La forma en la que las computadoras pueden comprender y procesar información visual, ha revolucionado a lo largo del tiempo gracias a poderosas herramientas como las redes neuronales convolucionales (CNN, por sus siglas en inglés).

Y es que las CNN, son un conjunto de redes artificiales inspiradas en el funcionamiento del cerebro humano y diseñadas fundamentalmente para reconocer y procesar datos provenientes de imágenes, mediante el reconocimiento de patrones. Estas redes, realizan operaciones donde se filtran, activan y agrupan datos, de tal manera que en este paso final, se organice la información relevante en conjuntos de similitud.

En la vida diaria, podemos encontrar a las CNN en situaciones tales como: clasificación y reconocimiento de imágenes, detección y localización de objetos, reconocimiento y análisis facial, optimización agrícola y análisis de cultivos, reconocimiento de voz y procesamiento de audio, entre otros.

Sin embargo, así como cuando se construye una casa, las CNN poseen su propia arquitectura, la cual consiste en capas de filtrado, agrupación y conexión cuya función es obtener patrones característicos de la información analizada y aprender de estos.

Wilmar Hernández, docente investigador de la Universidad de Las Américas, colabora en un estudio que se encuentra a la vanguardia de estas tecnologías; y compara las arquitecturas de CNN más representativas en dispositivos Edge emergentes, algunos de los cuales, tienen aceleradores de hardware.

¿Qué implica esto?

En palabras simples, los aceleradores de hardware, son procesos mediante los cuales ciertas aplicaciones realizan tareas en otros componentes del sistema, para brindar asistencia al procesador principal del computador (CPU) y aumentar la eficiencia y rendimiento de la computadora. En ese sentido, los dispositivos Edge emergentes, que son el punto final de la red o interfaz entre el centro de datos y el mundo real, permiten el análisis de datos en el mismo lugar en el cual el usuario está ubicado físicamente, facilitando y haciendo más eficiente el procesamiento de datos.

Contribuciones de la investigación:

Los principales aportes del estudio publicado en la revista de alto impacto IEEE Internet of Things Journal son las siguientes:

• Se presenta una metodología novedosa para
  comparar dispositivos Edge y modelos ML (machine-learning models) utilizando el
  aprendizaje por transferencia y considerando optimizaciones en hardware y
  software.
• Se examina una vista de extremo a extremo de los
  modelos de ML que se implementarán en Edge para realizar inferencias, centradas
  en el entrenamiento, el ajuste y las optimizaciones de los modelos de ML para
  entornos con restricciones de hardware.
• Se demuestran los resultados comparativos de los
  modelos de aprendizaje automático que se ejecutan en dispositivos Edge, los
  cuales son entrenados utilizando datos de sensores.

El aporte en general, está en intentar contribuir en el desarrollo de dispositivos IoT, mediante la comparación modelos de ML con pesos previamente entrenados y que luego se ajusten para ser probados en dispositivos Edge.

Accede al artículo completo y descubre las novedades más recientes en este campo: https://ieeexplore.ieee.org/document/10444008