Defensa de la tesis de Halima Bouzidi

Resumen

Las redes neuronales (NN) se han convertido en una fuerza dominante en el mundo de la tecnología. Inspiradas en el cerebro humano, su complejo diseño les permite aprender patrones, tomar decisiones e incluso predecir escenarios futuros con una precisión impresionante. Las RN están ampliamente implantadas en los sistemas de la Internet de las Cosas (IoT), mejorando aún más las capacidades de los dispositivos interconectados al darles la posibilidad de aprender y autoadaptarse en un contexto de tiempo real. Sin embargo, la proliferación de datos producidos por los sensores IoT dificulta su envío a un centro en la nube para su procesamiento. En consecuencia, procesar los datos más cerca de su origen, en Edge, permite tomar decisiones en tiempo real, reduciendo la congestión de la red.

La integración de las RNs con el Edge en los sistemas IoT permite soluciones más eficientes y con mayor capacidad de respuesta, dando paso a una nueva era de Edge AI. Sin embargo, el despliegue de las RN en plataformas de hardware con recursos presenta multitud de retos. (i) La complejidad inherente a las arquitecturas de las RN, que requieren importantes capacidades de computación y memoria. (ii) El limitado presupuesto energético que caracteriza a los dispositivos de hardware Edge, que hace imposible soportar RN complejas, reduciendo drásticamente el tiempo de actividad del sistema. (iii) El reto de garantizar la armonía entre el diseño de las RN y el de los dispositivos de hardware. (iv) La falta de adaptabilidad al entorno dinámico de ejecución y a las complejidades de los datos a procesar.

Para paliar estos problemas, esta tesis pretende establecer métodos innovadores que amplíen los marcos tradicionales de diseño de RNs (NAS for Neural Architecture Search) integrando las características contextuales del hardware y del entorno de ejecución. Nuestros métodos ayudan a contribuir a la realización de un marco de diseño integral para NR en dispositivos hardware Edge. Como resultado, nos permiten aprovechar varias vías de optimización a nivel de software y hardware, mejorando el rendimiento y la eficiencia de la IA Edge.

Diseño de arquitecturas neuronales en dispositivos Edge.

Palabras clave

Búsqueda de arquitectura neuronal basada en hardware, inferencia dinámica, DVFS, Edge AI, predicción de rendimiento, cooptimización HW/SW.

Composición del jurado

Prof. Tulika Mitra, Profesora, Universidad Nacional de Singapur, NUS - Ponente
. Prof. Olivier Sentieys, Profesor, IRISA, Universidad de Rennes - Ponente
. Dr. Nicolas Ventroux, Thales Research & Technology (TRT) - Examinador
Prof. Clarisse Dhaenens, Profesora, Thales Research & Technology (TRT) - Ponente Prof. Clarisse Dhaenens, Directora del laboratorio CRiSTAL, Universidad de Lille - Examinador
Prof. Smail Niar, LAMIH, Profesor, UPHF/INSA, Director de tesis
. Prof. El-Ghazali Talbi, Professeur, Laboratoire CRiSTAL, Université de Lille, Co-Encadrant
. Prof. Abdessamad Ait El Cadi, Catedrático, LAMIH, UPHF/INSA, Invitado