Proyecto financiado por la Fundación BBVA en la convocatoria 2019 de Ayudas a Equipos de Investigación Científica

Resumen:

El proyecto Machine Learning on the Edge ha tenido por objetivo el diseño y desarrollo de nuevos métodos de aprendizaje automático que puedan ser entrenados y operados en los dispositivos informáticos disponibles en los entornos de computación en el borde (edge computing), cuyas prestaciones computacionales son mucho más limitadas que los grandes servidores de los centros de procesamiento de datos. Este tipo de entornos son cada vez comunes, especialmente en el ámbito del Internet de las Cosas (Internet of Things, IoT). Este planteamiento, acuñado también recientemente con el nombre de aprendizaje federado (federated learning), tiene como propósito el desarrollo de nuevos algoritmos que utilicen los dispositivos del borde para aprender de forma colaborativa, eliminando la necesidad de almacenar todos datos de entrenamiento en la nube. Este enfoque contrasta con el paradigma clásico de aprendizaje automático que requiere que los datos de entrenamiento se encuentren centralizados en un único centro de datos. El aprendizaje federado permite que los diversos dispositivos de borde construyan, de forma colaborativa, un único modelo mientras mantienen los datos en el dispositivo local que los generó. Para ello, cada dispositivo en el borde genera primero un modelo parcial, con sus datos locales, y, posteriormente, los modelos se comparten y se agregan con actualizaciones de todos los demás dispositivos.

Este paradigma de aprendizaje permite el desarrollo de nuevos modelos de inteligencia artificial que salvaguarden la privacidad de los datos, lo que hace que estén en mayor sintonía con toda la nueva normativa europea de protección de datos. Además, presentan otras ventajas adicionales, respecto a los métodos clásicos, como una menor latencia, lo que los hace más idóneos en entornos en tiempo real, y un menor consumo de energía eléctrica para el entrenamiento del modelo, puesto que su consumo conjunto de los dispositivos de borde es muy inferior al requerido por los grandes centros de procesamiento de datos. Esta última ventaja está en armonía con los objetivos de la agenda de desarrollo sostenible, ya que permite obtener modelos de aprendizaje automático que proporcionen un mejor equilibrio entre el crecimiento económico, el cuidado del medio ambiente y el bienestar social.

En concreto, en este proyecto se ha desarrollado una familia de nuevos algoritmos de aprendizaje automático para la detección de anomalías, clasificación y regresión en entornos en el borde. Además, se ha realizado una implementación de los modelos y han sido evaluados en un entorno de edge computing mediante el uso de placas Raspberry PI y NVIDIA Jetson Nano. Asimismo, se ha realizado un amplio estudio experimental para evaluar su desempeño frente a los principales métodos del estado del arte, comprobando que presentan un rendimiento muy competitivo en cuando a eficacia y su eficiencia computacional. Este tipo de modelos podrían ser de interés para su implantación en multitud de aplicaciones reales como, por ejemplo, en el ámbito médico en el que es importante colaborar entre distintas instituciones para obtener modelos de clasificación o predicción de enfermedades más robustos, en el ámbito de la conducción autónoma ya que en el futuro existirán miles de millones de vehículos interconectados, en el desarrollo de sistemas de mantenimiento predictivo en maquinaria industrial o en el ámbito financiero permitiendo la colaboración de distintas entidades mientras se preserva la privacidad de los datos de sus clientes.