In den Cashew-Plantagen in Indien kämpfen die Landwirte seit Jahren mit Baumkrankheiten, die die Ernten zerstören und sie zwingen, in großem Umfang Pestizide einzusetzen. Bala Murugan, ein Informatiker am Vellore Institute of Technology, der aus einer Familie von Cashew-Züchtern stammt, suchte nach einer Möglichkeit, chemische Spritzmittel zu reduzieren und Pflanzenkrankheiten schneller zu erkennen.
Mit tinyML, einer künstlichen Intelligenz, die auf energieeffizienten Mikrocontrollern läuft, hat er ein System entwickelt, das den Zustand von Blättern analysiert, ohne dass ein Internetzugang erforderlich ist. Mit den kleinen Geräten können die Landwirte Infektionen schnell diagnostizieren und Schutzmaßnahmen genau dort anwenden, wo sie wirklich nötig sind. Diese Lösung spart nicht nur Zeit und Geld, sondern reduziert auch die negativen Auswirkungen von Pestiziden auf die Umwelt.
TinyML(tiny machine learning) ist eine einfache, energieeffiziente und kostengünstige Technologie der künstlichen Intelligenz, die zunehmend in Regionen mit begrenztem Zugang zu moderner Technologie eingesetzt wird. Im Gegensatz zu großen Sprachmodellen (LLMs), die in der Lage sind, komplexe Inhalte zu generieren, konzentriert sich tinyML auf spezifische Aufgaben, wie z.B. Bilderkennung oder Tonanalyse. Obwohl es auf viel kleineren Geräten läuft, kann es einen großen Einfluss auf das Leben der Menschen haben.
Ein großartiges Beispiel sind Murugans Drohnen mit tinyML, die Cashew-Blattkrankheiten wie Anthraknose mit einer Genauigkeit von 95-99% erkennen können. Dadurch müssen die Landwirte nicht mehr jede einzelne Pflanze von Hand kontrollieren, was Zeit spart und das Erntemanagement erleichtert. Darüber hinaus ermöglicht das System eine präzise Anwendung von Schutzmaßnahmen, wodurch die Menge der eingesetzten Pestizide reduziert wird. Das senkt nicht nur die Kosten, sondern schützt auch die menschliche Gesundheit und die Umwelt.
TinyML wird zu einem beliebten Werkzeug für Forscher und Innovatoren in Entwicklungsländern, wo der Zugang zu fortschrittlicher Technologie manchmal begrenzt ist. Damit können Sie lokale Lösungen für reale Probleme erstellen – von der Erkennung von Pflanzenkrankheiten bis zur Umweltüberwachung.
Der größte Vorteil von tinyML ist, dass es ohne Internet funktioniert und sehr wenig Strom verbraucht – die Geräte können wochenlang mit normalen Batterien betrieben werden. Sie eignen sich daher hervorragend, wenn herkömmliche KI-Systeme zu teuer oder schwierig zu implementieren sind. tinyML wird zwar keine groß angelegten KI-Modelle ersetzen, aber seine Zukunft in der Landwirtschaft, im Gesundheitswesen und in der Ökologie sieht vielversprechend aus.
Im Laufe der Jahre hat sich die Entwicklung der künstlichen Intelligenz auf größere und fortgeschrittenere Modelle wie ChatGPT konzentriert. Je mehr Daten sie verarbeiten, desto besser sind sie in der Lage, Texte zu produzieren und Fragen zu beantworten. Diese Macht hat jedoch ihren Preis – sowohl in finanzieller als auch in ökologischer Hinsicht.
Riesige KI-Modelle erfordern teure Hardware und enorme Rechenleistung, was mit einem hohen Energieverbrauch verbunden ist. Cloud-basierte Rechenzentren verbrauchen Tausende von Prozessoren, die jeweils Zehntausende von Dollar kosten, und benötigen Milliarden von Litern Wasser pro Jahr, um sie zu kühlen. An Orten, an denen Trinkwasser knapp ist, ist dies ein ernstes Problem.
