Glossário IA
O dicionário completo da Inteligência Artificial
Quantificação
Técnica de redução da precisão dos pesos e ativações de uma rede neural de 32 bits para 8 bits ou menos, permitindo reduzir significativamente a memória e os cálculos necessários.
Microcontrolador
Circuito integrado compacto contendo processador, memória e periféricos, otimizado para funcionar com consumo mínimo de energia e recursos limitados.
Edge AI
Inteligência artificial executada diretamente em dispositivos de borda, permitindo decisões locais sem dependência de conexão com a nuvem, reduzindo latência e consumo de largura de banda.
TensorFlow Lite Micro
Framework do Google especificamente projetado para executar modelos de aprendizado de máquina em microcontroladores com menos de 256KB de RAM e 1MB de armazenamento.
Otimização de Memória
Conjunto de técnicas que visam minimizar a pegada de memória dos modelos, incluindo quantificação, poda (pruning) e arquiteturas de redes compactas adaptadas às restrições de MCU.
Inferência no Dispositivo
Processo de execução de previsões diretamente no dispositivo embarcado, eliminando a necessidade de transmissão de dados para servidores remotos para processamento.
Poda (Pruning)
Técnica de remoção de conexões neurais não críticas em uma rede, reduzindo sua complexidade e tamanho sem perda significativa de desempenho preditivo.
Destilação de Conhecimento
Método de transferência de conhecimento de um modelo grande e complexo (professor) para um modelo leve (aluno) adaptado às restrições de recursos dos microcontroladores.
Arquitetura neuromórfica
Conceção de circuitos que imitam a estrutura e o funcionamento do cérebro biológico, otimizados para um processamento eficiente com consumo mínimo de energia.
Compressor de modelo
Ferramenta ou algoritmo que reduz o tamanho de um modelo de aprendizagem automática, preservando as suas capacidades preditivas, essencial para a implementação em dispositivos com recursos limitados.
Edge Impulse
Plataforma de desenvolvimento especializada na criação, treino e implementação de modelos TinyML em microcontroladores, com interface intuitiva e otimização automática.
Consumo de energia
Medida crítica em TinyML, com o objetivo de minimizar o consumo elétrico para permitir anos de autonomia com baterias ou energy harvesting em aplicações IoT.
MCU
Unidade de microcontrolador compacta que integra processador, memória volátil e não volátil, e interfaces de comunicação num único circuito integrado para aplicações embarcadas.
Processamento em tempo real
Capacidade dos sistemas TinyML de fornecer respostas preditivas dentro de prazos restritos e previsíveis, essencial para aplicações críticas e interativas.
Inteligência embarcada
Integração de capacidades de aprendizagem e inferência diretamente em dispositivos eletrónicos com recursos limitados, criando sistemas autónomos e inteligentes.
Modelo leve
Arquitetura de rede neural concebida especificamente para minimizar parâmetros e cálculos, mantendo um desempenho aceitável para a implementação em microcontroladores.
Colheita de Energia
Técnica de coleta de energia ambiental (luz, vibração, térmica) para alimentar dispositivos TinyML, permitindo autonomia quase ilimitada sem manutenção.
Sistema Operacional Embarcado
Sistema operacional em tempo real otimizado para microcontroladores, gerenciando recursos de hardware limitados e garantindo a execução determinística de tarefas TinyML.