W ostatnich latach rośnie zainteresowanie zastosowaniem metod uczenia maszynowego (Machine Learning) i sztucznej inteligencji (Artificial Intelligence) w różnych dziedzinach życia. Niestety, coraz częściej dostrzega się też problem, że zastosowanie tych technologii wymaga dużych zasobów energii, mocy obliczeniowych, itp. Z tego powodu rośnie zapotrzebowanie na bardziej kompaktowe i mniej energochłonne rozwiązania, takie jak np. TinyML. Technologia TinyML pozwala na łączenie modeli i algorytmów uczenia maszynowego (Machine Learning) z wykorzystaniem mikrokontrolerowych systemów wbudowanych (Embedded Systems), np. systemu microROS czy microPython z mikrokontrolerami z rodziny ARM. TinyML oferuje takie zalety, jak: dopasowanie do konkretnych zastosowań, niskie zużycie energii, mniejsze koszty wdrożenia, prywatność i bezpieczeństwo, przetwarzanie w czasie rzeczywistym bez konieczności korzystania z chmury obliczeniowej. Niestety, ze względu na ograniczone zasoby systemów mikrokotrolerowych, wdrożenie technologii TinyML jest związane z wieloma wyzwaniami, a głównie optymalizacją modeli i algorytmów pod kątem ograniczonych zasobów, możliwości obliczeniowych czy przetwarzanie danych w czasie rzeczywistym. Przykładowe zastosowania tej technologii to: internet rzeczy, opieka zdrowotna, pojazdy autonomiczne, inteligentne rolnictwo i miasta, bezpieczeństwo, elektronika użytkowa, itp.