El trabajo realizado por el estudiante de doctorado de Cenia, Pablo Sanabria, de la mano de Felipe Tapia, y de los investigadores Andrés Neyem, que participa como investigador asociado de Cenia, y Rodrigo Toro Icarte, investigador jóven del centro, ambos de la línea de investigación “Aprendizaje Profundo para Visión y Lenguaje” (RL1), fue publicado en la editorial científica Multidisciplinary Digital Publishing Institute (MDPI), una de las principales editoriales abierta de difusión académica (open-access). El paper fue publicado en el Special Issue “Distributed Computing Systems and Applications”, journal que se enfoca en la publicación de nuevos descubrimientos y nuevas tendencias en computación e ingeniería de software hacia sistemas distribuidos.
El artículo titulado “Solving Task Scheduling Problems in Dew Computing via Deep Reinforcement Learning”, presenta y propone el uso de un agente que utiliza técnicas de inteligencia artificial (IA) para aprender a distribuir tareas entre varios dispositivos que se encuentren conectados a través de una red local. Andrés Neyem señaló que “los resultados muestran que el agente es capaz de aprender a distribuir tareas mejor que el estado del arte”.
Andrés señala que, debido a los avances tecnológicos, el potencial de hardware de dispositivos móviles y loT es mucho mayor que hace cuatro años, y con la perspectiva de que dicho potencial irá en aumento con el paso del tiempo, se hace factible pensar en que dichos aparatos sean capaces de realizar tareas cada vez más complejas. Entre este tipo de funciones se encuentra, por ejemplo, el reconocimiento de patrones u objetos en vídeos e imágenes, cálculos matemáticos complejos, simulaciones, etc. Pero, a pesar de este potencial, dichos instrumentos tecnológicos aún tienen un par de limitantes importantes como la duración de la batería, la estabilidad y la calidad de la conexión a la red debido a la naturaleza de conexión inalámbrica que tienen estos artefactos.
Para usar estos dispositivos en sistemas distribuidos, tal como en los sistemas tradicionales, es importante contar con algoritmos de scheduling que sepan cómo y cuándo asignar una tarea (o parte de esta) a un dispositivo presente en la red. Para este tipo de dispositivos, el algoritmo de scheduling debe tener en cuenta las características únicas de los dispositivos móviles y/o IoT (batería, conectividad y su capacidad de cómputo). Actualmente, existen algoritmos de scheduling que plantean cómo resolver este problema, y en este paper se plantea usar enfoques y técnicas de IA, como el aprendizaje reforzado (reinforcement learning), para que de forma automática los algoritmos de scheduling puedan distribuir las tareas de la manera más óptima posible.
Además, el investigador destacó la importancia de publicar en una revista de alto factor de impacto WoS. “Para nosotros el ser publicados en dicha revista es un aliciente, y además, nos da luz de que los descubrimientos que estamos haciendo son relevantes para la ciencia. El hecho de que dicha revista sea del tipo Open Access nos motiva mucho, porque permite que nuestros descubrimientos puedan ser leídos y analizados por la comunidad científica de una manera más accesible”, concluye.