Tamaño del mercado de aprendizaje automático, participación y análisis de impacto Covid-19, por componente (solución y servicios); Por aplicación (minorista, atención médica, agricultura, fabricación y otros); y pronóstico regional, 2025-2032

Tiny Machine Learning (TinyML) es un subconjunto de aprendizaje automático que realiza la ejecución de aplicaciones de aprendizaje automático en dispositivos de baja potencia como microcontroladores. Es un área de investigación de rápido crecimiento que recientemente ha ganado popularidad. TinyML proporciona varias ventajas, como baja latencia, bajo consumo de energía, privacidad y bajo ancho de banda.

Aunque Tinyml es un campo emergente, ha estado en producción durante años. Se utiliza en reconocimiento de gestos, detección de audio, detección de palabras clave, monitoreo de la máquina, reconocimiento de objetos y clasificación. Algunos ejemplos de Tinyml están bien Google, Hey Siri, Alexa y otras palabras de Wake.

El crecimiento del mercado está impulsado por el creciente número de dispositivos y avances de IoT en tecnologías de aprendizaje automático. Además, menos consumo de energía ayuda a los dispositivos TinyML a ejecutar desenchufado las baterías durante mucho tiempo mientras ejecutan aplicaciones ML en el borde. Mejora la productividad de los sistemas de inteligencia artificial (IA) de aprendizaje profundo al necesitar menos cálculo, menos datos y menos ingenieros para facilitar el gran mercado de IA e IT de borde.

Por ejemplo, McKinsey afirma que el 40% del valor anual creado por Analytics está compuesto por técnicas de aprendizaje automático profundos.

Impacto de Covid-19 en el pequeño mercado de aprendizaje automático

Covid-19 ha impactado positivamente el mercado, con el número de aplicaciones de aprendizaje automático que aumentan ampliamente en el sector de la salud. El aprendizaje automático se utiliza en el sector de la salud para predecir enfermedades y atención a los pacientes con CoVID con precisión.

Tinyml se utilizó como plataforma para abordar y combatir la pandemia. Varios países utilizan inteligencia artificial y aprendizaje automático para rastrear, rastrear y comprender los casos covid. La pandemia ha sido testigo de una aceleración significativa en la adopción de aplicaciones TinyML.

Por ejemplo,

• Según el informe de Brookings Institution, los investigadores utilizaron imágenes de cámaras de CCTV y datos de geolocalización en Corea del Sur para rastrear a los pacientes con Covid.
• La empresa francesa, Clevy.io, lanzó un chatbot para que las personas se enteren de las comunicaciones dadas por el gobierno en Covid-19.

Sin embargo, el mercado de IA de hardware ha interrumpido la cadena de suministro, con restricciones comerciales impuestas a varios países. Los ingresos globales de chip de hardware de IA de datos 2020 del pronóstico de datos cayeron un 12% debido a CoVID-19.

Ideas clave

El informe cubrirá las siguientes ideas clave:

• Indicadores micro macroconómicos.
• Conductores, restricciones, tendencias y oportunidades.
• Estrategias comerciales adoptadas por los jugadores.
• Impacto de Covid-19 en el pequeño mercado de aprendizaje automático.
• Análisis FODA consolidado de jugadores clave.

Análisis por aplicación

Según la aplicación, el mercado está segmentado en el comercio minorista, la salud, la agricultura, la fabricación y otros. El sector de la salud posee la participación máxima en el mercado y se espera que crezca a la tasa más alta en el período previsto. El crecimiento segmentario se debe al aumento de las aplicaciones de TinyML en el sector de la salud. Se puede usar para diagnosticar y detectar enfermedades. Por ejemplo,

• El bosque cerrado, una nueva empresa de IA, utilizó TinyML e inteligencia artificial para identificar a aquellos con el mayor riesgo de complicaciones graves de Covid-19.
• Bluedot, una nueva empresa canadiense, usó algoritmos de AI y aprendizaje automático para detectar brotes de enfermedades.

Análisis regional

Para obtener información detallada sobre el mercado, Descargar para personalizar

El mercado global de Tinyml se divide en cinco regiones: América del Norte, Europa, Asia Pacífico, Medio Oriente y África y América del Sur. América del Norte posee la cuota de mercado más significativa debido a la presencia de proveedores de tecnología líderes en los países estadounidenses y canadienses. Además, la región lidera la adopción temprana de tecnologías avanzadas, acelerando el crecimiento del mercado. Hay una demanda creciente de estas soluciones en el sector automotriz. Ayuda en mantenimiento predictivo, gestión de la cadena de suministro y control de calidad. Por ejemplo,

• Escorts Group implementó soluciones de aprendizaje automático e inteligencia artificial para permitir el capital de trabajo de los inventarios en su negocio de maquinaria agrícola.
• Mahindra & Mahindra usa TinyML y la capacidad de segmentación dinámica habilitada para AI para optimizar sus inventarios de repuestos.

La distribución del pequeño mercado de aprendizaje automático por región de origen es la siguiente:

• América del Norte - 49%
• Europa - 26%
• Asia Pacífico - 16%
• Medio Oriente y África - 6%
• Sudamérica - 3%

Jugadores clave cubiertos

Las principales compañías globales de mercado de Tinyml incluyen Google LLC, Microsoft Corporation, Arm, STMicroelectronics, Cartesian, Meta Platforms, EdgeImpulse Inc., Indata Labs, Amazon Web Services, Databricks, Sciencesoft, Mobidev y otros.

Segmentación

Desarrollos clave de la industria

• En junio de 2022: Renesas Electronics Corporation, un proveedor de soluciones de semiconductores, adquirió Reality Analytics, Inc., un proveedor de soluciones de IA. Con esta adquisición, Renesas Corporation puede acceder y utilizar las soluciones de inteligencia artificial de Reality AI y pequeñas soluciones de aprendizaje automático (TINML).
• En enero de 2022: Klika Tech, una compañía de desarrollo de productos y productos de IoT y en la nube, se unió a la Fundación TinyML para aumentar el desarrollo de la computación de borde con el aprendizaje automático. Klika Tech puede acceder al análisis de datos en el dispositivo a través del aprendizaje automático a través de esta asociación.