Beatriz Sanz Baños Barcelona, Singapur y Ámsterdam: ciudades sostenibles gracias a Internet of Things Gracias a la tecnología IoT podemos concebir ciudades cada vez más sostenibles e inteligentes. Mediante la instalación de dispositivos IoT en distintos puntos de la ciudad, que se comunican entre ellos y recopilan datos de la...
Beatriz Sanz Baños Dormir a tu bebé nunca fue tan fácil Internet of Things ha demostrado ser muy útil para mejorar la vida de la gente en ámbitos como la salud y el descanso personal. La aplicación de esta tecnología...
Beatriz Sanz Baños El horizonte IoT en datos El ahorro energético y en costes productivos, la gran cantidad de dispositivos conectados existentes, la inversión en esta tecnología o la disminución de accidentes de tráfico son algunas de las cifras que...
María Cascajo Sastre Seguridad vial e IoT La movilidad es uno de los factores claves a tener en cuenta para mejorar el funcionamiento de las ciudades, aunque sea por el hecho de que cada día millones de ciudadanos...
Redes neuronales en dispositivos IoTPaloma Recuero de los Santos 18 febrero, 2021 ¿Cómo podemos dotar de inteligencia a nuestros dispositivos IoT? Funciones como reconocimiento facial 3D, control por voz, detección de piezas defectuosas, falsificaciones etc son aplicaciones que requieren CPUs potentes con GPUs igualmente potentes para ejecutar predicciones en redes neuronales profundas. Si a esto le sumamos la necesidad de ejecutar estas funciones de forma offline, sin acceder a potentes servidores en la nube, comprenderemos la importancia de investigar sobre nuevas redes neuronales capaces de funcionar en microcontroladores (MCU) con poca RAM. Para comprenderlo mejor, basta un pequeño cálculo. En un ordenador normal, la RAM se calcula en gigabytes, mientras que, por ejemplo, un chip microcontrolador Atmega328 tiene una RAM del orden de 1-2KB. Figura 1: Microcontrolador ATmega328P-PU (Fuente) LogNNet Andrei Velichko, de la Universidad Estatal de Petrozavodsk (Rusia), ha creado una nueva arquitectura de red neuronal LogNNet, que utiliza filtros caóticos deterministas para las señales de entrada. El sistema mezcla aleatoriamente la información de entrada, pero al mismo tiempo extrae datos valiosos de la información que no son visibles inicialmente. Es un mecanismo similar a que usan las redes neuronales tipo reservorio (“reservoir computing“). Reservoir computing Un “reservorio” representa un conjunto de unidades conectadas de forma recurrente que se conectan de forma aleatoria. La computación de reservorio utiliza una red neuronal recurrente (RNN) pero, en lugar de actualizar todos los parámetros de la red, sólo lo hace con algunos de ellos, manteniendo los demás fijos tras elegirlos aleatoriamente. Esto permite utilizar algoritmos de aprendizaje mucho más rápidos De la misma forma, en la arquitectura LogNNet, el procesador reduce considerablemente el consumo de memoria al calcular secuencialmente los coeficientes de peso necesarios durante el funcionamiento de la red, utilizando para ello la ecuación analítica del mapeo logístico. De esta manera, se introduce el factor “caos”. (La aplicación o ecuación logística se utiliza habitualmente en biología de poblaciones y es un ejemplo típico de ecuación simple a partir de la cual calcular una secuencia de valores caóticos.) Resultados experimentales Para poner a prueba su red neuronal, Velichko utilizó un dataset clásico para el entrenamiento de redes neuronales en reconocimiento de imágenes: MNIST. La base de datos, con más de 70.000 dígitos escritos a mano, se particionó en un conjunto de entrenamiento con 60.000 dígitos, y otro de prueba de 10.000. La precisión de los resultados mejoraba cuanto más neuronas y más caos tenía la red, llegando a una precisión máxima de un 96,3%, con un consumo de no más de 29 KB de RAM. Lognet demostró resultados