Proyecto financiado por el Ministerio de Ciencia, Innovación y Universidades en la convocatoria 2023 de «Proyectos de Generación de Conocimiento», del Plan Estatal de Investigación Científica, Técnica y de Innovación 2021-2023

Resumen:

En la última década, los datos de entrenamiento y la potencia de los modelos de Inteligencia Artificial (IA) han crecido exponencialmente. Con el creciente nivel de digitalización, se dispone de grandes volúmenes de datos nuevos. Esta circunstancia, junto con los potentes recursos computacionales de fácil acceso, han contribuido al éxito y al uso generalizado de las técnicas de aprendizaje automático (machine learning, ML). Como resultado, surgieron los modelos profundos como herramienta para explotar esos grandes volúmenes de datos y analizar datos complejos como imágenes o textos. No cabe duda de los avances que ha supuesto el desarrollo de estos modelos, sin embargo, también conllevan ciertos aspectos negativos en su desarrollo y aplicación. El más destacable es su voraz consumo de recursos que está empezando a considerarse como un problema de sostenibilidad que ha dado lugar a la llamada IA Verde. Además, más allá del problema de la sostenibilidad, también existen otras circunstancias en las que el entrenamiento de modelos de aprendizaje automático puede verse afectado por una limitación de los recursos de entrenamiento, bien porque no siempre están al alcance económico de todos los interesados, bien porque determinados escenarios reales de trabajo (IoT, robótica,...) requieren un bajo consumo de recursos de entrenamiento. Para hacer frente a todos estos problemas, este proyecto propone el desarrollo de nuevos algoritmos bajo la perspectiva de la Inteligencia Artificial Frugal, es decir modelos ML que trabajan con recursos limitados, ya sean estos referidos a datos, tiempo disponible para el entrenamiento o capacidad computacional y requerimientos de memoria. La IA Frugal permite: 1) mejorar
la sostenibilidad del desarrollo y aplicación de la Inteligencia Artificial, 2) democratizar su uso reduciendo la demanda de recursos, y 3) aplicar técnicas de IA en escenarios donde por diseño sólo es posible utilizar algoritmos de aprendizaje que trabajen con severas restricciones de recursos.

Este trabajo está motivado por la amplia experiencia del equipo de investigación en el desarrollo de métodos de ML sostenibles y ecológicos, así como por los nuevos escenarios de ML a los que nos hemos tenido que enfrentar en nuestros más recientes proyectos de transferencia a la industria. En este proyecto investigamos en aspectos como el aprendizaje activo y positivo no etiquetado, few-Shot learning, reducción de la dimensionalidad, aprendizaje a lo largo de la vida, descomposición modular y aprendizaje en el borde, para producir un conjunto de nuevos enfoques de ML que tengan en cuenta las circunstancias de recursos limitados que surgen en muchos problemas del mundo real y que sigan siendo capaces de proporcionar soluciones de buena calidad, contribuyendo así al desarrollo del campo de la inteligencia artificial y ampliando aún más sus posibilidades de aplicación.