Desarrollo de soluciones multireservorio escalables para clasificación espacio-temporal

• Autores: Enrique José López Ortiz
• Directores de la Tesis: Luis Miguel Soria Morillo (dir. tes.) , Juan José Vegas Olmos (dir. tes.)
• Lectura: En la Universidad de Sevilla ( España ) en 2025
• Idioma: español
• Número de páginas: 184
• Enlaces
  • Tesis en acceso abierto en: IdUS
• Resumen

  • Esta tesis aborda el desafío de diseñar modelos de aprendizaje automático ligeros y eficientes que puedan desplegarse en dispositivos con recursos limitados, como parte del ecosistema del Internet de las Cosas, la computación en la nube y en el borde. En particular, se investiga la aplicación de redes neuronales tipo Echo State Networks (ESN) a tareas de clasificación y predicción meteorológica.

    Inicialmente, se evalúan arquitecturas basadas en ESN en conjuntos de datos de referencia como MNIST y FashionMNIST. Los resultados demuestran que el modelo propuesto, denominado Multi-Reservoir ESN (MRESN), alcanza tasas de precisión competitivas frente a redes convolucionales tradicionales, pero con una carga computacional significativamente menor. Esto lo convierte en una alternativa viable para sistemas de inteligencia artificial sostenibles.

    Posteriormente, el trabajo se enfoca en la predicción meteorológica utilizando imágenes satelitales. Para ello se introduce un nuevo modelo, el Multi-Reservoir Weighted ESN (MWESN), que incorpora conexiones optimizadas entre reservorios y es capaz de capturar relaciones espacio-temporales complejas. El modelo se evalúa con el conjunto de datos CloudCast, mostrando un rendimiento competitivo en la predicción de movimiento de nubes.

    Además, se desarrolla una técnica innovadora denominada Entrenamiento Regional Guiado por el Error (ERT), que permite realizar predicciones a nivel de píxel optimizando el uso de recursos. Esta técnica mejora la precisión de los modelos y reduce el coste computacional, lo cual es fundamental para aplicaciones en tiempo real.

    La viabilidad de desplegar estas arquitecturas en plataformas como Raspberry Pi se valida mediante experimentos prácticos. Asimismo, se realiza un análisis detallado del impacto de los hiperparámetros clave de las ESN sobre el rendimiento del modelo.

    Las conclusiones muestran que las arquitecturas basadas en ESN no solo igualan la precisión de modelos más complejos, sino que también reducen el consumo energético y la latencia. Esto confirma su idoneidad para entornos donde la eficiencia energética y la baja capacidad de cómputo son críticas.

    En conjunto, esta tesis aporta nuevas estrategias para el uso de redes neuronales ligeras en tareas complejas y contribuye al avance de soluciones de inteligencia artificial adaptadas a entornos reales con restricciones de hardware y energía.