Internet of Things (IoT) ha obtingut uns forts avantatges molt usables gràcies a les implementacions del Machine Learning (ML). Però la implementació del Machine Learning en dispositius IoT utilitzant centres de dades porta una sèrie de problemes a tenir en compte (privacitat de les dades, el coll d'ampolla de la xarxa, etc.). Tiny Machine Learning (TinyML) va sorgir amb l'objectiu de tenir dispositious IoT independents executant el programa d'ML sense la necessitat d'un centre de dades. Però encara hi ha la necessitat de fer servir ordinadors d'alta potència per poder entrenar el model d'ML. Així i tot, es pot millorar aquesta situació? Aquest projecte estudia el TinyML i dues de les seves tècniques, del que anomenem TinyML On-Device Learning o TinyODL, capaces d'entrenar el model d'ML en el mateix dispositiu (on-device learning): TinyML with Online Learning (TinyOL) i Federated Learning (FL). S'estudien les dues tècniques des d'una anàlisi teòrica i provem de desenvolupar una aplicació TinyODL.

Internet of Things (IoT) ha obtenido unas muy buenas y usables mejoras gracias a las implementaciones del Machine Learning (ML). Pero la implementación de Machine Learning en dispositivos IoT utilizando centros de datos conlleva una serie de problemas a tener en cuenta (privacidad de los datos, el cuello de botella de la red, etc.). Tiny Machine Learning (TinyML) surgió con el objetivo de tener dispotivios IoT independientes ejecutando el programa de ML sin la necesidad de un centro de datos. Pero aún existe la necesidad de usar ordenadores de alta potencia para poder entrenar el modelo de ML. Aún así, se puede mejorar esta situación? Este proyecto estudia el TinyML y dos de sus técnicas, de lo que llamamos TinyML On-Device Learning o TinyODL, capaces de entrenar el model de ML en el mismo dispotivio (on-device learning): TinyML with Online Learning (TinyOL) y Federated Learning (FL). Se estudian las dos técnicas desde un anáisis teórico y probamos de desarrollar una aplicación TinyODL.

Internet of Things (IoT) has acquired useful and powerful advances thanks to the Machine Learning (ML) implementations. But the implementation of Machine Learning in IoT devices with data centers has some serious problems (data privacy, network bottleneck, etc). Tiny Machine Learning (TinyML) arose in order to have an independent edge device executing the ML program without the necessity of any data center. But there is still the need for high performance computers to train the ML model. But, can this situation improve? This project goes through TinyML and two TinyML techniques capable to train the ML model on-device (what we call TinyML On-Device Learning or TinyODL): TinyML with Online-Learning (TinyOL) and Federated Learning (FL). We study both techniques in a theoretical analysis and try to develop one TinyODL app.