Metodologias para implementação de algoritmos de Machine Learning Embarcado.
Nenhuma Miniatura disponível
Data
2025-02-03
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal do Oeste da Bahia
Resumo
O Machine Learning embarcado tem como principal benefício a extração de informações úteis a partir de dados brutos provenientes de sensores e câmeras, sem a necessidade de transmitir esses dados para servidores externos. Isso diminui o consumo
de energia e banda, melhora a privacidade e a segurança dos dados, e possibilita uma
resposta mais rápida e precisa do dispositivo. Além disso, o Machine Learning embarcado permite que o dispositivo se adapte ao seu ambiente e às preferências do usuário,
tornando-o mais inteligente e personalizado. Um dispositivo embarcado pode identificar
gestos, rostos, objetos, sons, fala, texto, emoções, entre outros, e usar essas informações
para interagir com o usuário ou com outros dispositivos. Um exemplo de aplicação é o
de uma câmera inteligente que pode reconhecer intrusos, animais ou veículos em uma
propriedade e enviar alertas para o proprietário ou para as autoridades. No entanto, essa
técnica também apresenta alguns desafios e limitações que devem ser levados em conta
na hora de escolher uma plataforma adequada. Um dos principais desafios é o equilíbrio
entre complexidade e eficiência do modelo de aprendizado de máquina. Modelos mais
complexos podem oferecer uma maior precisão e generalização, mas também demandam
mais recursos computacionais, como memória, processamento e energia. Por outro lado,
modelos mais simples podem ser mais eficientes, mas também mais suscetíveis a erros
e ruídos. Portanto, é necessário encontrar um ponto ótimo entre esses fatores, considerando as características e restrições do dispositivo embarcado. Outro desafio é o processo
de treinamento e atualização do modelo de aprendizado de máquina. O treinamento requer uma grande quantidade de dados rotulados e um ambiente adequado para realizar
os cálculos necessários. A atualização requer uma forma de enviar o novo modelo para
o dispositivo ou permitir que ele aprenda com novos dados. Diante deste contexto, este
trabalho tem como objetivo pesquisar as principais ferramentas que podem auxiliar no
desenvolvimento de sistemas inteligentes. Como resultado, apresentou-se um exemplo
prático baseado na plataforma Integrated Development Environment(STM32CubeIDE).
Neste exemplo, empregou-se a plataforma STM32F429I DISC1STMicroelectronics para
implementar o algoritmo.
Descrição
Trabalho de Conclusão de Curso foi aprovado
como requisito parcial para obtenção do título
de Bacharel em Engenharia Elétrica, aprovada
em sua forma final pelo Colegiado do Curso de
Engenharia Elétrica do Centro Multidisciplinar
de Bom Jesus da Lapa, UFOB.
Palavras-chave
Citação
Barreto, Gabriel Rocha. Metodologias para implementação de algoritmos de Machine Learning Embarcado, 2023.