Andrea Fresa (doctorante) et Jaya Prakash Champati (professeure adjointe de recherche), chercheuses chez IMDEA Networks, ont mené une étude présentant l'algorithme AMR². Cet algorithme exploite l'infrastructure de calcul en périphérie (traitement, analyse et stockage des données au plus près de leur source pour des analyses et des réponses plus rapides, quasi temps réel) afin d'améliorer la précision des inférences des capteurs IoT tout en atténuant les limitations de latence. Leurs travaux ont démontré l'efficacité de cette approche. L'article, intitulé « An Offloading Algorithm for Maximizing Inference Accuracy on Edge Devices in an Edge Intelligence System », a été publié cette semaine lors de la conférence MSWiM.
Pour comprendre ce qu'est l'inférence, il est nécessaire d'expliquer que l'apprentissage automatique (ML) fonctionne en deux phases principales. La première, l'entraînement, consiste à alimenter le modèle avec un jeu de données structuré afin qu'il « apprenne » tout ce qu'il doit savoir sur le type de données qu'il analysera. La seconde phase est l'inférence : le modèle peut alors effectuer des prédictions à partir de données réelles pour produire des résultats exploitables.
Dans leur publication, les chercheurs ont conclu que la précision de l'inférence augmentait jusqu'à 40 % en comparant l'algorithme AMR² aux techniques de programmation classiques. Ils ont également découvert qu'un algorithme de programmation efficace est essentiel pour assurer un support adéquat des algorithmes d'apprentissage automatique en périphérie du réseau.
« Les résultats de notre étude pourraient s'avérer très utiles pour les applications d'apprentissage automatique nécessitant une inférence rapide et précise sur les terminaux. Prenons l'exemple de Google Photos, qui catégorise les éléments des images. Grâce à l'algorithme AMR², nous pouvons garantir le délai d'exécution, ce qui représente un avantage considérable pour les développeurs qui peuvent l'intégrer dès la conception afin d'éviter toute latence pour l'utilisateur », explique Andrea Fresa.
La principale difficulté rencontrée lors de cette étude a consisté à démontrer les performances théoriques de l'algorithme AMR² et à les valider à l'aide d'une plateforme expérimentale composée d'un Raspberry Pi et d'un serveur connectés via un réseau local. « Pour démontrer les limites de performance d'AMR², nous avons eu recours à des concepts fondamentaux de la programmation linéaire et à des outils de recherche opérationnelle », souligne Fresa.
Cependant, grâce à ces travaux, les chercheurs d'IMDEA Networks ont jeté les bases de recherches futures qui permettront d'exécuter des applications d'apprentissage automatique à la périphérie du réseau de manière rapide et précise.
