Tuttavia, il deep learning nei sensori IoT potrebbe non essere in grado di garantire i requisiti di qualità del servizio, come l'accuratezza dell'inferenza e la latenza. Con la crescita esponenziale dei dati raccolti da miliardi di dispositivi IoT, è emersa la necessità di passare a un modello distribuito in cui parte dell'elaborazione avviene ai margini della rete ("edge computing"), più vicino al punto in cui i dati vengono creati, anziché inviarli al cloud per l'elaborazione e l'archiviazione.

I ricercatori di IMDEA Networks Andrea Fresa (dottoranda) e Jaya Prakash Champati (professore assistente di ricerca) hanno condotto uno studio che presenta l'algoritmo AMR², il quale sfrutta l'infrastruttura di edge computing (elaborazione, analisi e archiviazione dei dati più vicino alla fonte per consentire analisi e risposte più rapide e quasi in tempo reale) per aumentare la precisione di inferenza dei sensori IoT, mitigando al contempo i limiti di latenza. Hanno dimostrato che il problema viene risolto con successo. L'articolo, "An Offloading Algorithm for Maximizing Inference Accuracy on Edge Devices in an Edge Intelligence System", è stato pubblicato questa settimana alla conferenza MSWiM.

Per comprendere cosa sia l'inferenza, è necessario innanzitutto spiegare che l'apprendimento automatico (ML) si articola in due fasi principali. La prima si riferisce all'addestramento, durante il quale lo sviluppatore fornisce al modello un dataset accuratamente selezionato, in modo che possa "apprendere" tutto ciò che deve sapere sul tipo di dati che analizzerà. La fase successiva è l'inferenza: il modello può effettuare previsioni basate su dati reali per produrre risultati utilizzabili.
Nella loro pubblicazione, i ricercatori hanno concluso che l'accuratezza dell'inferenza è aumentata fino al 40% confrontando l'algoritmo AMR² con le tecniche di programmazione di base. Hanno inoltre scoperto che un algoritmo di programmazione efficiente è essenziale per supportare adeguatamente gli algoritmi di apprendimento automatico ai margini della rete.

“I risultati del nostro studio potrebbero essere molto utili per le applicazioni di machine learning che necessitano di inferenze rapide e precise sui dispositivi finali. Si pensi, ad esempio, a un servizio come Google Foto, che categorizza gli elementi nelle immagini. Possiamo garantire il ritardo di esecuzione utilizzando l'algoritmo AMR², il che può essere molto vantaggioso per uno sviluppatore che può utilizzarlo in fase di progettazione per assicurarsi che i ritardi non siano percepibili dall'utente”, spiega Andrea Fresa.
L'ostacolo principale incontrato nella conduzione di questo studio è stato dimostrare le prestazioni teoriche dell'algoritmo AMR² e convalidarle utilizzando una piattaforma di test sperimentale composta da un Raspberry Pi e un server collegati tramite LAN. “Per dimostrare i limiti prestazionali di AMR², abbiamo impiegato concetti fondamentali della programmazione lineare e strumenti della ricerca operativa”, sottolinea Fresa.

Tuttavia, con questo lavoro, i ricercatori di IMDEA Networks hanno gettato le basi per future ricerche che contribuiranno a rendere possibile l'esecuzione di applicazioni di apprendimento automatico ai margini della rete in modo rapido e preciso.

Ulteriori informazioni