Innovador modelo de ML en smartphones para monitoreo de tráfico
Un grupo de estudiantes de segundo año en Ciencias de la Computación ha marcado un hito en la innovación tecnológica al desarrollar un enfoque dinámico para el cambio de modelos de machine learning en smartphones, diseñado para el monitoreo de tráfico en tiempo real. Este notable avance ha sido reconocido con la aceptación de su trabajo en un taller que se llevará a cabo durante la Conferencia Internacional sobre Arquitectura de Software (ICSA) 2025.
Un Proyecto Que Rompe Moldes
Kriti Gupta, Ananya Halgatti, Priyanshi Gupta y Larissa Lavanya entraron al Taller de Sistemas Embebidos (ESW) con la esperanza de abordar un proyecto original. «En el semestre anterior cursamos un módulo de IoT, donde experimentamos con sensores. Queríamos explorar algo diferente esta vez», comparte Ananya. Afortunadamente, gracias a una colaboración con Qualcomm y su laboratorio EdgeAI, recibieron kits de desarrollo conocidos como Qualcomm Innovators Development (QID) Kits, que incluyen hardware, software y soporte técnico. En el laboratorio de ESW, vieron una gran oportunidad para innovar y se sumergieron en los nuevos juguetes tecnológicos. Kriti señala que su objetivo era descubrir más sobre el funcionamiento de los kits y apreciar su capacidad para facilitar transiciones eficientes.
El Proceso Detrás del Éxito
Bajo la dirección del Profesor Karthik Vaidyanathan, del grupo de Arquitectura de Software para Sostenibilidad (SA4S) en el Centro de Investigación de Ingeniería de Software, el equipo trabajó en un enfoque de cambio de modelos, es decir, la capacidad de alternar entre diferentes modelos de machine learning en dispositivos edge según las entradas que recibían. «Nuestro objetivo es mejorar la eficiencia de los sistemas de Edge ML. Lo hicimos mediante un mecanismo de auto-adaptación que selecciona el modelo adecuado en función de múltiples factores, como cantidad de solicitudes, tiempo de respuesta y consumo energético», explica Vaidyanathan. Junto a la guía del estudiante de doctorado Akhila Matathammal, este equipo desarrolló lo que denominan EdgeML Balancer, una solución para la detección de objetos en dispositivos móviles. Este enfoque fue probado en la plataforma QIDK y se evaluó con datos de tráfico en tiempo real usando smartphones.
En el Punto de Mira
Akhila destaca la diferencia clave entre su trabajo actual y proyectos anteriores, que se enfocaban en modelos desplegados en la nube. «En este caso, nos enfrentamos a un dispositivo con limitaciones de recursos. Ampliamos nuestro enfoque para incluir la sostenibilidad, considerando el consumo energético del modelo», añade. Las conclusiones se recopilaron en un artículo titulado «EdgeML Balancer: Un Enfoque Auto-Adaptativo para el Cambio Dinámico de Modelos en Dispositivos con Recursos Limitados», que será presentado en el prestigioso Taller Internacional sobre Arquitectura de Software Flexible para Sistemas Embebidos (SARECS) 2025 en Dinamarca.
La Aventura y el Reconocimiento
Aunque al principio no aspiraban a publicar su trabajo, Ananya revela que disfrutaron del proceso exploratorio. «Fue más una investigación para aprender, y el interés de cada miembro del equipo fue clave», confiesa. Kriti comparte que la experiencia tuvo sus momentos de diversión y frustración. «El QIDK era nuevo para nosotros y enfrentamos algunos retos, pero con el apoyo del equipo de Qualcomm y de compañeros experimentados, pudimos superarlos», dice.
El profesor Vaidyanathan señala que la fase de prototipado optimizó las estrategias para el smartphone Samsung Galaxy M21, usado inicialmente para las pruebas. «Ahora planeamos probarlo en el Samsung S24 Ultra y exhibirlo en la próxima Muestra de I+D en IIITH en marzo», concluye. Este esfuerzo demuestra cómo el trabajo académico puede trascender más allá de las calificaciones, y busca inspirar a más estudiantes a mirar más allá de los CGPA hacia el impacto real que pueden generar.
