Controle habilitado por LLM para descarregamento dinâmico de módulos de IA

• Processo: 25/01185-1
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 31 de março de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Fabio Luciano Verdi
• Beneficiário: João Vitor Naves Mesa
• Instituição Sede: Centro de Ciências em Gestão e Tecnologia (CCGT). Universidade Federal de São Carlos (UFSCAR). Campus de Sorocaba. Sorocaba , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação (FEEC)
• Vinculado ao auxílio: 21/00199-8 - Redes e serviços inteligentes rumo 2030 (SMARTNESS), AP.PCPE
• Assunto(s): Inteligência artificial Robótica Tecnologias 5G Redes de computadores
• Palavra(s)-Chave do Pesquisador: Comunicação URLLC | Inteligência Artificial | Llm | Robótica | 5G | Redes de computadores

Resumo

A introdução de modelos de linguagem de grande escala (LLMs) transformou significativamente a robótica, permitindo aplicações em diversas áreas, como automação industrial e interação humano-robô. Os LLMs estão cada vez mais integrados aos sistemas de controle e planejamento robótico, desde tarefas de nível mais baixo até o planejamento de níveis mais altos. No entanto, adicionar um LLM a um loop de controle de robô, juntamente com outras cargas de trabalho de IA, como reconhecimento de imagens e cenas, aumenta o uso de recursos, a latência geral e o consumo de energia. Estratégias dinâmicas de descarregamento computacional permitem que as cargas de trabalho de IA sejam melhor distribuídas entre os dispositivos finais e diferentes localizações na rede (edge computing). Esse é um cenário que tem sido explorado em iniciativas recentes, como a AI-RAN Alliance, onde as aplicações de IA na borda aproveitam a infraestrutura RAN para otimizar seu desempenho e possibilitar novos casos de uso. Este projeto de pesquisa tem como objetivo final estender uma estrutura de descarregamento computacional dinâmico com capacidades para apoiar a distribuição dinâmica de cargas de trabalho de IA na borda e possibilitar novas aplicações críticas, como o controle baseado em LLM.