Investigadores de la Universidad de Illinois han desarrollado GEARnn, un innovador método para entrenar redes neuronales en dispositivos de borde, superando desafíos significativos en el entrenamiento robusto de estas redes sin recurrir al uso de servicios en la nube. Este método aborda una de las principales debilidades de los modelos de aprendizaje profundo actuales: su vulnerabilidad ante datos fuera de distribución (OOD) y la gran cantidad de recursos que consumen.
GEARnn emplea dos técnicas esenciales: el Crecimiento de Un Disparo (OSG) y la Eficiente Aumento Robusto (ERA). OSG permite que la red inicial crezca desde un núcleo simple hacia un modelo más complejo pero manejable, adecuado para las restricciones de memoria de los dispositivos de borde. Mientras tanto, ERA utiliza datos limpios para crear un conjunto de datos aumentados que contribuyen a la robustez del modelo ante perturbaciones comunes y naturales.
En pruebas realizadas con el dispositivo NVIDIA Jetson Xavier NX, GEARnn demostró ser capaz de manejar el entrenamiento de modelos tales como VGG-19 y MobileNet, reduciendo significativamente el tiempo de entrenamiento y el consumo de energía. En promedio, se logró una reducción de hasta 3.5 veces en el tiempo y esfuerzo energético comparado con métodos tradicionales, sin sacrificar la precisión o robustez del modelo.
Una de las innovaciones de GEARnn es su enfoque en un entrenamiento total en el borde, eliminando la necesidad de enviar datos a la nube. Esto no solo reduce los costos de energía y latencia, sino también mitiga preocupaciones de privacidad al mantener los datos locales.
OsGA, la metodología empleada, mostró ser efectiva para crear modelos que no solo son eficientes en términos energéticos sino también altamente precisos. En comparación con métodos anteriores, GEARnn logró una precisión robusta del 83.77% frente al 85.73% de modelos entrenados de manera tradicional, pero con una notable reducción en el consumo energético.
El éxito de este enfoque podría transformar cómo se implementan funciones de inteligencia artificial en dispositivos de borde, abriendo la puerta a aplicaciones más sostenibles y seguras, especialmente en áreas críticas como la conducción autónoma y la robótica de campo. Aunque tiene limitaciones, como la necesidad de más análisis teóricos sobre su convergencia, GEARnn representa un avance significativo en la eficiencia del entrenamiento robusto en dispositivos limitados por recursos energéticos.