„Jedes Mal, wenn Sie ChatGPT eine Frage stellen, werden literweise Wasser verbraucht, um die Maschinen zu kühlen, die die riesigen Datenzentren betreiben“, erklärt Marcelo Jose Rovai, Datenwissenschaftler an der Bundesuniversität von Itajuba (UNIFEI). TinyML ist ein völlig anderer Ansatz – kleiner, billiger und energieeffizient. Geräte, die diese Technologie nutzen, verbrauchen hundertmal weniger Energie, laufen oft mit normalen Batterien und benötigen keinen Internetzugang. Die Kosten für ein einzelnes tinyML-System belaufen sich auf ein paar bis zehn Dollar, während große KI-Modelle Prozessoren im Wert von mehreren zehntausend Dollar benötigen. Das macht tinyML viel zugänglicher und umweltfreundlicher.
TinyML ist eine künstliche Intelligenz, die darauf ausgelegt ist, Ressourcen zu sparen – anstatt die Rechenleistung immer weiter zu erhöhen, setzt sie auf Effizienz und minimalen Energieverbrauch. Der Schlüssel zu seiner Effektivität liegt in der Optimierung seiner Algorithmen – durch die Reduzierung redundanter Daten und die Vereinfachung von Berechnungen behält tinyML trotz seiner begrenzten Rechenleistung eine hohe Genauigkeit bei.
Bei den in tinyML verwendeten Mikrocontrollern handelt es sich um billige und weit verbreitete Komponenten, die unter anderem in Waschmaschinen, Airbags oder anderen Alltagsgeräten eingesetzt werden. Mit ihnen ist es möglich, für ein paar Dollar oder ein paar Dutzend Dollar intelligente Geräte zu bauen, die zum Beispiel Bilder und Töne erkennen können. Wichtig ist, dass die meisten Tools, Software und Datenbanken für tinyML quelloffen und kostenlos sind, so dass jeder die Möglichkeit hat, zu experimentieren und seine eigenen Lösungen zu entwickeln.
Im Gegensatz zu großen KI-Modellen, die zum Lernen Millionen von Bildern oder Tönen benötigen, kann tinyML effektiv mit Tausenden von Beispielen arbeiten. Das macht das Training einfacher und viel schneller. Murugan hat zum Beispiel 20.000 Bilder von Cashew-Anthraknose verwendet, die er in öffentlichen Datenbanken gefunden hat, und ergänzt sie nun mit eigenen Fotos, um die Genauigkeit seines Modells weiter zu verbessern.
Sobald das Modell trainiert ist, werden alle Berechnungen lokal durchgeführt, ohne dass eine Verbindung zur Cloud erforderlich ist. Das bedeutet, dass tinyML Ergebnisse im Bruchteil einer Sekunde liefern kann, weniger Energie verbraucht und ein höheres Maß an Datenschutz und Sicherheit bietet, da die Daten nicht an das Internet gesendet werden.
Während der COVID-19-Pandemie bemerkte João Yamashita, ein Elektronikingenieur aus Brasilien, ein ernsthaftes Problem unter den lokalen Kaffeebauern – den fehlenden Zugang zu Spezialisten, die Pflanzenkrankheiten diagnostizieren können. Kaffeepflanzenkrankheiten breiteten sich rasch aus, und die Kleinbauern hatten weder die Mittel noch die Instrumente, um sie wirksam zu erkennen.
Yamashita beschloss zu prüfen, ob tinyML den Landwirten bei der Bewältigung dieser Herausforderung helfen könnte. Er entwickelte ein KI-Modell, das lernte, Kaffeekrankheiten anhand von Bildern gesunder und infizierter Blätter zu erkennen. Bei Tests unter realen Bedingungen hat das System eine beeindruckende Erfolgsquote von 96-98% bei der Identifizierung von Krankheiten wie Phoma, Rußtau und Kaffeerost sowie von Schädlingen wie Minierfliegen erreicht.
