Na plantacjach nerkowców w Indiach rolnicy od lat zmagają się z chorobami drzew, które niszczą plony i zmuszają ich do intensywnego stosowania pestycydów. Bala Murugan, informatyk z Vellore Institute of Technology, pochodzący z z rodziny plantatorów nerkowców, postanowił znaleźć sposób na ograniczenie chemicznych oprysków i szybsze wykrywanie chorób roślin.
Wykorzystując tinyML, czyli sztuczną inteligencję działającą na energooszczędnych mikrokontrolerach, stworzył system pozwalający analizować stan liści bez potrzeby dostępu do internetu. Dzięki niewielkim urządzeniom rolnicy mogą szybko diagnozować infekcje i precyzyjnie stosować środki ochronne tam, gdzie są naprawdę potrzebne. To rozwiązanie nie tylko oszczędza czas i pieniądze, ale także zmniejsza negatywny wpływ pestycydów na środowisko.
TinyML (tiny machine learning) to prosta, energooszczędna i niedroga technologia sztucznej inteligencji, która coraz częściej znajduje zastosowanie w regionach o ograniczonym dostępie do nowoczesnej technologii. W przeciwieństwie do dużych modeli językowych (LLM), zdolnych do generowania złożonych treści, tinyML skupia się na konkretnych zadaniach, np. rozpoznawaniu obrazów czy analizie dźwięków. Choć działa na znacznie mniejszych urządzeniach, może mieć ogromny wpływ na życie ludzi.
Świetnym przykładem są drony Murugana wykorzystujące tinyML, które z dokładnością 95-99% potrafią wykrywać choroby liści nerkowca, takie jak antraknoza. Dzięki temu rolnicy nie muszą ręcznie sprawdzać każdej rośliny, co oszczędza czas i ułatwia zarządzanie uprawami. Dodatkowo system pozwala na precyzyjne stosowanie środków ochronnych, ograniczając ilość stosowanych pestycydów. To nie tylko zmniejsza koszty, ale także chroni zdrowie ludzi i środowisko.
TinyML staje się popularnym narzędziem dla naukowców i innowatorów w krajach rozwijających się, gdzie dostęp do zaawansowanej technologii bywa ograniczony. Dzięki niej można tworzyć lokalne rozwiązania dostosowane do realnych problemów – od wykrywania chorób roślin po monitorowanie środowiska.
Największą zaletą tinyML jest to, że działa bez internetu i zużywa bardzo mało energii – urządzenia mogą pracować tygodniami na zwykłych bateriach. To sprawia, że świetnie sprawdzają się tam, gdzie tradycyjne systemy AI są zbyt drogie lub trudne do wdrożenia. Choć tinyML nie zastąpi dużych modeli AI, jego przyszłość w rolnictwie, ochronie zdrowia i ekologii rysuje się obiecująco.
Przez lata rozwój sztucznej inteligencji skupiał się na coraz większych i bardziej zaawansowanych modelach, takich jak ChatGPT. Im więcej danych przetwarzają, tym lepiej radzą sobie z tworzeniem tekstów i odpowiadaniem na pytania. Jednak ta potęga ma swoją cenę – zarówno finansową, jak i ekologiczną.
Ogromne modele AI wymagają drogiego sprzętu i ogromnej mocy obliczeniowej, co wiąże się z ogromnym zużyciem energii. Działające w chmurze centra danych zużywają tysiące procesorów, których pojedynczy koszt to dziesiątki tysięcy dolarów, a do ich chłodzenia potrzeba miliardów litrów wody rocznie. W miejscach, gdzie woda pitna jest na wagę złota, to poważny problem.
„Za każdym razem, gdy zadajesz ChatGPT pytanie, zużywane są litry wody na chłodzenie maszyn obsługujących ogromne centra danych” – podkreśla Marcelo Jose Rovai, naukowiec zajmujący się danymi na Federalnym Uniwersytecie w Itajubie (UNIFEI). TinyML to zupełnie inne podejście – mniejsze, tańsze i energooszczędne. Urządzenia korzystające z tej technologii zużywają setki razy mniej energii, często działają na zwykłych bateriach i nie wymagają dostępu do internetu. Koszt pojedynczego systemu tinyML to kilka do kilkudziesięciu dolarów, podczas gdy duże modele AI potrzebują procesorów wartych dziesiątki tysięcy. Dzięki temu tinyML jest znacznie bardziej dostępne i przyjazne dla środowiska.
TinyML to sztuczna inteligencja zaprojektowana z myślą o oszczędności zasobów – zamiast coraz większej mocy obliczeniowej, skupia się na wydajności i minimalnym zużyciu energii. Klucz do jego skuteczności tkwi w optymalizacji algorytmów – poprzez redukcję zbędnych danych i uproszczenie obliczeń, tinyML zachowuje wysoką dokładność, mimo ograniczonej mocy obliczeniowej.
