Die IMDEA Networks-Forscher Andrea Fresa (Doktorandin) und Jaya Prakash Champati (wissenschaftliche Mitarbeiterin) haben eine Studie durchgeführt, in der sie den AMR²-Algorithmus vorstellen. Dieser nutzt Edge-Computing-Infrastruktur (Verarbeitung, Analyse und Speicherung von Daten näher an der Quelle, um schnellere, nahezu Echtzeit-Analysen und -Reaktionen zu ermöglichen), um die Genauigkeit der Schlussfolgerungen von IoT-Sensoren zu erhöhen und gleichzeitig Latenzprobleme zu minimieren. Sie konnten zeigen, dass das Problem erfolgreich gelöst wird. Die Veröffentlichung mit dem Titel „An Offloading Algorithm for Maximizing Inference Accuracy on Edge Devices in an Edge Intelligence System“ wurde diese Woche auf der MSWiM-Konferenz vorgestellt.
Um zu verstehen, was Inferenz ist, muss man zunächst erklären, dass maschinelles Lernen (ML) in zwei Hauptphasen abläuft. Die erste Phase ist das Training, bei dem der Entwickler das Modell mit einem sorgfältig zusammengestellten Datensatz trainiert, damit es alles Notwendige über die Art der zu analysierenden Daten „lernt“. In der zweiten Phase, der Inferenz, kann das Modell auf Basis realer Daten Vorhersagen treffen und so verwertbare Ergebnisse liefern.
Die Forscher kamen in ihrer Veröffentlichung zu dem Schluss, dass die Genauigkeit der Inferenz um bis zu 40 % gesteigert werden konnte, wenn der AMR²-Algorithmus mit einfachen Programmiertechniken verglichen wurde. Sie entdeckten außerdem, dass ein effizienter Programmieralgorithmus unerlässlich ist, um Algorithmen des maschinellen Lernens am Netzwerkrand adäquat zu unterstützen.
„Die Ergebnisse unserer Studie könnten für Anwendungen des maschinellen Lernens, die schnelle und präzise Schlussfolgerungen auf Endgeräten benötigen, sehr nützlich sein. Nehmen wir beispielsweise einen Dienst wie Google Fotos, der Elemente in Bildern kategorisiert. Wir können die Ausführungsverzögerung mithilfe des AMR²-Algorithmus garantieren, was für Entwickler, die ihn im Design einsetzen können, um sicherzustellen, dass Verzögerungen für den Benutzer nicht sichtbar sind, von großem Vorteil sein kann“, erklärt Andrea Fresa.
Die größte Herausforderung bei der Durchführung dieser Studie bestand darin, die theoretische Leistungsfähigkeit des AMR²-Algorithmus nachzuweisen und ihn mithilfe einer experimentellen Testumgebung, bestehend aus einem Raspberry Pi und einem über LAN verbundenen Server, zu validieren. „Um die Leistungsgrenzen von AMR² aufzuzeigen, haben wir grundlegende Konzepte der linearen Programmierung und Methoden des Operations Research eingesetzt“, betont Fresa.
Mit dieser Arbeit haben die Forscher von IMDEA Networks jedoch den Grundstein für zukünftige Forschung gelegt, die dazu beitragen wird, maschinelle Lernanwendungen schnell und präzise am Netzwerkrand auszuführen.
