Estudio de modelos de Machine Learning para la implementación en dispositivos embebidos de bajo consumo energético y su aplicación en sistemas industriales y de salud

El uso de aplicaciones basadas en el concepto de Internet de las Cosas viene permitiendo un crecimiento importante en el desarrollo de dispositivos conectados, los cuales vienen generando una gran cantidad de información que es transmitida a la nube y centros de procesamiento para su análisis y toma de decisiones, la información transmitida por un dispositivo conectado puede ir desde algunas decenas de kBytes hasta cientos de MBytes por día, lo cual se estima que saturará los centros de recolección de información. Es en este contexto, que algunas investigaciones vienen promoviendo que el dispositivo de recolección de información adquiera los datos y realice el procesamiento, basados en el concepto de Edge computing. Sin embargo, es necesarios considerar las características de hardware y de consumo energético de los dispositivos conectados dependiendo de la aplicación. Adicionalmente, aplicaciones como las utilizadas en bioingeniería requieren de una mayor capacidad de calculo y hardware para su procesamiento, debido a que pueden hacer uso de herramientas de Inteligencia Artificial, Machine Learning o Deep learning, es en este contexto que se viene trabajando en investigaciones que permitan realizar el procesamiento embebido de modelos de Inteligencia Artificial y Machine Learning para microcontroladores, SoC y FPGAs. Esta propuesta tiene como objetivo estudiar y diseñar modelos de machine learning en dispositivos embebidos considerando sus requerimientos materiales y energéticos para su implementación. Por lo tanto, se espera presentar la optimización de un modelo y algoritmos de machine learning para su implementación en dispositivos embebidos (microcontroladores, SoC y FPGA) tomando en cuenta los requerimientos materiales de hardware y el consumo energético con el fin de mantener una gran autonomía. Finalmente, la propuesta será validada para una aplicación con señales biomédicas y para una aplicación en el ámbito industrial.