Avances en Aprendizaje Automático en Sistemas de Sensores: Perspectivas de las Comunidades Sensys-ML y TinyML

La integración de algoritmos de aprendizaje automático (ML) con sistemas de sensores en el borde ha transformado fundamentalmente numerosas industrias. Esta convergencia permite el procesamiento, análisis y toma de decisiones de datos en tiempo real en la periferia de la red. Este artículo investiga los últimos avances en este dominio examinando dos comunidades clave: Sensys-ML y TinyML. Mientras que Sensys-ML se concentra en optimizar ML para sistemas de sensores, TinyML prioriza el despliegue de modelos de ML en dispositivos con recursos limitados. A través de un análisis crítico de las contribuciones e interacciones de estas comunidades, este trabajo tiene como objetivo proporcionar una visión completa de metodologías de vanguardia, desafíos persistentes y direcciones futuras prometedoras para ML en el borde dentro de los sistemas de sensores. Al trazar la trayectoria de los avances en este campo, ofrecemos una reflexión crítica sobre el panorama de investigación más amplio y su alcance. Además, identificamos áreas de investigación emergentes como se refleja en foros destacados y subrayamos las lagunas de conocimiento persistentes que requieren una mayor investigación.