Nghiên cứu ứng dụng học máy nhỏ TinyML cho nông nghiệp và sản xuất công nghiệp

Tóm tắt

Mô hình học máy nhỏ (TinyML) đã nổi lên như một giải pháp then chốt để triển khai trí tuệ nhân tạo trên các thiết bị biên giới hạn tài nguyên, đặc biệt trong nông nghiệp và công nghiệp là nơi đòi hỏi khả năng suy luận thời gian thực, tiêu thụ năng lượng thấp và hoạt động ngoại tuyến. Dựa trên các phân tích từ các nghiên cứu về tiếp cận này, bài báo đề xuất khung đánh giá năm chiều bao gồm (i) độ chính xác của mô hình, (ii) hiệu quả tính toán, (iii) tiêu thụ năng lượng, (iv) khả năng mở rộng và thích ứng, và (v) khả năng tích hợp hệ thống nhằm so sánh có hệ thống giữa các nghiên cứu đa nền tảng và đa lĩnh vực. Kết quả cho thấy các mô hình được tối ưu (Random Forest, CNN nhẹ, YOLOv8) có thể đạt độ chính xác cao ( >90%), trong khi việc tích hợp IoT, UAV và xử lý biên giúp tiết kiệm năng lượng (8.5–40%) và mở rộng phạm vi triển khai. Quan trọng hơn, khảo sát này so sánh chéo giữa hệ thống IoT nông nghiệp và công nghiệp, làm rõ điểm chung (yêu cầu ngoại tuyến, tiết kiệm năng lượng) và khác biệt (loại cảm biến, tiêu chí đánh giá, điều kiện môi trường). Từ đó, bài báo xác định các hướng nghiên cứu tiếp theo.