Tekoälyä ei tarvitse aina ajaa raskaissa ja paljon energiaa kuluttavissa datakeskuksissa. Tuoreessa opinnäytetyössä selvitettiin, että kaasudatan analysointiin kehitettyä neuroverkkoa voidaan ajaa onnistuneesti ja edullisesti suoraan pienillä päätelaitteilla, kuten mikro-ohjaimilla. Tämä avaa uusia, vikasietoisia ja tietoturvallisia mahdollisuuksia paikallisen reunalaskennan hyödyntämiseen teollisuudessa ja laitekehityksessä.

Suuret tekoälyn kielimallit vaativat massiivista laskentatehoa, mutta pienemmät, tiettyyn tehtävään koulutetut neuroverkot voivat toimia tehokkaasti ilman jatkuvaa yhteyttä pilvipalveluihin. Turun AMK:n I Smell Fish– ja Älykäs panimo -projekteissa on kehitetty pientä tekoälyä, joka kykenee analysoimaan Boschin BME688-kaasuanturin keräämää dataa. Anturi tunnistaa haihtuvia orgaanisia yhdisteitä metallioksidikerroksen resistanssin muutosten avulla, ja tekoäly pystyy tämän datan perusteella päättelemään esimerkiksi kalan pilaantumisasteen tai oluen käymisprosessin valmiuden.

Uusimmassa kehitysvaiheessa testattiin, mikä laskenta-alusta on optimaalisin tämän kyseisen kaasuanalyysimallin inferenssin eli ennustusten suorittamiseen. Vertailussa olivat mukana paikallinen Waveshare ESP32-S3 Pico -mikro-ohjain, Raspberry Pi 5 -reunalaskentalaite sekä Raspberry Pi 5:tä tehokkaampi tietokone Intelin I7 prosessorilla. Ohjelmistot toteutettiin kullekin alustalle hyödyntäen Googlen LiteRT- (entinen TensorFlow Lite) ja TensorFlow Lite for Microcontrollers -kirjastoja.

Mikro-ohjain on hitain mutta riittävä

Kun neuroverkkoa ajetaan suoraan ESP32-S3-mikro-ohjaimella, saavutetaan merkittäviä etuja järjestelmän yksinkertaisuudessa ja riippumattomuudessa. Koulutettu neuroverkkomalli ladataan laitteelle suoraan ohjelmoinnin yhteydessä, jolloin anturi syöttää datan suoraan mallille ilman välikäsiä.
Alustojen tehokkuusvertailussa havaittiin seuraavaa:

• Suoritusnopeus: Yksi tekoälyinferenssi kestää ESP32-S3-mikro-ohjaimella noin 51 millisekuntia. Vertailun vuoksi Raspberry Pi 5 suoriutuu tehtävästä noin 100 mikrosekunnissa ja Intel i7 -tietokone 50–200 mikrosekunnissa. Vaikka mikro-ohjain on mittauksissa selvästi hitain, on 51 millisekunnin viive käytännössä silmänräpäys ja täysin riittävä reaaliaikaiseen kaasuanalyysiin, sillä itse datan kerääminen vie enemmän aikaa kuin laskenta.
• Kustannukset: ESP32-S3 on alustoista ylivoimaisesti halvin, ja sen hankintahinta on vain 13,50 euroa. Vastaavasti Raspberry Pi 5:n hinta alkaa noin 90 eurosta, ja pilvipalvelimen ylläpito tuo mukanaan vähintään muutaman euron jatkuvat kuukausikustannukset.
• Toimintavarmuus ja tietoturva: Paikallinen mikro-ohjain ei tarvitse lainkaan verkkoyhteyttä. Koska data käsitellään kokonaan laitteen sisällä eikä sitä lähetetä internetin yli kolmansille osapuolille, järjestelmän tietoturva on korkea ja hyökkäyspinta-ala minimoitu. Se on myös täysin vikasietoinen ulkoisten verkkojen katkoille.
  

Pilvi ei tuo lisäarvoa pienille malleille

Tulosten perusteella pilvilaskenta tai raskaampi paikallinen palvelin ei tarjoa merkittävää etua reunalaskentaan verrattuna, kun kyseessä on näin pienikokoinen tekoälymalli. Koska sekä Raspberry Pi 5 että palvelimen korvaavajana toiminuti tietokone suoriutuvat laskennasta lähes viiveettömästi, valinta niiden välillä riippuu muista tekijöistä kuin itse inferenssin nopeudesta. Pilvipalvelun suurin heikkous tässä kontekstissa on sen täydellinen riippuvuus jatkuvasta ja vakaasta internet-yhteydestä.

On kuitenkin huomioitava, että tekoälymallin täysikokoinen ajaminen ESP32-S3:lla vaatii ulkoista PSRAM-muistia, jotta mallia ei tarvitse kvantisoida eli muuttaa matalamman tarkkuuden kokonaislukumuotoon. Testeissä havaittiin, että mallin kvantisointi heikensi sen tarkkuutta pyöristysvirheiden vuoksi merkittävästi, minkä takia kvantisoidun mallin testaaminen jätettiin työstä pois. Mikäli mallit tulevaisuudessa kasvavat ja laajenevat, voivat mikro-ohjaimen muisti ja suorituskyky tulla vastaan, jolloin joustavampi Raspberry Pi -reunalaskenta-alusta tai pilviratkaisu muuttuu perustellummaksi.

Yksittäisen tuotemaisen sovelluksen näkökulmasta ESP32-S3 on kuitenkin optimaalisin, halvin ja luotettavin alusta tekoälypohjaiseen kaasuanalyysiin. Raskaampia palvelimia kannattaa hyödyntää ensisijaisesti kehitysvaiheessa, jossa uusia malleja pitää kouluttaa nopeasti ja ajaa samanaikaisesti laajempia datankeruujärjestelmiä.

Lähteet

• Juurenheimo, A. 2026. Neuroverkon inferenssin suorittaminen eri laskenta-alustoilla. Opinnäytetyö AMK. Tieto- ja viestintätekniikka. Turku: Turun ammattikorkeakoulu. https://urn.fi/URN:NBN:fi:amk-2026061024105
• Opinnäytetyön pohjalta kehitetty lähdekoodi, testausohjelmat sekä muunnos- ja kvantisointiskriptit ovat saatavilla GitHub-palvelussa: https://github.com/Arde6/Thesis/