Apprentissage en ligne pour le edge computing

par Paul Youssef

Projet de thèse en Informatique

Sous la direction de Denis Trystram.

Thèses en préparation à l'Université Grenoble Alpes (ComUE) , dans le cadre de École doctorale mathématiques, sciences et technologies de l'information, informatique , en partenariat avec Laboratoire d'Informatique de Grenoble (laboratoire) depuis le 01-10-2019 .


  • Résumé

    Contexte et motivation : La prolifération des applications de l'Internet des objets (IoT), ainsi que l'avènement des nouvelles technologies numériques, a étendu le déploiement du 'Cloud Computing' à la frontière du réseau. Depuis le début, le 'Cloud Computing' s'est principalement concentré sur des approches centralisées, où les données sont envoyées dans le Cloud, calculées dans de grands centres de données délocalisés, puis livrés à celui qui a envoyé la demande. La technologie évolue si rapidement que nous entrons aujourd'hui dans l'ère 'post-cloud'. C'est ce que l'on appelle le edge computing. Le Big Data et l'Intelligence Artificielle génèrent un volume de données considérable, à une vitesse énorme et avec une grande variété. D'où la nécessité de prendre rapidement les décisions et les actions sur ces données. Le Edge Computing apporte de nouveaux défis pour l'IA et l'analyse de don- nées. L'énorme quantité de données générées ne peuvent pas être stockées de manière exhaustive, mais doivent plutôt être traitées en ligne de manière continue en streaming. De plus, la grande hétérogénéité de ces données amène de nouveaux problèmes qui motivent de nouvelles recherches sur l'intégration des données, l'analyse et l'apprentissage. Description du sujet : Les applications d'analyse de données basées sur les technologies BigData et IA peuvent grandement tirer parti des environnements hybrides Edge/Fog pour couvrir leurs besoins en faible latence et en caractère évolutif. En profitant de la réactivité du Edge Computing et de la localité des données, le traitement distribué aux différents niveaux du réseau est essentiel pour pouvoir traiter efficacement de nombreux cas d'utilisation. L'apprentissage est une branche active, qui consiste à utiliser des algorithmes pour tirer des leçons des données, et faire des prédictions ou prendre des mesures de manière autonome. Une des difficultés est d'établir un compromis entre ce que nous avons appris et les événements inattendus (qui sont très difficiles à prévoir). L'objectif de cette thèse est d'étudier des algorithmes efficaces pour l'apprentissage en ligne (on-line learning). Plus précisément, nous souhaitons concevoir des algorithmes permettant de prédire avec fiabilité un état stable de l'apprentissage tout en étant réactif aux événements rares. Ces algorithmes seront analysés sur le plan théorique et testés sur des cas d'études réels.

  • Titre traduit

    Online learning at the edge


  • Résumé

    Context and Motivation : The proliferation of applications of the Internet of Things (IoT), as well as the advent of new digital technologies enabling highly mobile computing have reenforced the deployment of extended Cloud Computing capabilities at the edge of the Internet. From the beginning, Cloud computing has mainly focussed centralized approaches, where data is sent to the Cloud, computed in large delocalized big data-centers and then, delivered to the one that sent the request. The technology move so fast and we are already entering in a post-Cloud era, where the Big Data and Artificial Intelligence drive data in a huge volume, velocity, and variety that decisions and actions on those data must be taken quickly, or their value will evaporate. The Edge also brings new challenges for AI and Data Analytics. The huge amount of data generated, that cannot be exhaustively stored, but rather need to be processed on-line in a streaming fashion, as well as the wide data heterogeneity, brings new issues motivating new research in data integration, analytics and learning. Description du subjet : Les applications d'analyse de données basées sur les technologies BigData et IA peuvent grandement tirer parti des environnements hybrides Edge/Fog pour couvrir leurs besoins en faible latence et en caractère évolutif. En profitant de la réactivité du Edge Computing et de la localité des données, le traitement distribué aux différents niveaux du réseau est essentiel pour pouvoir traiter efficacement de nombreux cas d'utilisation. L'apprentissage est une branche active, qui consiste à utiliser des algorithmes pour tirer des leçons des données, et faire des prédictions ou prendre des mesures de manière autonome. Une des difficultés est d'établir un compromis entre ce que nous avons appris et les événements inattendus (qui sont très difficiles à prévoir). L'objectif de cette thèse est d'étudier des algorithmes efficaces pour l'apprentissage en ligne (on-line learning). Plus précisément, nous souhaitons concevoir des algorithmes permettant de prédire avec fiabilité un état stable de l'apprentissage tout en étant réactif aux événements rares. Ces algorithmes seront analysés sur le plan théorique et testés sur des cas d'études réels.