روند اصلی الگوریتم‌های یادگیری ماشین در چندسال گذشته استفاده از مدل‌های عظیم و با اتکا به جمع‌آوری نمونه‌های فراوان برای یادگیری و نیز منابع حجیم محاسباتی بوده است. حجم برخی از این مدل‌ها به 17 میلیارد پارامتر می‌رسد و توان مصرفی برای آموزش آن‌ها حتی می‌تواند به مصرف انرژی یک خودرو در یک سال برسد. این حجم از پیچیدگی در عین حال که نتایج شگفت‌انگیزی داشته است، کاربرد آن‌ها را در وسایل و ابزارهای با توان پردازشی کم، محدود کرده است. از جمله این وسایل می‌توان تلفن‌های همراه، حسگرهای اینترنت اشیا و نیز دوربین‌های هوشمند را نام برد. راه‌حل ناگریز موجود، اتصال این وسایل به شبکه و واگذاری وظیفه محاسبات به شبکه‌های پردازشگر ابری بوده است که مخاطراتی به همراه دارد.
از جمله این مخاطرات می‌توان به موارد زیر اشاره کرد:
قطع سرویس در صورت عدم دسترسی به اینترنت
ایجاد بار مخابراتی بالا و تحمیل هزینه مخابراتی و محاسباتی به کاربر
تأخیر در پردازش که در مواردی مثل وسایل نقلیه خودران می‌تواند خطرآفرین باشد.
تهدید حریم خصوصی که در مواردی مانند کاربرهای پزشکی می‌تواند حساس باشد.
هدف
هدف از اجرای این طرح انجام محاسبات به صورت محلی در لبه شبکه و با دقت بالا می‌باشد. در این مسیر مقالات و کارهای انجام شده بررسی و برخی از آن‌ها را شبیه‌سازی و سپس بر روی Raspberry Pi و یا سخت‌افزارهای مشابه پیاده‌سازی خواهد شد. همچنین الگوریتم‌های موجود را با نگاه تحلیلی بهبود خواهیم داد. تکنیک‌های مورد استفاده مشخصا محاسبات تقریبی تصادفی نااریب مبتنی بر کوانتیزیشن برداری تصادفی نااریب Probabilistic vector quantization unbiased و نیز Probabilistic unbiased count sketch بوده است.
ضرورت
دستاوردها
تهیه گزارش‌هایی در خصوص موضوعات ذیل:
طراحی معماری سلسله مراتبی پلتفرم اینترنت اشیا بر بستر ابر
پژوهش در حوزه شبکه‌سازی بین فعالان حوزه فناوری اطلاعات و ارتباطات سیار
ارائه خدمات با کیفیت در بستری امن با عنایت به ملاحضات امنیت
