Los investigadores de IMDEA Networks han desarrollado un algoritmo denominado AMR², que hace uso de la infraestructura de computación de borde para aumentar la precisión de la inferencia de los sensores de IoT.
Los sensores IoT pueden utilizar algoritmos de aprendizaje profundo para abordar problemas complejos como la clasificación de imágenes o el procesamiento del lenguaje natural. Sin embargo, el aprendizaje profundo en los sensores de IoT puede no ser capaz de garantizar los requisitos de calidad de los servicios, como la precisión de la inferencia y la latencia.
Con el crecimiento exponencial de los datos recogidos por miles de millones de dispositivos IoT, se ha planteado la necesidad de cambiar a un modelo distribuido en el que parte de la computación se produce en el borde de la red (edge computing), más cerca de donde se crean los datos, en lugar de enviarlos a la nube para su procesamiento y almacenamiento.
En este contexto, los investigadores han observado las limitaciones de latencia de los sensores IoT y han demostrado que, gracias al nuevo algoritmo, el problema se elimina. Los resultados de su investigación están publicados en el estudio “An Offloading Algorithm for Maximizing Inference Accuracy on Edge Device in an Edge Intelligence System”.
Algoritmos de aprendizaje automático en los sensores IoT
Además, los investigadores han llegado a la conclusión de que la precisión de la inferencia aumentó hasta un 40% si se compara el algoritmo AMR² con las técnicas de programación básicas. Asimismo, han descubierto que para soportar adecuadamente los algoritmos de aprendizaje automático en el borde la red es esencial un algoritmo de programación eficiente.
El principal obstáculo que han encontrado al realizar este estudio es demostrar el rendimiento teórico del algoritmo AMR² y validarlo utilizando un banco de pruebas experimental que consiste en una Raspberry Pi y un servidor conectados a través de una LAN.
No obstante, con este trabajo los investigadores de IMDEA Networks han sentado las bases para futuras investigaciones que ayudarán a hacer posible la ejecución de aplicaciones de aprendizaje automático en el borde de la red de forma rápida y precisa.