Descripcion y Objetivos

Este trabajo fin de máster combina dos tecnologías emergentes. Por un lado, el aprendizaje federado que descentraliza el procesamiento de datos y utiliza dispositivos locales para compartir modelos actualizados, preservando la privacidad. Por otro, el entorno fog como una infraestructura de computación distribuida que permite realizar tareas de manera eficiente en dispositivos periféricos. El enfoque único de este proyecto radica en explorar estas tecnologías cuando se implementan sobre recursos de bajo coste, como la Raspberry Pi.
La herramienta resultante tiene diversas aplicaciones, tales como entrenar modelos de aprendizaje automático en dispositivos personales sin revelar datos sensibles en medicina, desarrollar sistemas descentralizados de reconocimiento de voz o imagen en inteligencia artificial, o crear sistemas de detección de anomalías en tiempo real en seguridad e industria. Este proyecto sienta las bases para futuros trabajos de investigación, incluyendo la optimización del rendimiento, la mejora de la seguridad y privacidad, y la integración de tecnologías emergentes como blockchain.
El despliegue de esta herramienta introduce nuevas tecnologías en los métodos de trabajo al descentralizar el procesamiento de datos y promover la colaboración en un entorno distribuido. Además, al utilizar dispositivos de bajo coste, democratiza el acceso a la tecnología y amplía su aplicabilidad a comunidades con recursos limitados.

Más concretamente, se persiguen estos objetivos parciales.

• Familiarización con los conceptos básicos de deep learning y de computación fog.
• Estudio de herramientas para desplegar entornos de aprendizaje federado.
• Despliegue de la herramienta selecciónada sobre un entorno basado en Raspberry Pis.
• Análisis de los puntos críticos del despliegue y propuestas de mejora.

 

Metodología y Competencias

Durante el desarrollo del TFM se realizarán reuniones periódicas con las tutoras, para su seguimiento.

Las competencias que se trabajan son:

CE1 - Capacidad para la integración de tecnologías, aplicaciones, servicios y sistemas propios de la Ingeniería Informática, con carácter generalista, y en contextos más amplios y multidisciplinares.

CE9 - Capacidad para diseñar y evaluar sistemas operativos y servidores, y aplicaciones y sistemas basados en computación distribuida.

CE11 - Capacidad de diseñar y desarrollar sistemas, aplicaciones y servicios informáticos en sistemas empotrados y ubicuos.

CE12 - Capacidad para aplicar métodos matemáticos, estadísticos y de inteligencia artificial para modelar, diseñar y desarrollar aplicaciones, servicios, sistemas inteligentes y sistemas basados en el conocimiento.

CE16 - Realización, presentación y defensa, una vez obtenidos todos los créditos del plan de estudios, de un ejercicio original realizado individualmente ante un tribunal universitario, consistente en un proyecto integral de Ingeniería en Informática de naturaleza profesional en el que se sinteticen las competencias adquiridas en las enseñanzas.

 

 

Medios a utilizar

PCs, raspberry Pis disponibles en el I3A.

Software de libre disposición.

 

Bibliografía

Brendan McMahan and Daniel Ramage, "Federated Learning: Collaborative Machine Learning without Centralized Training Data", 2017, disponible en https://blog.research.google/2017/04/federated-learning-collaborative.html

Abreha, H. G., Hayajneh, M., & Serhani, M. A. (2022). Federated Learning in Edge Computing: A Systematic Survey. In Sensors (Vol. 22, Issue 2). MDPI. https://doi.org/10.3390/s22020450.

Riyas Hamsath Mohammed Khan, "A  Comprehensive  study  on  Federated  Learning  frameworks", Master's thesis, University of Skovde (Suecia), 2023. Disponible en: https://www.diva-portal.org/smash/get/diva2:1799438/FULLTEXT01.pdf.

Kholod I, Yanaki E, Fomichev D, Shalugin E, Novikova E, Filippov E, Nordlund M. Open-Source Federated Learning Frameworks for IoT: A Comparative Review and Analysis. Sensors. 2021; 21(1):167. https://doi.org/10.3390/s21010167

ZHU, Wuji; GOUDARZI, Mohammad; BUYYA, Rajkumar. FLight: A Lightweight Federated Learning Framework in Edge and Fog Computing. arXiv preprint arXiv:2308.02834, 2023.

Beutel, D. J., Topal, T., Mathur, A., Qiu, X., Parcollet, T., de Gusmao, P. P. B., and Lane, N. D. Flower: A friendly federated learning framework. arXiv preprint arXiv:2007.14390, 2021.