Mengenal TinyML pada Mikrokontroler: AI Kecil untuk Perangkat dengan Memori Terbatas
TinyML Berbeda dari Machine Learning Biasa
TinyML atau Tiny Machine Learning merupakan pendekatan yang memungkinkan model machine learning berjalan pada perangkat dengan sumber daya terbatas, seperti mikrokontroler dan sensor. Berbeda dengan sistem AI yang membutuhkan server atau komputer bertenaga besar, TinyML dirancang agar model dapat bekerja langsung pada perangkat kecil dengan konsumsi daya rendah.
Pada machine learning konvensional, proses komputasi umumnya membutuhkan sumber daya yang relatif besar. Data dapat dikirim menuju server atau cloud untuk diproses menggunakan model yang kompleks. TinyML menggunakan model yang telah diperkecil dan dioptimalkan sehingga proses inferensi dapat dilakukan langsung pada perangkat tanpa selalu bergantung pada koneksi internet.
Kemampuan tersebut membuat TinyML cocok untuk perangkat IoT yang bekerja di lokasi dengan konektivitas terbatas. Data dari sensor dapat dianalisis secara lokal sehingga perangkat dapat memberikan respons berdasarkan kondisi yang terdeteksi. Pendekatan ini juga dapat mengurangi kebutuhan pengiriman data mentah secara terus-menerus menuju server.
TinyML tidak berarti model AI dibuat tanpa proses pelatihan. Model tetap dapat dilatih menggunakan komputer atau infrastruktur yang lebih kuat, kemudian dioptimalkan dan dikonversi agar dapat dijalankan pada mikrokontroler. Dengan cara tersebut, perangkat kecil dapat memperoleh kemampuan analisis tanpa harus memiliki kemampuan komputasi seperti komputer atau server.
Spesifikasi Minimal agar Model Bisa Jalan di Mikrokontroler
Tidak ada satu spesifikasi minimum yang berlaku untuk seluruh proyek TinyML karena kebutuhan perangkat bergantung pada jenis model dan tugas yang dijalankan. Model untuk mengenali suara, misalnya, dapat memiliki kebutuhan berbeda dibandingkan model yang menganalisis data getaran, suhu, atau gerakan dari sensor.
Mikrokontroler yang digunakan harus memiliki memori dan kemampuan pemrosesan yang mencukupi untuk model serta program pendukungnya. RAM digunakan selama proses inferensi, sedangkan memori program digunakan untuk menyimpan kode dan komponen model. Karena kapasitasnya terbatas, ukuran model menjadi salah satu faktor penting dalam perancangan TinyML.
Efisiensi daya juga menjadi pertimbangan utama. Banyak perangkat TinyML dirancang untuk bekerja menggunakan baterai atau sumber daya berkapasitas kecil. Microsoft pernah mendemonstrasikan model pengenalan kata yang dikompresi menjadi sekitar 18 KB dan dijalankan pada Adafruit EdgeBadge berbasis mikrokontroler berdaya rendah.
Selain memori dan prosesor, perangkat membutuhkan sumber data yang sesuai. Sensor mikrofon dapat digunakan untuk mengenali suara, akselerometer untuk mengenali pola gerakan, sedangkan sensor lingkungan dapat digunakan untuk menganalisis kondisi tertentu. Kombinasi mikrokontroler, sensor, model, dan perangkat lunak menentukan kemampuan akhir sistem TinyML.
Framework dan Tools yang Sering Dipakai untuk TinyML
Pengembangan TinyML membutuhkan perangkat lunak yang dapat membantu proses pelatihan, optimasi, konversi, dan penerapan model. Salah satu teknologi yang umum digunakan adalah TensorFlow Lite for Microcontrollers. Framework tersebut dirancang agar model machine learning dapat dijalankan pada perangkat dengan keterbatasan memori dan sumber daya komputasi.
Selain itu, Edge Impulse dapat membantu pengembang dalam membuat alur kerja TinyML, mulai dari pengumpulan data hingga pelatihan dan penerapan model. Platform seperti ini dapat mempermudah proses pengembangan karena berbagai tahapan yang biasanya membutuhkan beberapa alat dapat dikelola dalam satu lingkungan kerja.
Proses pengembangan TinyML biasanya dimulai dengan pengumpulan data dari sensor. Data kemudian diproses dan digunakan untuk melatih model. Setelah model memiliki performa yang sesuai, model dapat dioptimalkan agar ukurannya lebih kecil. Tahap selanjutnya adalah mengonversi model ke format yang dapat dijalankan oleh mikrokontroler.
