IoT + ML/DL - Revisión de papers y surveys

Convergence of Edge computing and DL: Survey

Falta explorar algunos campos de aplicaciones

Cloud gaming en una arquitectura híbrida

Manejo inteligente - Advertencias de colisión u otras ayudas

Desplegar DL en dispositivos de borde

Mejorar métricas de performance - No solo guiarse por precisión

EEoI - No existe solución general que no sea para clasificación

Modificación de modelos híbridos - Coordinar diferentes técnicas como optimización, segmentación y EEoI

Coordinación entre Inferencia y entrenamiento - Reentrenamiento continuo

Arquitectura completa de borde

Procesamiento de datos en el borde - Adquirir, procesar y enviar datos + Comprimir datos

Microservicios para DL en el borde - Manejo flexible de despliegues, migraciones en vivo, orquestar recursos entre nube y borde

Entrenamiento de modelos en el borde

Paralelismo de datos vs paralelismo de modelos - Entrenar en dispositivos distribuidos y repartir carga

Datos de entrenamiento no marcados y no correctos. Clarificar la producción de datos de entrenamiento, necesidad y factibilidad

FL (Federated learning) - Son síncronos, no escalan bien en otros dispositivos en paralelo. Explorar mecanismos de entrenamiento asíncrono

Mejoras en el borde inteligente

Cuando despliegar DL y DRL dado el uso de recuros intensivos y manejo de red en tiempo real

DL en políticas de caching y optimización - Beneficios se verían opacados por incremento de consumo de ancho de banda

Cómo explorar y mejorar arquitecturas de borde optimizadas con DL

Modelos personalizados de DL facilitan su despliegue?

Cómo modificar los principios de entrenamiento para cumplir la atemporalidad de la administración de borde

Otras sugerencias

Verificar estado del arte en DL o DRL para multi-agentes o Graph Neural Networks. Permiten que cada nodo y dispositivo entrene su propia estrategia de acuerdo a sus propias observaciones imperfectas y cada agente trabaja en conjunto para optimizar el borde de la red

IoT 2.0: Concepts, Applications and Future Directions

Edge computing es la fuerza que arrastra la evolución de arquitectura

Desarrollo de modelos de ML E2E reduce la complejidad de la operación y mejora la eficiencia de la red física

Generalizar modelos de ML es cuestionable. Se construyen con datos de una o unas pocas redes. Generalizar la capa de red de los modelos es una dirección futura de investigación

Implementar ML en IoT solo provee servicios para una sola capa en la arquitectura de red

Investigar modelos de capas cruzados (cross-layer)

Eficiencia energética

IoT multi-servicios - Multiples servicios en un solo nodo

Comunicaciones de bajo consumo

Recolección de energía

Reliability

comunicación con esquemas avanzados de errores como errores polaris. Permiten corregir errores con baja complejidad computacional y latencia

Network coding - Nodos intermedios pueden codificar tráfico lo que disminuye las retransmisiones

Degradación agraciada (Graceful degradation) - Dispositivos de borde pueden permitirle adaptar dinámicas de red

Usabilidad

redes 6G permiten un mayor rendimiento. Dispositivos son más autónomos y actuan sin mucha supervisión. El uso de AI reduce la personalización e impacta la usabilidad, en especial en usuarios con preferencias especiales

Deep learning for IoT Big Data and Streaming analytics: A survey

Retos

Ausencia de datasets grandes de IoT y su privacidad

Pre-procesamiento de datos. Datos provienen de diferentes fuentes y pueden haber vacíos

Seguridad - datos y privacidad. Anonimización no es 100% efectivo.

Retos de las 6Vs en Big Data

DL para dispositivos IoT - Dispositivos con recursos limitados que tienen requisitos de computación altos

Limitantes de DL - imagen irreconocible para humanos puede ser falsamente clasificada por sistema. Aplicar capacidades de regresión en modelos

Direcciones futuras

Daatos móviles IoT - Investigar maneras efectivas de usar datos generados por moviles y, sobretodo, en el ámbito de ciudades inteligentes

Integración de contexto - fusionar diferentes datos de contexto del entorno del dispositivo IoT para acotar el espacio y mejorar la velocidad de la analítica

Aprovisionamiento de recursos online - En datos tipo stream se debe reservar un espacio en la nube y la niebla para recibir este dato

Frameworks de analítica semi-supervisada - Algoritmos son supervisados, pero la realidad es que muchos datos no están marcados. DRL

Analítica confiable de IoT - Evitar ataques maliciosos. DL para analizar logs para prevenir y mitigar ataques

Redes auto-organizadas - Configuración y mantenimiento en redes de dispositivos IoT es un reto. Modelos de DL pueden ayudar a proveer auto-gestión como optimización, curación y balanceo de cargas

Aplicaciones emergentes de IoT

UAV - análisis de imágenes en tiempo real. Gran candidato para aplicar analítica y proveer analítica computacional en la niebla y como servicios distribuidos

Realidad virtual o aumentada - Reconocimiento de actividades, objetos, seguimiento, entre otros. Educación, museos, carros inteligentes, entre otros.

Robótica móvil - Control de software inteligente que pueda percibir su entorno y tomar decisiones o ajustes. Debe proveer respuestas en tiempo real

DRL for IoT a comprehensive survey

Problema de entrenamiento de DRL

agentes de DRL deben centralizar datos, lo cual genera preocupaciones de privacidad y overhead para la comunicación

Edge computing soporta varios aspectos de entrenamiento de DRL, como diseño de algoritmos, arquitectura de red, optimización, etc.

Hardware y software optimizado para el borde. FL puede integrarse más facilmente en el borde

Problema de control MARL (Multi-agent DRL)

Dispositivos DRL distribuidos en el borde. La interacción entre agentes DRL es compleja por la falta de mecanismos de coordinación

Compartir conocimiento entre nodos acelera el proceso de entrenamiento, pero también congestiona las comunicaciones

Explorar tradeoff entre rendimiento y eficiencia en la comunicación

Diferencia entre ambientes de simulación y escenarios reales (Dado que en escenarios reales se entrena primero en ambientes simulados antes de poner en un ambiente real)

Un agente de DRL debe discernir y re-distribuir recompensas con retardo (IoT tiene retrasos por lo general)

Modelos de simulaciones de ambientes parcialmente observables deben ser no-estacionarios

Meta-learning

Altos costo de aprendizaje por ensayo-error online

Safe RL - por lo general, requiere experticia de un humano lo que no siempre está disponible. Investigar cómo extraer conocimiento del ambiente e integrar conocimiento experto en entrenamiento DRL

Entrenamiento RL distribuido - Repartir carga a muchos ambientes. Ingreso de datos o parámetros en un servidor central es inseguro. Más overhead de comunicación. Agentes "egoistas" que no contribuyen a la mejora del modelo

Mejoramiento de la eficiencia de datos (model-based DRL)

Obtener datos de entrenamiento puede ser costoso - DRL basado en modelo, que es más eficiente en datos que uno libre de modelo, aunque es más caro y complejo en computación

Entrenamiento de modelos para caracterizar entornos puede volverse impractico debido a los cambios del entorno. Explorar entornos que puedan apoyarse de DRL basado en modelos

Aprendizaje de ambientes ruidosos (parámetros en la dirección equivocada, recompensas perturbadas)

G-learning y mecanismos de tolerancia a ruido para agentes DRL están en su infancia y se pueden explorar en ambientes complejos como una red IoT