為了使機器學習達到人類的能力，需要大量的訓練迭代和標記數據。這需要大量的資源，如GpU和存儲，只需點擊每個雲提供商的按鈕即可使用。因此，機器學習主要是在雲上發展起來的，但這並不意味著它需要留在那裏。如今，一個新的機器學習領域，一個名為tinyML的機器學習領域，使機器學習模型有可能在物聯網(物聯網)設備上運行，微型和電池供電。

物聯網

物聯網是一個物理對象(事物)網絡，嵌入傳感器、軟件等數字和自動化技術。從普通家用物品到複雜工業設備，這些設備的范圍是不同的。所有物聯網設備的一個共同特點是，它們連接到一個平台，有時連接到執行某些功能。室外物聯網設備通常通過蜂窩網絡連接，WiFi、LpWAN或藍牙可用於室內或人口密集的城市。這個巨大的市場有70多億台設備，而且正在增長。一些行業專家預測，到2025年，這個數字將增加到220億。毫無疑問，淘金熱已經出現了。

機器學習物聯網設備。

絕大多數物聯網設備的計算能力都不如雲計算。然而，機器學習(ML)的最新突破甚至允許最小的物聯網設備執行特定的ML任務。這一新興的機器學習領域被稱為蒂尼ML。ML組合是將智能從雲轉移到邊緣設備的更大概念的一部分。它通常被稱為邊緣人工智能離開系統（eleave system）。

tinyML在物聯網設備中的一些開創性應用包括：

Alexa、Siri等語音命令。

具有物體和面部識別功能的智能攝像頭。

實時健康和活動監測。

智慧城市停車，自動收費。

智慧城市應用。

以智慧城市停車為例。優化停車的一種方法是在每個角落放置一個攝像頭(類似於監控攝像頭)，監控誰何時何地停車。這使得市政府能夠自動啟動停車位的收費過程，讓人們知道自由停車位的位置。傳統上，實時視頻需要發送到雲處理。這導致了一個巨大的隱私問題：市政府只需要知道汽車的牌照號碼就可以開始收費過程。然而，實時視頻包含了很多信息，比如誰和誰一起坐公交車，造成了巨大的隱私問題。這就是蒂尼ML的作用:蒂尼ML允許您在不發送到雲的情況下，在資源有限的現場設備上實時處理視頻。在這種情況下，唯一會發送到雲端的是車牌號碼。有了它，隱私問題就不存在了。原始視頻永遠不會離開相機。

人工智能進化的環境影響。

物聯網與蒂尼ML的結合也將在幫助組織實現環境、社會和治理目標方面發揮核心作用。利用物聯網技術收集空氣質量、水質、噪聲水平等現場數據。傳統上，掃描異常事件的數據需要將數據傳輸到雲中，並應用異常檢測算法。在蒂尼ML的幫助下，這些電池供電的物聯網設備可在現場進行異常檢測等機器學習任務。這消除了將數據傳輸到雲進行分析的延遲，並延長了設備的電池壽命。