Marktgröße, Share und Covid-19-Auswirkungen von maschinellem Lernen nach Komponenten (Lösung und Dienste); Durch Anwendung (Einzelhandel, Gesundheitswesen, Landwirtschaft, Fertigung und andere); und regionale Prognose, 2025-2032

Tiny Machine Learning (TINYML) ist eine Untergruppe des maschinellen Lernens, das laufende Anwendungen für maschinelles Lernen auf Geräten mit geringem Stromverbrauch wie Mikrocontrollern verfolgt. Es ist ein schnell wachsender Forschungsbereich, der in letzter Zeit Popularität gewonnen hat. TinyML bietet verschiedene Vorteile, wie z. B. geringe Latenz, geringem Stromverbrauch, Privatsphäre und niedrige Bandbreite.

Obwohl Tinyml ein aufstrebendes Feld ist, ist es seit Jahren in Produktion. Es wird in Gestenerkennung, Audioerkennung, Keyword -Erkennung, Maschinenüberwachung, Objekterkennung und Klassifizierung verwendet. Einige Beispiele für Tinyml sind in Ordnung, Google, Hey Siri, Alexa und andere Wake -Wörter.

Das Marktwachstum wird von der steigenden Anzahl von IoT -Geräten und Fortschritten bei maschinellem Lerntechnologien angetrieben. Darüber hinaus hilft weniger Stromverbrauch die TinyML -Geräte für lange Zeit, während ML -Anwendungen am Rande ausgestattet sind. Es verbessert die Produktivität von KI -Systemen (Deep Learning Artificial Intelligence), indem sie weniger Berechnung, weniger Daten und weniger Ingenieure benötigt, um den großen Markt von Edge AI und IoT zu erleichtern.

Zum Beispiel gibt McKinsey an, dass 40% des von Analytics geschaffenen jährlichen Werts aus tiefen maschinellen Lerntechniken bestehen.

Auswirkungen von Covid-19 auf den winzigen Markt für maschinelles Lernen

Covid-19 hat den Markt positiv beeinflusst, wobei die Anzahl der Anwendungen für maschinelles Lernen im Gesundheitssektor weit verbreitet ist. Das maschinelle Lernen wird im Gesundheitssektor verwendet, um Krankheiten und die Versorgung von Covid -Patienten genau vorherzusagen.

Tinyml wurde als Plattform zur Bekämpfung und Bekämpfung der Pandemie verwendet. Mehrere Länder verwenden künstliche Intelligenz und maschinelles Lernen, um Covid -Fälle zu verfolgen, zu verfolgen und zu verstehen. Die Pandemie hat eine signifikante Beschleunigung bei der Einführung von Tinyml -Anwendungen verzeichnet.

Zum Beispiel,

• Laut dem Bericht der Brookings Institution verwendeten die Forscher in Südkorea CCTV -Kameramaterial- und Geolokationsdaten, um Covid -Patienten zu verfolgen.
• Das französische Start-up Clevy.io startete einen Chatbot für die Menschen, die die von der Regierung über Covid-19 übertragene Kommunikation informiert.

Der Hardware -KI -Markt hat die Lieferkette jedoch gestört, wobei die Handelsbeschränkungen mehrerer Länder auferlegt wurden. Der KI-Hardware-Hardware-Chip von Data Prognose weltweit um 12% aufgrund von Covid-19 um 12% zurückging.

Wichtige Erkenntnisse

Der Bericht behandelt die folgenden wichtigen Erkenntnisse:

• Micro -Makrowirtschaftsindikatoren.
• Fahrer, Einschränkungen, Trends und Chancen.
• Geschäftsstrategien, die von den Spielern angenommen wurden.
• Auswirkungen von Covid-19 auf den winzigen Markt für maschinelles Lernen.
• Konsolidierte SWOT -Analyse der wichtigsten Spieler.

Analyse durch Anwendung

Basierend auf der Anwendung ist der Markt in Einzelhandel, Gesundheitswesen, Landwirtschaft, Fertigung und andere unterteilt. Der Gesundheitssektor hält den maximalen Marktanteil und wird voraussichtlich im prognostizierten Zeitraum mit dem höchsten Zinssatz wachsen. Das segmentale Wachstum ist auf die steigenden Anwendungen von Tinyml im Gesundheitssektor zurückzuführen. Es kann zur Diagnose und Erkennung von Krankheiten verwendet werden. Zum Beispiel,

• Closedloop, ein KI-Start-up, verwendete Tinyml und künstliche Intelligenz, um diejenigen mit dem höchsten Risiko schwerer Komplikationen von Covid-19 zu identifizieren.
• Bloedot, ein kanadisches Start-up, verwendete AI- und maschinelles Lernalgorithmen, um Krankheitsausbrüche zu erkennen.

Regionale Analyse

Um umfassende Einblicke in den Markt zu gewinnen, Zur Anpassung herunterladen

Der globale Tinyml -Markt ist in fünf Regionen unterteilt: Nordamerika, Europa, asiatisch -pazifisch, Naher Osten und Afrika und Südamerika. Nordamerika hat aufgrund der Anwesenheit führender Technologieanbieter in den USA und in den kanadischen Ländern den bedeutendsten Marktanteil. Darüber hinaus führt die Region bei der frühzeitigen Einführung fortschrittlicher Technologien und dem Beschleunigen des Marktwachstums. Im Automobilsektor besteht eine zunehmende Nachfrage nach diesen Lösungen. Es hilft bei der Vorhersagewartung, der Lieferkettenmanagement und der Qualitätskontrolle. Zum Beispiel,

• Die Escorts Group hat maschinelles Lernen und künstliche Intelligenzlösungen implementiert, um das Betriebskapital aus Inventaren in seinem Geschäft mit Agrarmaschinen zu ermöglichen.
• Mahindra & Mahindra verwendet Tinyml und AI-fähige dynamische Segmentierungsfähigkeiten, um seine Ersatzteilebestände zu optimieren.

Die Verteilung des winzigen Marktes für maschinelles Lernen nach Herkunftsregion ist wie folgt:

• Nordamerika - 49%
• Europa - 26%
• Asien -Pazifik - 16%
• Der Nahe Osten und Afrika - 6%
• Südamerika - 3%

Schlüsselspieler abgedeckt

Zu den wichtigsten globalen Tinyml -Marktunternehmen gehören Google LLC, Microsoft Corporation, ARM, STMICROELECTRONICS, Cartesian, Meta -Plattformen, EdgeImpulse Inc., Indata Labs, Amazon Web Services, Databricks, Sciencesoft, Mobidev und andere.

Segmentierung

Schlüsselentwicklungen der Branche

• Im Juni 2022: Renesas Electronics Corporation, ein Lieferant von Halbleiterlösungen, erworben Reality Analytics, Inc., ein Anbieter von AI Solutions. Mit dieser Akquisition kann die Renesas Corporation auf künstliche Intelligenz und Tiny Machine Learning (TINYML) -Lösungen von Reality AI zugreifen und sie nutzen.
• Im Januar 2022: Klika Tech, ein IoT- und Cloud-basierte Produkt- und Lösungs-Entwicklungsunternehmen, trat der Tinyml Foundation bei, um die Entwicklung von Edge Computing mit maschinellem Lernen zu erhöhen. Klika Tech kann durch diese Partnerschaft über maschinelles Lernen auf Datenanalysen auf On-Device-Daten zugreifen.