El aprendizaje profundo y aprendizaje automático. Siempre se han asociado con computadoras grandes con CPU y GPU rápidas, gran tamaño de RAM o algoritmos en ejecución en la nube.
Sin embargo, imagina realizar Machine Learning en un microcontrolador alimentado por una sola batería. Puede pensar que es imposible, pero con la tecnología actual, lo imposible ahora es posible con los microcontroladores.
Con la incorporación del aprendizaje automático en pequeños microcontroladores, podemos potenciar la inteligencia de millones de dispositivos que usamos en nuestra vida, incluidos los electrodomésticos y el Internet de las cosas, sin depender de hardware costoso ni de una conexión a Internet estable, que suele estar condicionada por restricciones de ancho de banda y energía, y que además, genera una latencia alta. Esto puede contribuir también a preservar la privacidad, ya que ningún dato sale del dispositivo.
Imagina electrodomésticos inteligentes que se adapten a la rutina diaria, sensores industriales inteligentes que entiendan la diferencia entre los problemas y el funcionamiento normal, y juguetes mágicos que puedan ayudar a los niños a aprender de formas divertidas y agradables.
¿Por qué utilizar microcontroladores para aprendizaje automático e inteligencia artificial?
Bajo consumo de energía
- Debido a su pequeño tamaño, a costa de la potencia de procesamiento, la memoria y el almacenamiento, los microcontroladores consumen muy poca energía y son eficientes.
- Normalmente, se requiere mucha energía para alimentar la GPU y las computadoras para el aprendizaje automático, lo que causa limitaciones y restricciones.
- Sin embargo, para los microcontroladores, la historia es diferente. Los microcontroladores normalmente no están conectados a la alimentación principal y dependen de baterías o de la recolección de energía. Por ejemplo, un microcontrolador puede funcionar con una sola batería desde semanas hasta incluso meses.
- Esto hace que los microcontroladores sean fáciles de instalar e implementar, ya que no es necesario enchufarlos a la alimentación principal.
Costo
- Normalmente, para el aprendizaje automático, debe gastar algunos miles para construir una estación de trabajo de aprendizaje automático de alto rendimiento.
- Sin embargo, con los microcontroladores, puede obtener fácilmente uno a $200 o menos, que también son confiables.
Flexibilidad
- Los microcontroladores son muy comunes. Básicamente están en todas partes a nuestro alrededor, como nuestros electrodomésticos, juguetes, automóviles, etc. Las posibilidades son infinitas cuando llevamos el aprendizaje automático a los microcontroladores.
- Con los microcontroladores, puede agregar IA a varios dispositivos sin depender de la conectividad de red, que normalmente está restringida por el ancho de banda, la potencia y la alta latencia.
Intimidad
- Normalmente, para el aprendizaje automático, tendrá que encadenar todos sus datos sin procesar a la nube, que podrían contener información confidencial o privada.
- En el caso de los microcontroladores, los usuarios no tienen que preocuparse por este problema, ya que no tendrán que salir datos del dispositivo.
Aplicaciones
Clasificación automática de la postura en cuclillas mediante sensores inerciales
- Sin un entrenamiento experto, los deportistas sin experiencia que realizan ejercicios básicos, como sentadillas,
están sujetos a un mayor riesgo de lesiones en la columna o la rodilla. Con este modelo el deportista asegura que los ejercicios estén bien realizados.
Reconocimiento de postura al sentarse
- Según estudios recientes, se ha demostrado que una mala postura de la columna al sentarse conduce a una variedad de trastornos de la columna. Aquí se propone una estrategia para la clasificación de la postura sentada utilizando
aprendizaje automático.
Reconocimiento de gestos del lenguaje corporal de la mano
- El artículo presenta un sistema para reconocimiento efectivo de los gestos del lenguaje corporal de la mano, basado sobre los datos de un guante especializado equipado con 10 sensores.
CURSO EN VIVO
Especialízate en Aprendizaje Automático para microcontroladores.
- Implementar una red neuronal desde cero en Arduino ESP32.
- Entrenar redes neuronales artificiales con Tensorflow-Keras
- Realizar aplicaciones reales utilizando redes neuronales en Arduino.
- Generar tus propio conjunto de datos de entrenamiento.
- Reconocimiento de patrones.
- Redes neuronales para clasificación binaria
- Redes neuronales para clasificación multiclass
- Redes neuronales para series temporales
- Controlar robots mediante reconocimiento de gestos.