Mit TinyML konnten die Landwirte auf einfache Weise Krankheiten des Kaffeebaums diagnostizieren. Sie mussten lediglich die Kamera des Geräts auf das Blatt richten, und auf dem Bildschirm wurde der Name der erkannten Krankheit und der Vertrauensgrad der Diagnose angezeigt.
Das Gerät wurde mit Blick auf weniger wohlhabende Landwirte entwickelt – es funktioniert ohne Internet, verbraucht wenig Strom und kann mehr als eine Woche lang mit einer einzigen Ladung betrieben werden und kostet weniger als 20 Dollar.
Es sind diese Art von lokalen, praktischen Lösungen, die bei tinyML am besten funktionieren, was erklärt, warum die Landwirtschaft zu einem der beliebtesten Anwendungsbereiche für diese Technologie geworden ist.
TinyML wird nicht nur in der Landwirtschaft, sondern auch in der Medizin und im Gesundheitswesen eingesetzt. Mit dieser Technologie werden Geräte entwickelt, die zum Beispiel Herzrhythmusstörungen erkennen oder Anämie diagnostizieren können. Dies ermöglicht eine schnellere und einfachere Versorgung von Patienten in Gebieten mit begrenztem Zugang zu speziellen Tests.
Eine weitere innovative Anwendung von tinyML ist die Überwachung von Mückenpopulationen, die gefährliche Infektionskrankheiten übertragen. Durch die Analyse der Geräusche, die durch das Flattern ihrer Flügel entstehen, können Wissenschaftler automatisch die verschiedenen Arten dieser Insekten identifizieren. Solche Systeme können vor der Bedrohung warnen und helfen, Epidemien effektiver zu bekämpfen.
Marcelo Rovai hat ein KI-Modell entwickelt, das mit 98% Genauigkeit Aedes-Mücken erkennt, die für die Verbreitung der Dengue-, Zika- und Chikungunya-Viren verantwortlich sind. Rovai glaubt, dass sich das System in Brasilien, wo jedes Jahr mehr als eine Million Menschen an Dengue erkranken, als äußerst nützlich erweisen könnte. Ähnliche Systeme werden bereits in Kenia getestet, wo tinyML den Kampf gegen Malaria unterstützt. Die automatische Erkennung und Klassifizierung von Insekten ermöglicht eine schnellere Reaktion und eine effektivere Bekämpfung von Mückenpopulationen, die ein ernstes Gesundheitsrisiko darstellen.
TinyML findet zunehmend Verwendung im Umweltschutz. In Argentinien setzen Wissenschaftler Miniatursensoren ein, um die Wanderrouten von Schildkröten zu verfolgen, und in Malaysia überwachen Forscher Flüsse auf die Verschmutzung durch Plastikmüll, die das empfindliche Ökosystem der Mangroven bedrohen könnte.
Rosdiadee Nordin, ein Ingenieur von der Sunway Universität, und sein Team haben ein System entwickelt, das Plastikmüll in Flüssen automatisch identifizieren kann. Dank Tausender von Bildern hat die künstliche Intelligenz gelernt, zwischen Abfallarten wie Plastikflaschen und Plastiktüten zu unterscheiden.
Nordins Forschung umfasst auch den Tasik Chini See, eine wichtige Trinkwasser- und Nahrungsquelle für indigene Gemeinschaften in Ostmalaysia.
Um die Wasserqualität besser zu kontrollieren, haben Wissenschaftler solarbetriebene Sensoren installiert, die den Verschmutzungsgrad analysieren und Veränderungen der Wasserqualität vorhersagen. So können die Bewohner in Echtzeit überprüfen, ob das Wasser sicher zum Trinken ist.
