Sự phát triển nhanh chóng của các ứng dụng cảm biến thời gian thực trong môi trường biên (edge) đòi hỏi khả năng xử lý dữ liệu hiệu quả dưới các ràng buộc tài nguyên nghiêm ngặt. Bài báo này đề xuất một khung phương pháp dựa trên TinyML, tích hợp thiết kế mô hình nhẹ với chiến lược tối ưu hóa đa mục tiêu nhằm cân bằng giữa độ chính xác, độ trễ và chi phí tính toán. Khung phương pháp được đánh giá thông qua mô phỏng môi trường biên dựa trên Matlab với nhiều cấu hình TinyML khác nhau. Kết quả thực nghiệm cho thấy mô hình được tối ưu đạt độ trễ suy luận xấp xỉ 15 ms và dung lượng bộ nhớ khoảng 140 KB, vượt trội đáng kể so với mô hình cơ sở. Hơn nữa, chi phí tính toán được giảm xuống bậc 105 FLOPs, cho thấy hiệu quả năng lượng được cải thiện. Mặc dù có sự cắt giảm này, phương pháp đề xuất vẫn duy trì độ chính xác cạnh tranh khoảng 94%. Các kết quả chứng minh rằng khung phương pháp đề xuất cung cấp một sự đánh đổi hiệu quả giữa hiệu năng và hiệu suất cho bài toán xử lý dữ liệu cảm biến thời...
Sự phát triển nhanh chóng của các ứng dụng cảm biến thời gian thực trong môi trường biên (edge) đòi hỏi khả năng xử lý dữ liệu hiệu quả dưới các ràng buộc tài nguyên nghiêm ngặt. Bài báo này đề xuất một khung phương pháp dựa trên TinyML, tích hợp thiết kế mô hình nhẹ với chiến lược tối ưu hóa đa mục tiêu nhằm cân bằng giữa độ chính xác, độ trễ và chi phí tính toán. Khung phương pháp được đánh giá thông qua mô phỏng môi trường biên dựa trên Matlab với nhiều cấu hình TinyML khác nhau. Kết quả thực nghiệm cho thấy mô hình được tối ưu đạt độ trễ suy luận xấp xỉ 15 ms và dung lượng bộ nhớ khoảng 140 KB, vượt trội đáng kể so với mô hình cơ sở. Hơn nữa, chi phí tính toán được giảm xuống bậc 105 FLOPs, cho thấy hiệu quả năng lượng được cải thiện. Mặc dù có sự cắt giảm này, phương pháp đề xuất vẫn duy trì độ chính xác cạnh tranh khoảng 94%. Các kết quả chứng minh rằng khung phương pháp đề xuất cung cấp một sự đánh đổi hiệu quả giữa hiệu năng và hiệu suất cho bài toán xử lý dữ liệu cảm biến thời gian thực.