Utilizando Computação Osmótica Para Distribuição de Modelos de Deep Learning
Soluções que utilizam computação na borda tem se beneficiado com as baixas latências provenientes do processamento em servidores muito próximos ou até mesmo no dispositivo de borda, enquanto soluções que utilizam computação em nuvem tiram vantagem do grande poder computacional centralizado. Uma área de destaque que utiliza tanto computação em nuvem quanto computação na borda são aplicações que utilizam modelos de deep learning. Nesse sentido, por mais que a computação na borda consiga prover um tempo de resposta muito baixo, normalmente os dispositivos possuem recursos computacionais muito limitados, já a computação em nuvem provê um grande poder computacional mas acaba sofrendo com as grandes latências de acesso. Como muitas dessas aplicações que utilizam deep learning não podem tolerar a uma dessas restrições, elas acabam ficando com a escalabilidade prejudicada ao escolher o foco em Edge ou Cloud ou mesmo escolher um modelo de distribuição fixo. Nesse contexto, a computação osmótica surge como uma alternativa para utilizar tanto a camada de nuvem quanto a camada de borda, propiciando um melhor uso dos recursos. Nesse sentido, este trabalho propõe um modelo de distribuição de modelos de deep learning utilizando a computação osmótica através da plataforma SAPPARCHI. este trabalho: (i) apresenta uma solução que utiliza um modelo de deep learning, (ii) propõe uma solução utilizando a SAPPARCHI e outra utilizando uma solução baseada em microsserviços, (iii) avalia o desempenho e escalabilidade das duas soluções.