Der Mangel an Internet an solchen Orten zwingt zu einem kreativen Ansatz bei der Datenübertragung. Anstelle von herkömmlichen Netzwerken setzten die Forscher auf LoRa, ein energieeffizientes Kommunikationssystem mit großer Reichweite, das den Austausch von Informationen über Dutzende von Kilometern bei minimalem Energieverbrauch ermöglicht.
Ähnliche Lösungen könnten die Art und Weise verändern, wie Landwirte ihre Ernten betreuen. Anstatt den Zustand der Pflanzen manuell zu überprüfen, könnten sie Warnmeldungen direkt auf ihrem Telefon empfangen. So könnten sie schneller auf Krankheiten reagieren und den Einsatz von Pestiziden reduzieren. James Adeola, ein Wissenschaftler, der an dem System zur Diagnose von Baumwollkrankheiten arbeitet, betont, dass die Landwirte nicht nur Zeit sparen, sondern auch ihre Ernten und die Umwelt besser schützen könnten.
TinyML mag wie eine einfache Technologie erscheinen, aber ihre Entwicklung erfordert Kenntnisse in den Bereichen Hardware, Software und künstliche Intelligenz. Deshalb bemühen sich Wissenschaftler und Ingenieure auf der ganzen Welt, das Erlernen dieser Technologie zu erleichtern. In Ländern wie Brasilien, Nigeria, Südafrika, Ruanda und Malaysia werden Workshops und Kurse zur praktischen Anwendung von tinyML eingerichtet.
Als größtes Hindernis erwies sich der Zugang zu Ausrüstung – was in reicheren Ländern leicht verfügbar ist, ist vielerorts noch immer ein Luxus. Deshalb haben Marco Zennaro und Vijay Janapa Reddi ein Programm ins Leben gerufen, das Universitäten mit tinyML-Kits ausstattet, damit Studenten experimentieren und durch eigenes Tun lernen können.
Die Effekte sind beeindruckend. Die jungen Ingenieure konnten dem tinyML-Gerät in nur wenigen Stunden beibringen, Wörter in Muttersprachen zu erkennen. Dies ist nicht nur ein Schritt, um die Technologie zugänglicher zu machen, sondern auch ein Weg, um die künstliche Intelligenz an lokale Gemeinschaften anzupassen.
TinyML ist eine Technologie, die sich auf bestimmte, spezialisierte Aufgaben konzentriert und nicht auf die Vielseitigkeit großer KI-Modelle. Es läuft auf Mikrocontrollern mit begrenztem Speicher und begrenzter Rechenleistung und eignet sich daher am besten für einfache, lokale Anwendungen.
Es sind die Effizienz und die geringen Hardwareanforderungen, die tinyML zu einer zunehmend attraktiven Technologie machen. Dank seiner Fähigkeit, Daten lokal zu verarbeiten, benötigt es keine permanente Verbindung zur Cloud, was zu geringeren Kosten und Energieeinsparungen führt. Bei vielen Anwendungen ist der Einsatz leistungsstarker KI-Modelle unpraktisch und unwirtschaftlich, wenn einfachere Lösungen die gleiche Aufgabe schneller und effizienter erledigen können.
Trotz seiner geringen Größe wächst tinyML ständig. Noch vor ein paar Jahren schien es unmöglich, KI-Modelle auf Mikrocontrollern laufen zu lassen, aber heute werden immer mehr fortschrittliche Lösungen entwickelt.
Darüber hinaus werden Mikrocontroller immer billiger und leistungsfähiger, und einige werden bereits speziell für KI entwickelt. Dadurch kann tinyML in großem Maßstab eingesetzt werden – nicht nur als einzelne Geräte, sondern auch als ganze Netzwerke kooperierender Systeme, die gemeinsam komplexere Probleme lösen können.
Dank dieser Zugänglichkeit und Flexibilität wird tinyML wahrscheinlich ein wichtiger Bestandteil der zukünftigen künstlichen Intelligenz werden. Denn obwohl sie klein ist, hat sie ein riesiges Potenzial, KI überall dort einzusetzen, wo sie bisher nicht möglich war.
