Treinamento no Dispositivo: Uma Primeira Visão Geral sobre Sistemas Existentes

Os recentes avanços em aprendizado de máquina (ML) e aprendizado profundo (DL) catalisaram o design e desenvolvimento de vários sistemas inteligentes em amplos domínios de aplicação. Embora a maioria dos modelos de aprendizado de máquina existentes exija grande memória e poder computacional, esforços foram feitos para implantar alguns modelos em dispositivos com recursos limitados também. A maioria dos primeiros sistemas de aplicação se concentrou em explorar as capacidades de inferência de modelos de ML e DL, onde os dados capturados de diferentes componentes de sensoriamento móveis e embarcados são processados por esses modelos para objetivos de aplicação, como classificação e segmentação. Mais recentemente, o conceito de explorar os recursos de computação móveis e embarcados para treinamento de modelos de ML/DL ganhou atenção, pois tais capacidades permitem (i) o treinamento de modelos via dados locais sem a necessidade de compartilhar dados por links sem fio, possibilitando assim a computação que preserva a privacidade por design, (ii) personalização de modelos e adaptação ao ambiente, e (iii) implantação de modelos precisos em locais remotos e de difícil acesso sem conectividade estável à Internet. Este trabalho resume e analisa a pesquisa de sistemas de ponta que permite tais capacidades de treinamento de modelos no dispositivo e fornece uma pesquisa sobre o treinamento no dispositivo sob uma perspectiva de sistemas.