IMDEA Networks 的研究人员 Andrea Fresa（博士生）和 Jaya Prakash Champati（助理研究教授）开展了一项研究，提出了 AMR² 算法。该算法利用边缘计算基础设施（在更靠近数据源的位置处理、分析和存储数据，从而实现更快、近乎实时的分析和响应），在提高物联网传感器推理精度的同时，缓解了延迟限制。他们已证明该算法成功解决了这一问题。论文《一种用于最大化边缘智能系统中边缘设备推理精度的卸载算法》已于本周在 MSWiM 会议上发表。.
要理解推理的概念，首先需要解释机器学习 (ML) 的工作原理分为两个主要阶段。第一阶段是训练，开发者会向模型输入精心整理的数据集，使其“学习”分析所需数据的全部信息。第二阶段是推理：模型可以基于真实数据进行预测，从而产生可执行的结果。
研究人员在论文中得出结论：与基本编程技术相比，AMR² 算法的推理准确率提高了高达 40%。他们还发现，高效的编程算法对于在网络边缘充分支持机器学习算法至关重要。
“我们的研究成果对于需要在终端设备上进行快速准确推理的机器学习应用来说非常有用。例如，像谷歌照片这样的服务可以对图像中的元素进行分类。我们可以使用 AMR² 算法来保证执行延迟，这对于开发者来说非常有利，他们可以在设计中使用该算法来确保用户感觉不到延迟，”Andrea Fresa 解释道。
他们在进行这项研究时遇到的主要障碍是展示 AMR² 算法的理论性能，并使用由树莓派和通过局域网连接的服务器组成的实验平台对其进行验证。“为了展示 AMR² 的性能极限，我们运用了线性规划的基本思想和运筹学工具，” Fresa 强调说。
然而，通过这项工作，IMDEA Networks 的研究人员为未来的研究奠定了基础，这将有助于在网络边缘快速准确地运行机器学习应用程序。.
