Aprendizaje máquina “glocal” y continuo para una sociedad de dispositivos inteligentes

Vivimos inmersos en una sociedad de dispositivos (móviles, tabletas, wearables, etc.) que están transformándonos a un ritmo acelerado, cambiando la forma en la que vivimos o incluso cómo interaccionamos entre nosotros. La progresiva sensorización de estos dispositivos y su conexión a redes les permite acceder a información tanto referida a su entorno local como al mundo entero. Esto abre importantes oportunidades en el desarrollo de sistemas y aplicaciones que empleen esta información en beneficio nuestro y en un número creciente de dominios: salud, ocio, educación, deporte, interacción social. Sin embargo, también hace más necesario el uso de estrategias de aprendizaje máquina que permitan hacer frente a retos importantes y que son específicos de esta sociedad de dispositivos: ingente cantidad de información, procesamiento limitado, disparidad en el hardware, ruido en los datos inherente a las condiciones no acotadas en las que se capturan, singularidades en el comportamiento de los usuarios, privacidad, etc.

En este contexto adquiere todo el sentido el concepto de aprendizaje glocal: aprendizaje y adaptación local de modelos, en el propio dispositivo, que luego se puedan seguir mejorando a nivel global, en la nube, conjuntando lo aprendido localmente. Ahora bien, si hay algo que caracteriza a esta sociedad de dispositivos es su elevada heterogeneidad y dinamismo, tanto en lo que se refiere a los usuarios como al propio hardware. Por esta razón, al aprendizaje glocal anterior hemos de sumarle la necesidad de que se lleve a cabo de forma continua, mediante un proceso cíclico de consenso global y adaptación local que pueda repetirse indefinidamente en el tiempo.

La formulación de este aprendizaje "glocal" continuo es el objetivo principal de este proyecto. El hecho de que entre el nivel local y el global se muevan únicamente modelos y no datos, permite sortear dificultades relacionadas con la transferencia y privacidad de la información que se mueve entre los dispositivos y la nube. La aparición de un aprendizaje glocal continuo permitiría empezar a construir una base de estrategias, entre las que también se incluiría el Deep Learning, con las que resolver de forma eficaz problemas complejos, y con las que se podría revolucionar el mundo de las aplicaciones basadas en sensores.

Objetivos

Los objetivos específicos del proyecto son los siguientes:

  1. Formulación de una estrategia de aprendizaje glocal, inspirada en algoritmos de consenso, que combine información local y global para alcanzar un acuerdo asintótico entre los modelos almacenados en dispositivos “vecinos”.
  2. Formulación de una estrategia de aprendizaje continuo, que permita la evolución temporal de los modelos almacenados en los dispositivos.
  3. Con el fin de mostrar los resultados alcanzados en el marco del aprendizaje glocal y continuo en dispositivos, nos proponemos desarrollar tres demostradores tecnológicos. Los demostradores se centrarán en: (a) la identificación biométrica por verificación de cara sin restricciones; (b) el uso de la forma de caminar como señal de identidad; y (c) la creación de mapas de radio para la localización Wifi en entornos interiores
  4. Difusión de los resultados mediante la publicación en revistas de alto impacto, la participación en congresos de reconocida relevancia internacional y la realización de demostraciones ante la industria.