El proyecto europeo SEA2Learn pretende abordar la limitación de extracción de alto nivel de datos de los sensores inteligentes mediante el desarrollo de mecanismos en tiempo real y eficientes, desde el punto de vista energético, para adaptar las capacidades de inferencia de estos dispositivos con recursos limitados en función del estímulo del entorno circundante.
Los nuevos componentes electrónicos emergentes, como los procesadores de aplicaciones de muchos núcleos de alta eficiencia energética con un consumo de energía de unas pocas decenas de MW, han permitido capacidades de inferencia de alta precisión en el dispositivo, es decir, inferencia de aprendizaje profundo, para extraer información de alto nivel de los datos del sensor.
Sin embargo, esta mejora tecnológica no es suficiente para garantizar soluciones robustas adecuadas para aplicaciones industriales y de consumo. El principal problema proviene de la amplia variedad de condiciones de prueba del mundo real y, en consecuencia, la falta en el momento del diseño de datos de sensores representativos (etiquetados), necesarios para entrenar redes de inferencia deep learning. Por esta razón, el proceso de diseño de ‘capacitar una vez e implementar en todas partes’ que se usa actualmente para la inteligencia de borde ha demostrado ser débil.
Interacción de los sensores con un agente de aprendizaje
En este contexto, el proyecto SEA2Learn, liderado por la Universidad KU Leuven (Bélgica), ha propuesto una estrategia basada en colocar en el mismo bucle de entrenamiento múltiples nodos de sensores inteligentes que interactúan con un agente de aprendizaje, según la información publicada en el Servicio de Información Comunitario sobre Investigación y Desarrollo (Cordis, por sus siglas en inglés) de la Comisión Europea.
Con el método propuesto, el aprendizaje profundo aprovechará una nueva clase de métodos ligeros que pertenecen al dominio de aprendizaje continuo (CL) que operan en los datos de sensores múltiples sin etiquetar.
Gracias al marco SEA2Learn previsto, la inteligencia integrada puede adaptarse con el tiempo en función de los datos del mundo real, lo que hace que el proceso de diseño sea más sólido y entre 10 y 100 veces más rápido que en la actualidad.
La Universidad KU Leuven cuenta con dos años (septiembre de 2022-agosto de 2024) y un presupuesto de 175.920 euros, financiados íntegramente por el programa de investigación Horizon Europe de la Comisión Europea, para conseguir sus objetivos.