Uma pesquisa publicada no Internet of Things Journal, e conduzida pelo professor Jeongho Kwak do Departamento de Engenharia Elétrica e Ciência da Computação da DGIST, desenvolveu um modelo de aprendizagem e tecnologia de otimização de recursos que combina precisão e eficiência para serviços de visão 6G.
Leia mais:
A expectativa é que a tecnologia analisada no estudo seja capaz de lidar com os altos níveis de poder computacional e modelos de aprendizagem complexos exigidos pelos serviços de visão 6G.
Os serviços de visão móvel 6G estão associados a tecnologias inovadoras, como a realidade aumentada e a condução autônoma de veículos; duas práticas que estão ganhando cada vez mais espaço na sociedade atualmente.
Tratam-se de serviços que permitem a captura rápida de vídeos e imagens e a compreensão eficiente de seu conteúdo por meio de modelos baseados em aprendizagem profunda.
O problema é que essas tarefas necessitam de processadores de alto desempenho (GPUs) e modelos de aprendizagem precisos. As tecnologias anteriores tratavam os modelos de aprendizagem e os recursos de computação/rede como entidades separadas, o que causava uma falha na hora de otimizar o desempenho e a utilização dos recursos dos dispositivos móveis.
A equipe do professor Jeongho Kwak conduziu a pesquisa visando resolver esse problema, se concentrando na otimização simultânea de modelos de aprendizagem e recursos de computação/rede em tempo real.
Estudo levou a desenvolvimento de um novo modelo de aprendizagem
- Os pesquisadores criaram uma proposta que leva em conta um novo modelo de aprendizagem integrado e algoritmo de otimização de computação/rede, o VisionScaling.
- Esse modelo seria capaz de reduzir o consumo de energia em pelo menos 30%, e ainda manter a precisão média em comparação com as tecnologias atuais, sem comprometer a precisão média do alvo ou atrasar as tarefas.
- O VisionScaling usa um algoritmo desenvolvido pela equipe do professor Kwaks que se adapta a ambientes móveis em constante mudança para manter o desempenho ideal.
- O modelo consegue se adaptar mesmo sem conhecimento prévio das condições futuras, por meio do uso de Otimização Convexa Online (OCO), uma das mais recentes técnicas de aprendizagem.
A equipe de pesquisadores implementou e testou o ambiente de serviço de visão móvel do mundo real usando dispositivos de IA incorporados e plataformas de computação de ponta conectadas.
Os testes puderam confirmar que o algoritmo do VisionScaling economiza 30% mais energia em dispositivos móveis, e melhora a latência ponta a ponta em 39% em comparação com algoritmos usados anteriormente.
“O estudo satisfaz tanto a contribuição prática da implementação e verificação do desempenho em ambientes móveis em mudança irregular quanto a contribuição matemática da utilização de otimização dinâmica e técnicas de aprendizagem para provar o desempenho ideal”, afirmou o professor Kwak.
“É uma pesquisa significativa porque fornece uma base técnica para serviços móveis baseados em aprendizagem profunda, exigindo maiores recursos de memória/computação no futuro”, concluiu.
