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