Martes , agosto 21 2018

Suscribete gratis a nuestro boletin semanal

VISIONA . DESARROLLADORES . CONECTADOS .

Suscribete nuestro boletin semanal

PATROCINADORES
.
Home / Comunicaciones / Siguiente evolución de Smartphones será en la Nube y Aprendizaje de Máquinas

Siguiente evolución de Smartphones será en la Nube y Aprendizaje de Máquinas

La propuesta radica en crear un modelo de alta calidad desde la Nube de cómputo que suministre de forma descentralizada algoritmos de Aprendizaje Profundo de Máquinas directamente a los dispositivos conectados.

ElectronicosOnline.com Magazine / Oswaldo Barajas

Los ingenieros de software están cada vez más cerca de llegar a la cúspide del Aprendizaje Profundo de Máquinas, y en su afán por obtener el máximo provecho de esta tecnología, proponen que la Nube sea el medio por el cual se promueva la siguiente evolución de los dispositivos móviles.

   

Hasta ahora, el progreso de la Inteligencia Artificial se ha visto impulsado principalmente por la disponibilidad de los datos y mayores potencias en las arquitecturas de procesamiento, tal y como lo demuestra la aparición de nuevos procesadores neuronales como Huawei Kirin 970 o Qualcomm Snapdragon 845 los cuales presumen de contar con algoritmos de inteligencia.

El encargado de esta nueva tendencia es el fabricante británico de arquitecturas para microprocesadores ARM Holdings, que presentó el Proyecto Trillium conformado principalmente por una estructura de Aprendizaje Automático Clásico dentro de un único nodo central (centro de datos) enriquecido con un conjunto de datos globales y una enorme cantidad de almacenamiento y poder de cómputo.

La compañía afirmó que actualmente muchos algoritmos de Aprendizaje Profundo residen en la nube, habilitados por kits de herramientas populares como Caffe y TensorFlow, así como hardware especializado que soportan procesamiento de tensores.

El Aprendizaje Automático Clásico se ha construido principalmente en un único nodo central (generalmente en un centro de datos) con acceso completo a datos globales y con mayor almacenamiento y poder de cómputo. ARM dio a conocer tres soluciones exclusivas para este ambicioso proyecto.

   

Pero este enfoque centralizado no funcionará para cosas y aplicaciones que requieren baja latencia, como volar un avión no tripulado, controlar un auto sin conductor o enviar instrucciones a un cirujano robótico. Para realizar estas delicadas tareas y otras actividades que los expertos aún no pueden anticipar, los futuros sistemas inalámbricos necesitarán tomar más decisiones en el borde de la red (más cerca de los dispositivos), de manera más rápida y confiable, incluso cuando pierdan conectividad.

Esta propuesta ha despertado un gran interés entre quienes participan en la comunidad internacional de especialistas en tecnologías basadas en Aprendizaje Automático Distribuido, un nuevo paradigma en el que los datos de capacitación que describen un problema se almacenan en un gran número de nodos que trabajan juntos para identificar una solución.

- PUBLICIDAD -

De forma general, el proyecto estudia la posibilidad de establecer una especie de datacenter que hospede una gran red de Inteligencia Artificial capaz de inyectar sobre los Smartphones conectados algoritmos que les permita procesar tareas de alta complejidad sin tantos problemas y con esto enriquecer la experiencia de usuario de las personas.

Eso significa que la IA en el dispositivo debe saber cómo desenredar y separar las predicciones de resultados muy diferentes en lugar de agruparlas en promedios como se hace en el Aprendizaje Automático Clásico.

   

“La rápida aceleración de la Inteligencia Artificial sobre los dispositivos de borde está colocando mayores requisitos de innovación para hacer frente a la computación y al mismo tiempo para mantener un rastro de eficiencia energética”, explicó en un comunicado de prensa Rene Haas, presidente del Grupo de Productos IP de ARM. “Para responder a estas necesidades, ARM anuncia su nueva plataforma ML Project Trillium. Los nuevos dispositivos requerirán un alto desempeño en ML y capacidades de Inteligencia Artificial. Combinados con un mayor grado de flexibilidad y escalabilidad, nuestra plataforma suministrará a nuestros clientes la posibilidad de poner los límites de lo que pueda ser posible en una gran variedad de dispositivos de comunicación”, agregó.

Hay claras ventajas de hacerlo de esta manera: a diferencia de la Inteligencia Artificial basada en la nube, la IA en el dispositivo debe preservar la privacidad porque los datos de capacitación no se registran en la propia nube, sino que se guardan localmente en cada dispositivo. El entrenamiento de esos sistemas también se realiza localmente y las actualizaciones se agregan y comparten con sus compañeros a través de enlaces inalámbricos o mediante servidores de red. De esta forma, todos los dispositivos tienen acceso al mismo modelo global dotado con tecnología de Aprendizaje Profundo de Máquinas.

El aprendizaje automático en el dispositivo debe optimizar el modelo que se ejecuta, es decir, ajustar el número de capas, número de neuronas y otros parámetros como el uso de energía.

   

Sin embargo, hay varios desafíos que los ingenieros y los investigadores deben resolver para llevar las capacidades del aprendizaje automático a los dispositivos de las masas. Para garantizar que se preserve la privacidad sin importar qué, los investigadores necesitan incorporar privacidad diferencial, cuyo objetivo no es revelar si se utilizó un determinado punto de datos durante el entrenamiento.

También deben incorporar técnicas como aprendizaje federado y aprendizaje de transferencia cuando los datos de capacitación sean escasos. Aquí, en lugar de aprender desde cero, los algoritmos aprenden sobre un modelo de dominio de fuente de datos enriquecido y transfieren ese conocimiento a un dominio central, como una forma para optimizar los problemas del arranque en frío.

Además, dado que los dispositivos tienen recursos limitados, este aprendizaje automático en el dispositivo debe optimizar el modelo que se ejecuta (ajustar el número de capas, el número de neuronas por capa y otros parámetros de las redes neuronales) así como el uso de energía, teniendo en cuenta la precisión de predicción y privacidad de restricciones.

- PUBLICIDAD -

Revisa también ...

Denuncian a Alexa por grabar conversaciones sin permiso

Las miradas y críticas se han vuelto hacia Amazon, firma propietaria del asistente inteligente Alexa, …

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *