Metodología multi-criterio de optimización de recursos en sistemas embebidos para implementación de algoritmos de clasificación supervisados

Resumen

En la actualidad, hemos visto un aumento en el uso de los sistemas embebidos debido a su flexibilidad de instalación y su capacidad de recopilar datos por medio de sensores. Estos sistemas tienen como base la combinación entre las Tecnologías de la Información y la Comunicación (TIC), el concepto de Internet of Things (IoT) y la Inteligencia Artificial (IA). Sin embargo, muchos desarrolladores e investigadores, no realizan un proceso exhaustivo sobre la veracidad de la información que busca representar el fenómeno estudiado. Se debe tener en cuenta, que los valores obtenidos por los sensores, son una aproximación del valor real, debido a la transformación de la señal de naturaleza física hacia una eléctrica. Esto ha ocasionado que la forma de almacenar dicha información esté más orientada a la cantidad que a la calidad. En consecuencia, la búsqueda de conocimiento útil a través de los sistemas embebidos, por medio de algoritmos de aprendizaje automático, se vuelve una tarea complicada. Tomando también en consideración, que el desarrollador del dispositivo electrónico, en ocasiones, no tiene un pleno conocimiento sobre el área de estudio donde va a ser empleado el sistema. La presente tesis doctoral, propone una metodología multi-criterio de optimización de recursos en sistemas embebidos para la implementación de algoritmos de clasificación empleando criterios de aprendizaje automático. Para hacer esto, se busca reducir el ruido obtenido por el porcentaje de incertidumbre ocasionado por los sensores, mediante el análisis de criterios de acondicionamiento de la señal. Además, se ha visto que, emplear un servidor externo para el almacenamiento de datos y posterior análisis de la información, influye en el tiempo de respuesta del sistema. Por esta razón, una vez cumplida la tarea de encontrar una señal depurada, se realiza un análisis de los diferentes criterios de selección de características de los datos, que permitan reducir el conjunto almacenado, para cumplir dos funciones principales. La primera, evitar la saturación de servicios computacionales con información almacenada innecesariamente. La segunda, implementar estos criterios de aprendizaje automático dentro de los propios sistemas embebidos, con el fin de que puedan tomar sus propias decisiones sin la interacción con el ser humano. Esta transformación, hace que el sistema se vuelva inteligente, ya que puede elegir información relevante y cómo puede adaptarse a su entorno de trabajo. Sin embargo, la codificación de estos modelos matemáticos que representan los algoritmos de aprendizaje automático, deben cumplir requisitos de funcionalidad, basados en la capacidad computacional disponible en un sistema embebido. Por esta razón, se presenta una nueva clasificación de sistemas embebidos, con una novedosa taxonomía de sensores, enfocados a la adquisición y análisis de datos. Concretamente, se diseña un esquema de acoplamiento de datos entre el sensor y el sistema procesador de información, que brinda una recomendación de uso del criterio de filtrado de datos, en relación con la capacidad de recursos computacionales y la forma de envío de información dentro del sistema embebido. Este proceso se valida mediante métricas de rendimiento de sensores. Por otra parte, una vez que se tenga una base de datos adecuada, se presenta una técnica de selección de los algoritmos basados en aprendizaje supervisado, que se ajuste a los requisitos de funcionalidad del sistema embebido y a su capacidad de procesar información. Específicamente, se analizan los criterios de selección de características, prototipos y reducción de dimensionalidad que se adapten a los diferentes algoritmos de clasificación para la elección de los más adecuados.