TinyML è l'insieme di tecniche che permettono di eseguire modelli di machine learning su microcontrollori con poche centinaia di kilobyte di memoria. Vediamo il percorso, senza scorciatoie.

1. Parti da un problema piccolo e misurabile

"Capire se la pompa funziona bene" è troppo vago. "Distinguere tra funzionamento normale, cavitazione e cuscinetto usurato dalle vibrazioni" è un problema che un modello piccolo può risolvere. Definisci classi chiare e un criterio di successo, per esempio meno del 2% di falsi allarmi.

2. Raccogli i dati con il sensore definitivo

Il modello impara le caratteristiche del sensore con cui è stato addestrato. Usa la stessa scheda, lo stesso montaggio e le stesse condizioni che avrai in produzione, e raccogli anche i casi "noiosi": la macchina spenta, il rumore di fondo, le situazioni ambigue.

3. Estrai le caratteristiche giuste

Per audio e vibrazioni si lavora quasi sempre su rappresentazioni nel dominio della frequenza, che rendono il problema più semplice per una rete piccola. Una buona preparazione dei dati vale più di una rete più grande.

4. Addestra, quantizza, misura

Dopo l'addestramento il modello viene quantizzato a 8 bit. Controlla sempre l'accuratezza dopo la quantizzazione, la memoria occupata e il tempo di inferenza sulla scheda: sono questi i numeri che contano.

5. Prova sul campo

Lascia il prototipo installato per giorni. Registra i casi in cui sbaglia e aggiungili al dataset: è così che un buon prototipo diventa un prodotto affidabile.