Tendencias21

El aprendizaje profundo impulsa el Internet de las cosas

Las redes de aprendizaje profundo optimizarán la seguridad de los datos y la eficiencia energética en los dispositivos hogareños digitales conectados mediante el Internet de las cosas.

Un nuevo sistema lleva el aprendizaje profundo, una de las ramas más prometedoras de la Inteligencia Artificial, a los dispositivos del Internet de las cosas (IoT). Se trata de una innovación desarrollada por investigadores del Massachusetts Institute of Technology (MIT), que de acuerdo a una nota de prensa permitirá aplicar complejas redes neuronales en pequeños dispositivos como electrodomésticos o sensores médicos, por ejemplo.

El Internet de las cosas nació a principios de la década de 1980, casi como un juego de estudiantes universitarios que querían conectar una máquina Cola-Cola a la red para poder verificar desde sus computadoras si estaba cargada. En la actualidad se estima que existen 250 mil millones de objetos conectados a Internet, incluyendo diminutos electrodomésticos, vehículos de todas las dimensiones, artefactos de uso médico, relojes inteligentes o centros de domótica que son capaces de manejar todas las cuestiones importantes de un hogar.

En España, el uso de estos dispositivos conectados a la red crece a un ritmo bianual de alrededor del 66%, según estudios de la firma Telefónica, destacando particularmente el uso de vehículos conectados al Internet de las cosas. Sin embargo, si prácticamente todos los dispositivos y artefactos que utilizamos a diario están conectados a Internet: ¿qué seguridad existe en cuanto a los datos y la información que pueda estar disponible?

Esa ha sido una de las principales motivaciones para que un grupo de investigadores del MIT se decidiera a desarrollar un nuevo sistema de aprendizaje profundo que promete llevar el Internet de las cosas al próximo nivel, concretamente en términos de seguridad de datos y sostenibilidad ambiental. El sistema se denomina MCUNet, y está enfocado en crear redes neuronales que se adaptan a las necesidades de los dispositivos integrados a la red IoT, con máxima velocidad y precisión a pesar de las limitaciones en cuanto a memoria o potencia de procesamiento que suelen presentar estos dispositivos.

Extendiendo fronteras

Los sistemas de aprendizaje profundo hacen posible que los dispositivos informáticos “aprendan” con la práctica y la experiencia, mejorando sus procesos y funcionamiento en distintos aspectos. Esta rama de la Inteligencia Artificial se utiliza por ejemplo para seleccionar el contenido que vemos en las redes sociales en función de nuestras preferencias, o para hacer posible que los resultados de una búsqueda en Internet sean cada vez más exactos en función de las necesidades de los usuarios.

MCUNet nace para llevar esta misma lógica a los dispositivos IoT. Según sus creadores, permitirá extender la frontera del diseño de redes neuronales de aprendizaje profundo para hacerlas llegar a los pequeños microcontroladores que gestionan los artefactos conectados a Internet de las Cosas, que serán ahora energéticamente más eficientes y más seguros en cuanto a la protección de datos.

Por ejemplo, el nuevo sistema permitirá integrar capacidades inteligentes de visión por ordenador incluso en los electrodomésticos de cocina más sencillos, o habilitar sensores de movimiento más inteligentes en el campo de la domótica. En el caso de un reloj inteligente con aprendizaje automático gestionado por el nuevo sistema, el usuario no solamente recibirá datos como la presión arterial o los latidos de su corazón, sino que también dispondrá de un asistente digital para analizar y comprender esa información.

Además de estas aplicaciones en el escenario urbano, MCUNet estará en condiciones de incorporar redes de aprendizaje profundo en dispositivos IoT en vehículos y zonas rurales con acceso limitado a Internet, colaborando en la integración de áreas algo más aisladas en cuanto a la revolución digital.

Referencia

MCUNet: Tiny Deep Learning on IoT Devices. Ji Lin, Wei-Ming Chen, Yujun Lin, John Cohn, Chuang Gan and Song Han. arXiv (2020).

Foto: Sebastian Scholz en Unsplash.

Video: MIT HAN Lab.

Pablo Javier Piacente

Pablo Javier Piacente

Pablo Javier Piacente es periodista especializado en comunicación científica y tecnológica.

Hacer un comentario