Mikrokontrolery wykorzystywane w tinyML są tanimi i powszechnie dostępnymi komponentami, stosowanymi m.in. w pralkach, poduszkach powietrznych czy innych codziennych urządzeniach. Dzięki nim można budować inteligentne urządzenia za kilka lub kilkadziesiąt dolarów, które potrafią np. rozpoznawać obrazy i dźwięki. Co ważne, większość narzędzi, oprogramowania i baz danych dla tinyML jest otwarta i darmowa, co daje każdemu możliwość eksperymentowania i tworzenia własnych rozwiązań.
W przeciwieństwie do dużych modeli AI, które wymagają milionów obrazów czy dźwięków do nauki, tinyML może skutecznie działać na podstawie tysięcy próbek. To sprawia, że jest łatwiejsze w trenowaniu i znacznie szybsze. Murugan, na przykład, użył 20 000 zdjęć przedstawiających antraknozę nerkowca, które znalazł w publicznych bazach danych, a teraz uzupełnia je własnymi fotografiami, aby jeszcze bardziej poprawić dokładność swojego modelu.
Gdy model zostanie już przeszkolony, wszystkie obliczenia wykonywane są lokalnie, bez potrzeby łączenia się z chmurą. Oznacza to, że tinyML może dostarczać wyniki w ułamku sekundy, zużywając przy tym mniej energii i oferując wyższy poziom prywatności i bezpieczeństwa, ponieważ dane nie są przesyłane do internetu.
Podczas pandemii COVID-19 João Yamashita, inżynier elektronik z Brazylii, zauważył poważny problem wśród lokalnych rolników uprawiających kawę – brak dostępu do specjalistów, którzy mogliby diagnozować choroby roślin. Choroby kawowców rozprzestrzeniały się szybko, a drobni farmerzy nie mieli ani środków, ani narzędzi, by skutecznie je wykrywać.
Yamashita postanowił sprawdzić, czy tinyML może pomóc rolnikom radzić sobie z tym wyzwaniem. Stworzył model AI, który nauczył się rozpoznawać choroby kawy na podstawie zdjęć zdrowych i zainfekowanych liści. Po przetestowaniu w rzeczywistych warunkach system osiągnął imponującą skuteczność – 96–98% trafności w identyfikacji chorób, takich jak Phoma, sadzak, rdza kawowa oraz szkodników, np. miniarki.
TinyML pozwoliło rolnikom w prosty sposób diagnozować choroby kawowców – wystarczyło skierować kamerę urządzenia na liść, a na ekranie pojawiała się nazwa wykrytej choroby oraz poziom pewności diagnozy.
Urządzenie zostało zaprojektowane z myślą o mniej zamożnych rolnikach – działa bez internetu, zużywa niewiele energii i może pracować ponad tydzień na jednym ładowaniu, a jego koszt to mniej niż 20 dolarów.
To właśnie tego rodzaju lokalne, praktyczne rozwiązania najlepiej sprawdzają się w tinyML, co tłumaczy, dlaczego rolnictwo stało się jednym z najpopularniejszych obszarów zastosowania tej technologii.
TinyML znajduje zastosowanie nie tylko w rolnictwie, ale także w medycynie i ochronie zdrowia. Dzięki tej technologii powstają urządzenia, które mogą np. wykrywać zaburzenia rytmu serca czy diagnozować anemię, umożliwiając szybszą i łatwiejszą opiekę nad pacjentami w miejscach o ograniczonym dostępie do specjalistycznych badań.
Innym innowacyjnym wykorzystaniem tinyML jest monitorowanie populacji komarów, które przenoszą groźne choroby zakaźne. Dzięki analizie dźwięków wydawanych przez trzepot skrzydeł, naukowcy mogą automatycznie identyfikować różne gatunki tych owadów. Takie systemy mogą ostrzegać przed zagrożeniem i pomóc w skuteczniejszej walce z epidemiami.
Marcelo Rovai opracował model AI, który z dokładnością 98% rozpoznaje komary Aedes, odpowiedzialne za rozprzestrzenianie wirusów dengi, Zika i chikungunya. Rovai uważa, że system ten może okazać się niezwykle przydatny w Brazylii, gdzie co roku na dengę choruje ponad milion osób. Podobne systemy są już testowane w Kenii, gdzie tinyML wspiera walkę z malarią. Automatyczne wykrywanie i klasyfikacja owadów pozwala szybciej reagować i skuteczniej kontrolować populację komarów, które stanowią poważne zagrożenie dla zdrowia.
