o presente projeto tem como objetivo o desenvolvimento de uma prova de conceito de um sistema com arquitetura de edge computing, de modo a permitir a implementação de um sistema com inteligência artificial sem sobrecarregar o servidor central. O projeto traz um enfoque em cada uma das camadas da arquitetura, tendo como principais objetivos a implementação de:
- Treinamento e fine tuning de modelos robustos de deep learning em computadores de alta performance;
- Sistemas de inferência para modelos de inteligência artificial em dispositivos embarcados;
- Nós para enfileiramento e pré-processamento dos dados enviados pelos dispositivos embarcados;
- Arquitetura de servidores em nuvem, capazes de armazenar os dados recebidos em bancos de dados de alta performance e alimentar sistemas de business intelligence/dashboards;
- Uma proposta simplificada de dashboard para visualização dos dados coletados.
Exemplos de aplicação
- Monitoramento de Tráfego Inteligente: Em cidades inteligentes, sistemas de câmeras e sensores instalados em semáforos e cruzamentos podem processar dados em tempo real para otimizar os fluxos de tráfego. Ao analisar as imagens e os dados de tráfego localmente, o sistema pode ajustar os sinais de trânsito em tempo real para reduzir congestionamentos e melhorar a segurança viária;
- Assistência Médica Remota: Dispositivos de edge computing podem ser usados em monitoramento remoto de pacientes, permitindo a análise de dados de saúde em tempo real, como sinais vitais. Isso possibilita uma resposta mais rápida em situações críticas e reduz a carga nos sistemas de saúde centralizados.
RECURSOS DE INFRAESTRUTURA OBRIGATÓRIOS:
Para a execução da prova de conceito proposta, são necessários recursos de hardware, software e dados. Os recursos de hardware necessários são:
- Computadores de alta performance e alta capacidade de memória de vídeo para treinamento de modelos de deep learning;
- Dispositivos embarcados com SoC com microarquitetura compatível com microprocessadores (e.g. raspberry pi);
- Dispositivos embarcados com microcontroladores com alta restrição de desempenho; e
- Sensores para aferição dos dados relevantes (e.g. câmeras para visão computacional, microfones para reconhecimento de fala).
Os recursos de software necessários são:
- Sistema de servidores em nuvem (e.g. Microsoft Azure, AWS, GCP);
- Bibliotecas para treinamento de modelos de inteligência artificial (e.g. Torch);
- Bibliotecas para inferência de modelos de inteligência artificial compatíveis com dispositivos embarcados (e.g. TinyML);
- Sistema de banco de dados NoSQL compatível com objetos mutáveis (e.g. MongoDB);
- Sistema para orquestração de nós de processamento de dispositivos em borda de forma escalável (e.g. KubeEdge);
- Sistema para processamento de eventos complexos com alto throughput (e.g. Apache Nifi, Apache Kafka, Redis); e
- Ferramenta para construção de dashboards (e.g. Kibana, Grafana)
Os recursos de dados necessários são:
- Dataset previamente processado e limpo para treinamento/fine tuning dos modelos de inteligência artificial que serão implementados na borda.
FINALIZAÇÃO E ENTREGA DO PROJETO:
Todos os protótipos gerados durante o projeto são entregues ao final da 10° semana.
