Aprendizado de máquina profundo federado para cidades inteligentes habilitadas para Internet das Coisas

• Processo: 20/14771-2
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de dezembro de 2020
• Data de Término da vigência: 30 de setembro de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: MCTI/MC
• Pesquisador responsável: Carlos Alberto Kamienski
• Beneficiário: Fabíola Martins Campos de Oliveira Genari
• Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Vinculado ao auxílio: 15/24485-9 - Internet do futuro aplicada a cidades inteligentes, AP.TEM
• Assunto(s): Cidades inteligentes Sistemas distribuídos Computação em nuvem Qualidade de vida urbana Aprendizado computacional Aprendizagem profunda
• Palavra(s)-Chave do Pesquisador: Aprendizado profundo | Cidades Inteligentes | Sistemas Distribuídos

Resumo

Recursos da nuvem e névoa combinados com sensores e dispositivos da Internet das Coisas em cidades urbanas e fazendas podem melhorar a qualidade de vida de cidadãos e construir sociedades inteligentes através da digitalização e automação de processos atualmente manuais. Em cidades e fazendas inteligentes, sensores geralmente produzem uma vasta quantidade de dados, que necessitam de técnicas de big data e de aprendizado de máquina profundo para serem adequadamente processados, obtendo conhecimento sobre a cidade ou fazenda e melhorando a tomada de decisão. Não obstante, esses dados são geralmente produzidos em dispositivos diferentes. Considerando a infraestrutura de rede, o processamento desses dados apresenta alta latência e maior transmissão de dados. Além disso, como o processamento de redes neurais pode ser custoso quando executado em dispositivos com restrições como consumo de energia, poder computacional e memória, diferentes níveis na hierarquia da névoa podem ser considerados para oferecer melhor desempenho e não prejudicar a rede de comunicação. Assim, neste projeto, o objetivo é desenvolver um arcabouço para aprendizado de máquina profundo federado considerando os diferentes níveis da névoa para agregação de modelo em aplicações de cidades inteligentes e também verificar a viabilidade desse arcabouço em aplicações de agricultura inteligente. Modelaremos uma camada de aprendizado de máquina profundo para cada camada da arquitetura dispositivos - névoa - nuvem, de forma que cada camada execute sua porção respectiva do algoritmo de aprendizado profundo: treinamento e/ou inferência. Para este propósito, algoritmos de otimização serão executados considerando as características dos diferentes níveis da névoa e dos dispositivos. Esse arcabouço será utilizado para auxiliar pesquisas relacionadas a aprendizado de máquina profundo que serão desenvolvidas tanto pela bolsista quanto por pesquisadores da Universidade Federal do ABC e da Universidade Estadual de Campinas. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

DE OLIVEIRA, FABIOLA MARTINS CAMPOS; BITTENCOURT, LUIZ FERNANDO; KAMIENSKI, CARLOS ALBERTO; BORIN, EDSON. PANCODE: Multilevel Partitioning of Neural Networks for Constrained Internet-of-Things Devices. IEEE ACCESS, v. 11, p. 20-pg., 2023-01-01. (15/24485-9, 20/14771-2, 13/08293-7, 14/50937-1)