prometedores utilizando tamaños de RAM aún más pequeños, del orden de 1-2kB. Por lo tanto, esta red puede utilizarse en implementaciones de inteligencia artificial basadas en dispositivos con limitaciones de memoria , que son la base de la inteligencia ambiental en los entornos IoT. Y no sólo esto. Desde una perspectiva de investigación, LogNNet puede contribuir a la comprensión de la influencia del caos en el comportamiento de las redes neuronales de tipo reservoir. Ejemplos de aplicación que ya son una realidad En la feria Embeded World 2019 ya se presentaron algunas iniciativas basadas en la ejecución de redes neuronales profundas en microprocesadores con interesantes aplicaciones prácticas. En una de las demostraciones se vio cómo predecir el fallo de motores en electrodomésticos como lavadoras, frigoríficos y aparatos de aire acondicionado mediante una placa con un microcontrolador (MCU) RX66T, que utiliza dos entradas de sensores que recogían: La vibración del motor, medida con un acelerómetro. Y su consumo eléctrico. Cuando los rodamientos se desgastan, la fricción del tambor giratorio es mayor, por tanto, el motor consume más corriente. Otros posibles predictores de avería son una vibración demasiado fuerte, o ruidos extraños y fuertes procedentes del motor. Al embeber redes neuronales en los sensores, éstos son capaces de identificar comportamientos anómalos como probables precursores de averías, y generar alertas de mantenimiento antes de que éstas lleguen a producirse. Como vemos, el mantenimiento predictivo es una de las aplicaciones más interesantes que puede tener la incorporación de inteligencia a los dispositivos. Pero es fácil darse cuenta del universo de oportunidades que abre al desarrollo de aplicaciones IoT va mucho más allá. ¿Cómo lo aplicarías tú? Referencias: Neural Network for Low-Memory IoT Devices and MNIST Image Recognition Using Kernels Based on Logistic MapRunning Neural Networks on MicrocontrollersRecent advances in physical reservoir computing: A reviewEl «reservoir computing» para sensores multitarea Para mantenerte al día con el área de Internet of Things de Telefónica visita nuestra página web o síguenos en Twitter, LinkedIn y YouTube. Planificando la ubicación de un site de retail con los datosUn gemelo digital para salvar el Mar Menor
Paloma Recuero de los Santos Florence Nightingale, pionera en el uso de datos para la salud Florence Nightingale es conocida por sentar las bases de la profesionalización de la enfermería. Sin embargo, mucha gente desconoce que fue su trabajo visionario en el campo de la...
Bernardo Campillo Soto Artificial Intelligence of Things, o cómo las cosas planean hacernos la vida más sencilla Al igual que en aquel cuento de los hermanos Grimm dos duendecillos se aliaron para ayudar al zapatero a tener una vida mejor, la inteligencia artificial y las tecnologías...
María Teresa Nieto Galán ¿Sería posible recuperar tus claves en blockchain sin frustrarte en el intento? Probablemente habrás leído o escuchado de gente que invirtieron en Bitcoin hace años y ahora no pueden recuperarlos. Te preguntarás ¿por qué sucede esto? ¿es que acaso la gente...
Alicia Martín Domingos Cómo optimizar la gestión de stock y almacenes ¿Alguna vez has visto cómo llega la mercancía a los almacenes de una tienda? Hace años, un operario descargaba la mercancía y con un listado en papel iba revisando...
LUCA La teoría Gestalt en Gobierno del Dato Al igual que un dato por si sólo no vale nada si no se le dota de información, conocimiento y se usa para un propósito, “Gobernar el dato por...
Paloma Recuero de los Santos Un gemelo digital para salvar el Mar Menor El Mar Menor, la mayor laguna salada de Europa sufre una gran degradación debida a distintos factores socioambientales. El proyecto Smartlagoon, finaciado por la Comisión Europea, inicia su andadura...