TinyML: Progresso e applicazioni del machine learning su piattaforme embedded

L’apprendimento automatico sta guadagnando sempre più interesse anche nell’ambito dell’elettronica. I motivi principali risiedono nel fatto che le tecniche di Machine Learning richiedono significative quantità di energia e potenza di calcolo per raggiungere i livelli di accuratezza desiderati. Inoltre, la popolarità di questa branca dell’intelligenza artificiale sta portando gli algoritmi di apprendimento automatico anche su dispositivi economici, con vincoli di prestazione e di potenza. Ciò ha motivato l’emergere del paradigma TinyML (Tiny Machine Learning), che mira a mantenere l’accuratezza dei modelli di apprendimento su piccoli dispositivi con risorse limitate, preaddestrando gli algoritmi e ottimizzando la capacità di elaborazione della macchina. Un gioco di equilibri che potrebbe portare nuovo vigore alla microelettronica e segnare un nuovo capitolo nella storia dell’informazione. Questo scritto si propone di presentare le definizioni e i concetti fondamentali del TinyML per comprenderne le ragioni della diffusione. Se ne descriveranno le procedure di lavoro, i progressi e i campi applicativi e se ne illustreranno le tendenze future.