos de aprendizado de máquina (ML) projetados para serem executados em dispositivos móveis e de baixa potência. Até recentemente, a execução de um modelo de ML era vista como computacionalmente cara e, em alguns casos, exigia hardware para fins especiais. Embora a criação dos modelos ainda esteja amplamente dentro dessa classificação, os modelos agora podem ser criados de uma maneira que permita sua execução em dispositivos pequenos, de baixo custo e baixo consumo de energia. Se você está pensando em usar ML mas considerava inviável devido a restrições de computação ou rede, vale a pena avaliar essa técnica.
Até recentemente, a execução de um modelo de aprendizado de máquina (ML) era vista como algo caro do ponto de vista computacional e, em alguns casos, exigia hardware para fins especiais. Embora seu processo de criação ainda esteja amplamente incluído nessa classificação, os modelos podem ser construídos de maneira a permitir sua execução em dispositivos pequenos, de baixo custo e baixo consumo de energia. Essa técnica, chamada TinyML, abriu a possibilidade de execução de modelos de ML em situações que muitas pessoas considerariam inviáveis. Por exemplo, em dispositivos alimentados por bateria ou em ambientes desconectados, com conectividade limitada ou irregular, o modelo pode ser executado localmente sem um custo proibitivo. Se você está pensando em usar ML, mas achou que seria algo irreal devido às restrições de computação ou rede, vale a pena avaliar essa técnica.
