Titulo Estágio
Learning on the edge: Edge computing + Federated Learning
Local do Estágio
DEI-FCTUC (LCT/GSI)
Enquadramento
Federated learning (também conhecido como collaborative learning) é uma técnica de Machine Learning que treina um algoritmo em vários dispositivos de perímetro (edge) descentralizados que armazenam amostras locais sem trocar dados entre eles. Essa abordagem permite que vários atores do sistema construam um modelo de ML evitando a partilha de dados, com benefícios em termos de escalabilidade, mas também ao nível da salvaguarda de privacidade dos dados.
Necessariamente, esta técnica encerra um considerável potencial no domínio do IoT industrial, onde cada vez mais o conceito de serviço de integração vertical no contexto dos operadores de telecomunicações se afirma como uma tendência em franco crescimento, em larga medida potenciada pela chegada das tecnologias 5G. Neste contexto, a existência de mecanismos de apoio/assistência ao processamento de dados ou execução de tarefas hospedados em recursos computacionais disponíveis no perímetro da rede vem proporcionar um contexto de execução privilegiado para a implementação de técnicas distribuídas de aprendizagem. Neste sentido, pretende-se explorar o potencial combinado da interseção dos domínios do IoT, ML e Edge Computing, num contexto de federated learning.
Objetivo
Para este trabalho, o estagiário deverá enquadrar-se no âmbito do esforço desenvolvido no CISUC ao nível da investigação de mecanismos de federated learning em ambientes IoT, familiarizando-se o estado da arte no contexto do domínio de investigação em causa (o que poderá ainda incluir aspetos relacionados com fiabilidade, escalabilidade, formatos de dados, orquestração de recursos). Os objetivos a atingir serão os seguintes:
•Ambientação com o estado da arte na temática dos algoritmos, técnicas e ferramentas para federated learning, que deverá culminar com a elaboração de um estado da arte sobre a temática do estágio
•Implementar e avaliar um cenário de teste IoT relevante (que poderá envolver uma implementação real e/ou recurso a componentes simulados), apoiado por um cluster com um ou mais nós de extremidade para recolha e processamento descentralizado de dados
•Implementação, validação e documentação da prova de conceito para aplicação das técnicas de federated learning no contexto do cenário/caso de uso selecionado;
•Participação na produção de documentação formal e escrita de artigos documentando os esforços desenvolvidos;
As fontes de dados a utilizar serão proporcionadas no âmbito do projeto, eventualmente recorrendo a uma abordagem híbrida num ambiente laboratorial inteiramente controlado, com um misto de equipamento IoT real e simulado.
Plano de Trabalhos - Semestre 1
-Ambientação com o estado da arte na temática dos algoritmos, técnicas e ferramentas para federated learning (3 semanas);
-Ambientação com as tecnologias de orquestração e gestão de ambientes de execução em aplicações edge (2 semanas);
-Escolha de caso de uso para cenário de IoT distribuído e ambiente de testes (1 semana);
-Implementação do ambiente de testes (3 semanas, esforço intercalado);
-Ensaios preliminares para recolha de dados e avaliação de técnicas de federated learning (2 semanas);
-Escrita de documentação, nomeadamente um artigo sobre o estado da arte e o relatório intermédio de estágio (3 semanas, esforço intercalado)
Plano de Trabalhos - Semestre 2
-Definição do plano de validação final (2 semanas);
-Refinamento da arquitetura proposta para o cenário de referência/caso de uso IoT
(total 2 semanas, esforço intercalado ao longo do semestre)
-Integração e implementação dos algoritmos e técnicas de federated learning (6 semanas)
-Validação, testes e refinamento da solução desenvolvida (4 semanas)
-Documentação final e Escrita do Relatório/Dissertação (3 semanas).
Condições
A capacidade de trabalho em equipa será essencial, dado que o candidato ficará enquadrado num laboratório. Será proporcionado um espaço de trabalho para o estagiário no CISUC, sendo que este será envolvido na dinâmica diária do funcionamento do projeto e do grupo, participando ativamente em reuniões de coordenação/acompanhamento e nos processos de analise de tomada de decisão.
Observações
A autonomia e o gosto de aprender serão cruciais para o sucesso do candidato, assim como a vontade de desenvolver conhecimentos em áreas tais como a orquestração de serviços cloud ou telecomunicações.
Orientador
Tiago Jose dos Santos Martins da Cruz (orientador) e Pedro Henriques Abreu (co-orientador)
tjcruz@dei.uc.pt 📩