Imagen ilustrativa del Internet of Things (IoT).
29 de enero de 2024. El profesor Sergio Trilles Oliver, docente del Máster en Análisis Inteligente de Datos Masivos (Big Data) y del Grado en Ingeniería Informática de la Universidad Isabel I, acaba de publicar un artículo en la revista Internet of Things sobre la detección de anomalías basada en la Inteligencia Artificial de las Cosas.
El artículo de investigación arroja luz sobre los avances y los retos que enfrenta el uso del Aprendizaje Automático en Miniatura, conocido como TinyML, en el mundo del Internet de las Cosas (IoT). En este trabajo, el profesor Trilles, en colaboración con dos investigadores internacionales, analiza cuidadosamente el tema y revela cómo esta tecnología está comenzando a cambiar la forma en que los dispositivos inteligentes, como los sensores en hogares y fábricas, pueden detectar problemas o comportamientos inusuales.
La investigación muestra que, aunque esta área es relativamente nueva, su aplicación es vital en muchos sectores, desde la fabricación hasta la salud, pasando por las ciudades inteligentes y la protección del medio ambiente. Entre los dispositivos utilizados, la Raspberry Pi (ordenador de bajo costo y tamaño compacto) destaca como una opción popular.
Principales desafíos
Uno de los mayores desafíos que plantean los investigadores se centra en crear modelos de Aprendizaje Automático que funcionen bien en dispositivos IoT, que a menudo tienen recursos limitados y enfrentan condiciones variables. “Los problemas incluyen la inestabilidad de los datos recogidos, las diferencias en la calidad del hardware y la falta de expertos en ciencia de datos en muchos equipos de proyectos IoT”, explica el profesor Trilles.
A pesar de estos desafíos previos a la investigación sobre un tema tan reciente, se ha encontrado que tanto los algoritmos de Aprendizaje Automático supervisados (que aprenden de datos etiquetados) como los no supervisados (que aprenden de datos no etiquetados) son útiles para identificar comportamientos anormales. Sin embargo, el rápido aumento en la cantidad de datos y la falta de etiquetas para esos datos son limitaciones importantes.
Herramientas especializadas de TinyML
Los investigadores recuerdan que se han desarrollado herramientas especializadas en TinyML, como TensorFlow Lite para microcontroladores y uTensor. Estas herramientas son clave para implementar modelos de aprendizaje automático en dispositivos con menos potencia.
El estudio concluye que, para aprovechar plenamente el potencial del TinyML en los dispositivos IoT, se necesitan esfuerzos combinados en áreas como programación y desarrollo de hardware. Además, se destaca la importancia de mejorar la conectividad y la capacidad de transferir tareas complejas desde dispositivos a la nube o a servidores más potentes. Con solo unos pocos estudios aplicando estos modelos en situaciones reales, hay un gran espacio para el crecimiento en la interacción entre humanos y máquinas.
El estudio del profesor Trilles Oliver se basa en un análisis exhaustivo de 18 artículos seleccionados de un total de 162, publicados entre 2021 y 2023. Esta revisión sistemática ha permitido desarrollar una comprensión más profunda de cómo se están utilizando las técnicas de ML/DL para detectar anomalías en el contexto de AIoT. Se ha utilizado la metodología PRISMA de revisión sistemática en selección de estos artículos, para mejorar la transparencia y calidad de las revisiones sistemáticas y los metaanálisis.