Banca de QUALIFICAÇÃO: GABRIEL LUCAS ALBUQUERQUE MAIA SIGNORETTI

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : GABRIEL LUCAS ALBUQUERQUE MAIA SIGNORETTI
DATA : 02/10/2020
HORA: 14:00
LOCAL: Sala Remota - meet.google.com/wyc-nkai-pfp
TÍTULO:

Um algoritmo online e não supervisionado para compressão automática de dados em dispositivos de edge computing para cenários de IoT


PALAVRAS-CHAVES:

Compressão de dados,  IoT, Veículos Inteligentes, TinyML, computação de borda, aprendizado de maquina, aprendizado não supervisionado.


PÁGINAS: 45
RESUMO:

Com o avanço e adoção em massa de soluções no campo de Internet das Coisas (IoT) e cidades conectadas, o número de dispositivos e sensores conectados à rede tende a crescer exponencialmente. Nesse cenário, a transmissão e armazenamento do crescente volume de dados trazem novos desafios. Quando dispositivos transmitem dados potencialmente irrelevantes ou redundantes, há um maior gasto de energia e processamento, além do uso desnecessário do canal de comunicação. Dessa forma, soluções de compressão de dados nos próprios dispositivos de edge computing se tornam cada vez mais atrativas, possibilitando a eliminação de amostras que teriam pouca ou nenhuma contribuição para a aplicação, de forma a reduzir significativamente o volume de dados necessários para representar as informações. No entanto, tais dispositivos presentes hoje no mercado tem serias limitações de armazenamento e poder de processamento. A fim de circundar tais limitações, surge o campo de TinyML, que busca maneiras de implementar modelos de aprendizado de maquina em dispositivos de baixa potencia. Dado esse contexto, um dos setores que mais pode se beneficiar dessas novas tecnologias é a industria automobilística, pois atualmente todos os carros produzidos devem ser instrumentados com uma serie de sensores. Dessa forma, ao conectar um dispositivo edge no veiculo, é possível fazer um processamento local dos dados e transmiti-los para um servidor remoto posteriormente. Nesse contexto, o presente trabalho propõe o desenvolvimento de um novo algoritmo de compressão de dados online, não supervisionado, e automaticamente adaptável para aplicações de IoT. A proposta foi embarcada em um dispositivo edge baseado em um microcontrolador ESP atualmente disponível no mercado. O dispositivo com o algoritmo embarcado foi conectado a um carro e resultados preliminares mostram ser possível alcançar significativas taxas de compressão sem interferir no tempo de processamento das operações primarias do sistema.


MEMBROS DA BANCA:
Presidente - 2885532 - IVANOVITCH MEDEIROS DANTAS DA SILVA
Interno - 1153006 - LUIZ AFFONSO HENDERSON GUEDES DE OLIVEIRA
Externo ao Programa - 1775264 - GUSTAVO BEZERRA PAZ LEITAO
Notícia cadastrada em: 12/09/2020 18:07
SIGAA | Superintendência de Tecnologia da Informação - (84) 3342 2210 | Copyright © 2006-2024 - UFRN - sigaa11-producao.info.ufrn.br.sigaa11-producao