Microsoft juga menunjukkan penerapan TinyML untuk pengenalan kata pada mikrokontroler. Dalam demonstrasi tersebut, model dilatih menggunakan Azure ML Studio, kemudian dikompresi sebelum dijalankan pada perangkat Adafruit EdgeBadge. Contoh tersebut memperlihatkan bagaimana model yang telah dioptimalkan dapat ditempatkan pada perangkat dengan sumber daya sangat terbatas.
Studi Kasus Penerapan TinyML di Perangkat Sehari-hari
TinyML dapat diterapkan pada perangkat yang membutuhkan kemampuan pengenalan pola secara lokal. Salah satu contohnya adalah pengenalan suara. Mikrokontroler yang dilengkapi mikrofon dapat menjalankan model untuk mengenali kata atau suara tertentu tanpa harus mengirim seluruh rekaman menuju server. Microsoft menunjukkan konsep tersebut melalui demonstrasi pengenalan kata pada mikrokontroler.
Dalam bidang industri, TinyML dapat digunakan untuk membantu memantau kondisi mesin. Sensor getaran atau suara dapat mengumpulkan data selama mesin bekerja. Model kemudian menganalisis pola tersebut untuk membantu mengenali kondisi yang tidak biasa. Pendekatan ini dapat mendukung pemantauan lokal dan mengurangi ketergantungan terhadap koneksi jaringan.
Pada perangkat rumah tangga, TinyML dapat mendukung berbagai fungsi otomatisasi. Sensor dapat digunakan untuk membaca suara, gerakan, temperatur, atau kondisi lainnya. Data tersebut kemudian dianalisis oleh model yang berjalan langsung pada perangkat. Sistem dapat memberikan respons berdasarkan hasil analisis tanpa harus mengirim seluruh data ke layanan eksternal.
TinyML juga berpotensi digunakan pada perangkat wearable dan sistem pemantauan lingkungan. Perangkat berukuran kecil dapat mengumpulkan data secara terus-menerus dengan konsumsi energi yang relatif rendah. Kemampuan menjalankan model secara lokal menjadi berguna ketika perangkat membutuhkan respons cepat atau harus bekerja pada lokasi dengan koneksi internet yang terbatas.
Tantangan Optimasi Model agar Muat di Memori Kecil
Keterbatasan memori menjadi salah satu tantangan utama dalam pengembangan TinyML. Model machine learning yang terlalu besar tidak dapat langsung dipindahkan ke mikrokontroler dengan kapasitas terbatas. Karena itu, model perlu diperkecil tanpa mengurangi kemampuan utama yang dibutuhkan oleh aplikasi.
Salah satu metode yang dapat digunakan adalah quantization, yaitu mengurangi presisi representasi angka pada model sehingga ukuran dan kebutuhan komputasinya dapat ditekan. Metode lainnya adalah pruning, yaitu mengurangi bagian model yang dianggap kurang berpengaruh. Teknik tersebut dapat membantu menghasilkan model yang lebih ringan.
Teknik knowledge distillation juga dapat digunakan untuk membantu menghasilkan model yang lebih kecil. Dalam pendekatan tersebut, model yang lebih kecil dapat belajar dari model yang lebih besar sehingga tetap memiliki kemampuan untuk menjalankan tugas tertentu. Pemilihan metode optimasi perlu disesuaikan dengan kebutuhan aplikasi dan kemampuan perangkat yang digunakan.
Selain optimasi model, pengembang juga menghadapi tantangan kompatibilitas. Tidak semua model dapat langsung dijalankan pada setiap mikrokontroler. Model perlu disesuaikan dengan framework, arsitektur perangkat, kapasitas memori, dan kemampuan pemrosesan yang tersedia. Pengelolaan pembaruan model juga menjadi tantangan ketika perangkat TinyML telah tersebar di banyak lokasi.
TinyML memperlihatkan bahwa kemampuan machine learning tidak selalu membutuhkan komputer atau server dengan sumber daya besar. Dengan model yang dioptimalkan, mikrokontroler dapat menjalankan tugas AI tertentu secara lokal. Perkembangan teknologi ini membuka peluang bagi perangkat IoT yang lebih hemat daya, responsif, dan mampu bekerja secara mandiri di berbagai lingkungan. Semoga bermanfaat dan selamat berkarya!
PT. Karya Merapi Teknologi
Follow sosial media kami dan ambil bagian dalam berkarya untuk negeri!
Instagram: https://www.instagram.com/kmtek.indonesia/
Facebook: https://www.facebook.com/kmtech.id
LinkedIn: https://www.linkedin.com/company/kmtek
Sumber:
Comments