«Este marco será completamente de código abierto y estará diseñado específicamente para su implementación y despliegue en Europa»
Desarrollamos un marco de programación de código abierto que permita la colaboración descentralizada y segura entre dispositivos Edge
Nuestro objetivo es desarrollar un marco de programación de código abierto que permita la colaboración descentralizada y segura entre dispositivos Edge. Para ello, utilizamos tecnologías avanzadas como aceleradores de inteligencia artificial y aprendizaje automático (FPGAs, SNNs, Quantum), así como un proceso de federación de identificadores de dispositivos que garantice su privacidad.
A pesar de la naturaleza distribuida y heterogénea de la computación en la nube, hasta el momento no se han desarrollado marcos de gestión abiertos de manera suficiente. Las soluciones actuales, como las opciones de gestión híbrida core/edge, presentan limitaciones, y no son apropiadas para despliegues privados.
La accesibilidad se vuelve un aspecto crucial, especialmente para los investigadores, quienes necesitan interfaces de usuario intuitivas tanto para la gestión de datos como para la selección y optimización de algoritmos de aprendizaje automático/inteligencia artificial. Lamentablemente, las soluciones de orquestación Edge aún no han abordado de manera adecuada este aspecto.
Integración de las infraestructuras centrales con los dispositivos inteligentes
La iniciativa OASEES se enfoca en desarrollar una solución integral que aúne tanto las infraestructuras centrales como los dispositivos inteligentes. Este enfoque permitirá aprovechar al máximo el potencial del procesamiento en los nodos Edge, superando las limitaciones de las soluciones actuales y brindando una respuesta más efectiva a las necesidades de los usuarios, especialmente en términos de accesibilidad y gestión eficiente de datos y algoritmos.
Casos de uso
- E-Health: el resultado final de este proyecto piloto será la creación de un dispositivo inteligente con la capacidad de detectar, grabar y analizar los ejercicios de los pacientes establecidos por sus terapeutas. Además, proporcionará orientación inteligente, adaptativa y personalizada sobre el ritmo y la entonación en pacientes con Parkinson.
- Energía: el piloto demostrará la capacidad de coordinar en tiempo real la gestión de flotas de vehículos eléctricos, garantizando que su recarga esté sincronizada con los excesos de producción de energías renovables en los DSOs (Operadores de Sistemas de Distribución). Estos vehículos serán eficientemente coordinados y programados mediante el SDK de OASEES y la plataforma de orquestación correspondiente.
- Infraestructuras de difícil acceso: la inspección autónoma de diversos objetos en este tipo de infraestructura (como mástiles de Telecomunicaciones) se lleva a cabo mediante drones que operan en SWARM. Estos drones utilizan una planificación dinámica de rutas optimizada a través de un procesador cuántico (QPU), que resuelve eficientemente el problema del viajante de comercio (TSP). Además, se emplean Sistemas Neuronales Naturales Simbióticos (SNNS) para realizar una detección rápida y energéticamente eficiente de objetos y patrones durante la inspección.
- Infraestructuras críticas: evaluación inteligente de la seguridad estructural de los edificios mediante dispositivos sensores instalados tanto dentro como alrededor de las estructuras para llevar a cabo una supervisión constante, recopilando datos relacionados con la integridad estructural y cualquier actividad sísmica potencial. Estos datos son procesados por el sistema Night Watch: emplea inteligencia artificial y otros algoritmos para realizar verificaciones, filtros, correcciones e interpretaciones de los datos brutos provenientes de los sensores.
- Industria 4.0: automatización robótica colaborativa. Se implementará un mecanismo de coordinación descentralizado para todos los actores involucrados en el proceso de lijado de madera. Esto abarca tanto a los sistemas robóticos, como robots industriales y colaborativos, así como a los operarios humanos.
- Energía eólica: el mantenimiento predictivo en aerogeneradores se logrará a través de la recolección de muestras acústicas mediante el BAMS (Sistema de Monitorización Acústica de las Palas de los Aerogeneradores). Este proceso permite identificar posibles fallos con el objetivo de mejorar el rendimiento y la fiabilidad en el funcionamiento de las turbinas de los aerogeneradores.
