Исследование предиктивной аналитики на базе микроконтроллера с применением методов TinyML

Стремительный рост миниатюризации маломощных встраиваемых устройств и прогресс в оптимизации алгоритмов машинного обучения (ML) открыли новые перспективы для Интернета вещей. Это реализация алгоритма ML в устройствах Интернета вещей. Фреймворк TinyML был создан с этой целью. Способность обеспечивать надежную работу устройств Интернета вещей без постоянного доступа к облачным сервисам при одновременной работе ML делает его многообещающим вариантом для приложений Интернета вещей, ищущих экономически эффективные решения. Raspberry Pi Pico это плата микроконтроллера, которая хорошо подходит для использования в TinyML и других приложениях, требующих низкого энергопотребления и небольшого форм-фактора. В этом исследовании рассматриваются характеристики устройства Raspberry Pi Pico W и возможности TinyML, реализуя прогностическую модель на этом устройстве с использованием модели нейронной сети.