TinyML znajduje coraz szersze zastosowanie w ochronie środowiska. W Argentynie naukowcy wykorzystują miniaturowe sensory do śledzenia tras migracyjnych żółwi, a w Malezji badacze monitorują rzeki pod kątem zanieczyszczeń plastikowymi odpadami, które mogą zagrozić delikatnym ekosystemom namorzynowym.
Rosdiadee Nordin, inżynier z Sunway University, wraz ze swoim zespołem opracował system, który pozwala na automatyczne rozpoznawanie plastikowych śmieci w rzekach. Dzięki tysiącom zdjęć sztuczna inteligencja nauczyła się rozróżniać rodzaje odpadów, np. plastikowe butelki i foliowe reklamówki.
Badania Nordina obejmują także jezioro Tasik Chini, które stanowi główne źródło wody pitnej i pożywienia dla rdzennych społeczności we wschodniej Malezji.
Aby lepiej kontrolować jakość wody, naukowcy zainstalowali czujniki zasilane energią słoneczną, które analizują poziom zanieczyszczeń i przewidują zmiany w jakości wody. Dzięki temu mieszkańcy mogą na bieżąco sprawdzać, czy woda jest bezpieczna do spożycia.
Brak internetu w takich miejscach wymusił kreatywne podejście do przesyłania danych. Zamiast tradycyjnych sieci, badacze postawili na LoRa, energooszczędny system łączności dalekiego zasięgu, który umożliwia wymianę informacji na dziesiątki kilometrów przy minimalnym zużyciu energii.
Podobne rozwiązania mogą zmienić sposób, w jaki rolnicy dbają o swoje uprawy. Zamiast ręcznie sprawdzać stan roślin, mogliby otrzymywać powiadomienia bezpośrednio na swoje telefony, co pozwoliłoby im szybciej reagować na choroby i ograniczyć stosowanie pestycydów. James Adeola, naukowiec pracujący nad systemem diagnozowania chorób bawełny, podkreśla, że rolnicy nie tylko oszczędziliby czas, ale mogliby również lepiej chronić swoje plony i środowisko.
TinyML może wydawać się prostą technologią, ale jego rozwój wymaga znajomości zarówno sprzętu, oprogramowania, jak i sztucznej inteligencji. Dlatego naukowcy i inżynierowie na całym świecie starają się ułatwić naukę tej technologii. W krajach takich jak Brazylia, Nigeria, RPA, Rwanda czy Malezja powstają warsztaty i kursy uczące praktycznego wykorzystania tinyML.
Największą barierą okazał się dostęp do sprzętu – to, co w bogatszych krajach jest łatwo dostępne, w wielu miejscach nadal stanowi luksus. Aby temu zaradzić, Marco Zennaro i Vijay Janapa Reddi rozpoczęli program dostarczania uczelniom zestawów tinyML, dzięki którym studenci mogą eksperymentować i uczyć się w praktyce.
Efekty są imponujące. Młodzi inżynierowie już w kilka godzin byli w stanie nauczyć urządzenia tinyML rozpoznawać słowa w rodzimych językach. To nie tylko krok w stronę większej dostępności technologii, ale także sposób na dostosowanie sztucznej inteligencji do lokalnych społeczności.
TinyML to technologia, która skupia się na konkretnych, wyspecjalizowanych zadaniach, a nie na wszechstronności dużych modeli AI. Działa na mikrokontrolerach o ograniczonej pamięci i mocy obliczeniowej, przez co sprawdza się najlepiej w prostych, lokalnych zastosowaniach.
To właśnie efektywność i niskie wymagania sprzętowe sprawiają, że tinyML staje się coraz bardziej atrakcyjną technologią. Dzięki możliwości lokalnego przetwarzania danych, nie wymaga stałego połączenia z chmurą, co przekłada się na mniejsze koszty i oszczędność energii. W wielu zastosowaniach używanie potężnych modeli AI jest niepraktyczne i nieekonomiczne, gdy prostsze rozwiązania mogą wykonać to samo zadanie szybciej i bardziej efektywnie.
Mimo niewielkich rozmiarów tinyML cały czas się rozwija. Jeszcze kilka lat temu uruchomienie modeli AI na mikrokontrolerach wydawało się niemożliwe, ale dziś powstają coraz bardziej zaawansowane rozwiązania.
Co więcej, mikrokontrolery stają się tańsze i coraz bardziej wydajne, a niektóre są już projektowane specjalnie pod kątem AI. Dzięki temu tinyML może być stosowane na masową skalę – nie tylko jako pojedyncze urządzenia, ale także całe sieci współpracujących systemów, które razem mogą rozwiązywać bardziej złożone problemy.
To właśnie ta dostępność i elastyczność sprawiają, że tinyML może stać się kluczowym elementem przyszłości sztucznej inteligencji. Bo choć jest niewielkie, ma ogromny potencjał, by wprowadzić AI wszędzie tam, gdzie do tej pory było to niemożliwe.
