Resumen de Ubiquitous distributed intelligence at the edge

José Á. Morell

• Hasta ahora, la mayoría de los modelos de computación distribuida se han enfocado en el procesamiento de la información en la nube. Por otro ldao, los dispositivos de borde (más cercanos a los usuarios), como los teléfonos inteligentes, tabletas y ordenadores portátiles, se han utilizado para recopilar y mostrar la información. Sin embargo, el borde está cambiando, haciéndose más extenso y sofisticado, lo que provoca que la cantidad de datos producidos en los dispositivos de borde crezca exponencialmente, superando las capacidades de la red y haciendo imposible enviarlos todos a la nube para su procesamiento y análisis. Además, muchos de estos datos son privados por lo que no se pueden transferir a centros de procesamiento externos. Otros dispositivos deben tomar decisiones en tiempo real y no pueden esperar a que la nube les dé una respuesta antes de actuar, o incluso pueden quedar temporalmente incomunicados. Estos escenarios abogan por la computación distribuida tolerante a fallos en el borde, la ejecución de los algoritmos de IA en dispositivos ligeros y el aprendizaje de modelos globales utilizando los datos locales de los dispositivos, es decir, el aprendizaje federado en el borde. En esta tesis, proponemos ver el aprendizaje de borde federado como un tipo de computación voluntaria en la que los usuarios donan los recursos informáticos de sus dispositivos de borde a un proyecto que entrena un modelo de aprendizaje automático compartido. Definimos y abordamos los retos y las características deseables para lograr la computación voluntaria para el aprendizaje de borde federado. Buscamos adaptarnos a la volatilidad de las desconexiones y conseguir tolerancia a fallos. Proponemos dos enfoques, uno síncrono y otro asíncrono, utilizando un número determinado de dispositivos limitados, poco fiables y heterogéneos (hardware y software) y, mostramos su idoneidad para este fin en entornos dinámicos. Obtenemos una precisión numérica similar a la de las configuraciones actuales que utilizan una plataforma estática para el aprendizaje. Asimismo, formulamos y modelamos el problema de la sobrecarga de comunicación en el aprendizaje federado como un problema multiobjetivo. Este problema es un reto importante para la inteligencia distribuida ubicua y el aprendizaje eficiente utilizando los datos de los usuarios. A continuación, proponemos abordarlo mediante algoritmos genéticos para la optimización de funciones multiobjetivo logrando una mayor precisión del modelo al tiempo que se reducen las comunicaciones en comparación con la configuración de comunicación máxima. Obtenemos resultados prometedores que abren la puerta a nuevas líneas de investigación en optimización multiobjetivo de retos de aprendizaje federado. Por último, los resultados de esta tesis demuestran que el despliegue de inteligencia distribuida ubicua en dispositivos de borde es factible y valioso, proporcionando también una mejor comprensión de cómo debe ser dicha inteligencia distribuida ubicua, sus problemas asociados y cómo deben abordarse estos problemas.