Los investigadores del Massachusetts Institute of Technology (MIT) han desarrollado MCUNet, un sistema que utiliza las redes neuronales de aprendizaje profundo, que podría aplicarse en dispositivos o electrodomésticos inteligentes para facilitar la expansión del IoT, obtener un mayor ahorro energético y mejorar la seguridad de datos.
El sistema MCUNet es capaz de diseñar redes neuronales compactas que ofrecen una gran velocidad y precisión para el aprendizaje profundo en dispositivos IoT. Generar una red profunda para microprocesadores es complicado debido a las limitaciones que tienen estos sistemas. Para ello, el grupo de investigadores del MIT desarrollaron dos tecnologías: TinyEngine y TinyNAS, que combinaron para poder hacer funcionar las redes neuronales en los microcontroladores.
TinyNAS es un algoritmo de búsqueda de arquitectura neuronal capaz de crear redes de tamaño personalizado para cada tipo de microprocesador. Para ejecutar la estructura de red neuronal generada, se requiere de la tecnología TinyEngine, que se encarga de dirigir la gestión de los recursos a través de un código esencial, que incorpora los requisitos básicos necesarios para su funcionamiento, lo que permite reducir el tiempo de compilación y el uso de la memoria a casi la mitad.
Resultados de las pruebas
Tras realizar la codificación de TinyNAS y TinyEngine, los investigadores pusieron a prueba MCUNet. El primer desafío de MCUNet fue la clasificación de imágenes, donde utilizaron los datos de ImageNet, que permitió entrenar el sistema con imágenes etiquetadas y luego probar su capacidad para clasificar las nuevas.
En un microcontrolador comercial que probaron, MCUNet clasificó con éxito el 70,7% de las imágenes nuevas. Mientras que una combinación anterior de un motor de inferencia y red neuronal de última generación obtuvo solo un 54% de precisión. El equipo encontró resultados similares en las pruebas de ImageNet de otros tres microcontroladores.
Tanto en velocidad como en precisión, MCUNet mostró mejores resultados respecto a la competencia en tareas de ‘palabras de activación’ de audio y visuales, donde un usuario inicia una interacción con una computadora usando comandos de voz o simplemente entrando en una habitación. Los experimentos destacan la adaptabilidad de MCUNet a numerosas aplicaciones. Asimismo, este sistema realiza un análisis de datos local, lo que reduce el riesgo de robo de información personal.