Continua nos entusiasmando a t¨¦cnica de e a capacidade de criar modelos de aprendizado de m¨¢quina (ML) projetados para serem executados em dispositivos m¨®veis e de baixa pot¨ºncia. At¨¦ recentemente, a execu??o de um modelo de ML era vista como computacionalmente cara e, em alguns casos, exigia hardware para fins especiais. Embora a cria??o dos modelos ainda esteja amplamente dentro dessa classifica??o, os modelos agora podem ser criados de uma maneira que permita sua execu??o em dispositivos pequenos, de baixo custo e baixo consumo de energia. Se voc¨º est¨¢ pensando em usar ML mas considerava invi¨¢vel devido a restri??es de computa??o ou rede, vale a pena avaliar essa t¨¦cnica.
At¨¦ recentemente, a execu??o de um modelo de aprendizado de m¨¢quina (ML) era vista como algo caro do ponto de vista computacional e, em alguns casos, exigia hardware para fins especiais. Embora seu processo de cria??o ainda esteja amplamente inclu¨ªdo nessa classifica??o, os modelos podem ser constru¨ªdos de maneira a permitir sua execu??o em dispositivos pequenos, de baixo custo e baixo consumo de energia. Essa t¨¦cnica, chamada , abriu a possibilidade de execu??o de modelos de ML em situa??es que muitas pessoas considerariam invi¨¢veis. Por exemplo, em dispositivos alimentados por bateria ou em ambientes desconectados, com conectividade limitada ou irregular, o modelo pode ser executado localmente sem um custo proibitivo. Se voc¨º est¨¢ pensando em usar ML, mas achou que seria algo irreal devido ¨¤s restri??es de computa??o ou rede, vale a pena avaliar essa t¨¦cnica.
