Aplicaciones basadas en aprendizaje automático (Machine learning) en plataformas de bajo consumo

Abstract

Gracias a la cantidad de dispositivos conectados a la Internet de las Cosas (IoT- Internet of Things) que recopilan, procesan y transmiten datos, y gracias al aumento de la capacidad de procesamiento de los ordenadores, se han popularizado lo que hoy en día se conoce como algoritmos de aprendizaje automático. Este tipo de algoritmos son capaces de actuar de manera autónoma a partir del conocimiento adquirido a través de los datos, siendo los más populares los algoritmos de aprendizaje profundo basados en redes neuronales artificiales. Normalmente el empleo de este tipo de algoritmos se les suele achacar a sistemas con una gran capacidad de cómputo debido a la propia naturaleza de los mismos. Sin embargo, en la actualidad se están desarrollando soluciones que permiten integrar algoritmos de aprendizaje automático en sistemas que poseen un consumo y unos tiempos de ejecución bastante reducidos. Un ejemplo de ello es la empresa francesa GreenWaves Technologies, la cual ha desarrollado un procesador de bajo consumo que permite ejecutar de forma paralela modelos de redes neuronales en los diferentes núcleos de su procesador. Esto abre las puertas a nuevas líneas de investigación para integrar la inteligencia artificial en aplicaciones de IoT. En este proyecto se pretende realizar una aplicación software capaz de reconocer dígitos escritos a mano mediante el reconocimiento de imágenes con redes neuronales. La aplicación se ejecutará sobre una tarjeta que contiene el procesador de bajo consumo desarrollado por la compañía francesa. Para la captura de las imágenes correspondientes a los dígitos, se utiliza un módulo de cámara que es adquirido junto con una placa que incorpora diversos sensores y la propia tarjeta que contiene el procesador de bajo consumo anteriormente mencionado. Para lograr este objetivo, se diseña un modelo de red neuronal convolucional para el reconocimiento de dígitos. Para ello, se hace uso de unas de las bibliotecas de código abierto en Python más famosas para el aprendizaje automático, como son TensorFlow y Keras. A continuación, se hace un estudio sobre las herramientas que incorpora el SDK (Software Development Kit) para poder trasladar el modelo de red neuronal en el código optimizado que es capaz de interpretar el procesador, para después, finalizar con el desarrollo de la aplicación final.
Abstract:
Thanks to the amount of devices connected to the Internet of Things (IoT) that collect, process and transmit data and thanks to the increase in the processing capacity of computers, what nowadays are known as machine learning algorithms has become popular. These types of algorithms are capable of acting autonomously based on the knowledge acquired through data, being the most popular deep learning algorithms based on artificial neural networks.
Normally, the use of this type of algorithms is usually attributed to systems with a large computational capacity due to their own nature. However, currently they are being developing solutions that allows the integration of machine learning algorithms in systems that have quite reduced consumption and execution times. An example of this, is the French company GreenWaves Technologies, which has developed a low-power processor that allows neural network models to be run in parallel on the different cores of its processor. This opens the doors to new lines of research to integrate artificial intelligence in IoT applications. This project aims to create a software application capable of recognize hand written digits through image recognition using neural networks. The application will run on a board that contains the low-power processor developed by the French company. To capture the images corresponding to the digits, a camera module is used and it is acquired together with a board that includes various sensors and the board itself that contains the aforementioned low-power processor. To achieve this goal, a convolutional neural network model is designed for digit recognition. To do this, one of the most famous open source Python libraries is used for machine learning, such as TensorFlow and Keras. Next, a study is made on the tools that SDK (Software Development Kit) contains, to be able to translate the neural network model into the optimized code that the processor is able to interpret, and then finish with the development of the final application.