Um Algoritmo de Compressão de Dados baseado em TinyML para Internet das Coisas

Abstract

Com o avanço e adoção em massa de soluções de Internet das Coisas (IoT), surgem novos desafios como transmissão e armazenamento do crescente volume de dados. Desta forma, percebe-se que quando dispositivos transmitem dados potencialmente irrelevantes ou redundantes, há um maior gasto de energia e processamento, além do uso desnecessário do canal de comunicação. Assim, soluções de compressão de dados nos próprios dispositivos (edge computing) se tornam cada vez mais atrativas, possibilitando a eliminação de amostras que teriam pouca ou nenhuma contribuição para a aplicação, reduzindo o volume de dados necessários para representar as informações. No entanto, tais dispositivos presentes hoje no mercado tem serias limitações de armazenamento e poder de processamento. A fim de circundar tais limitações, surge o campo de TinyML, que busca maneiras de implementar modelos de aprendizado de maquina em dispositivos de baixo poder computacional. Nesse contexto, o presente trabalho propõe o desenvolvimento de um novo algoritmo de compressão de dados online, não supervisionado, e automaticamente adaptável para aplicações de IoT. Para validar a proposta um estudo de caso com dados capturados de sensores veiculares foi utilizado e resultados preliminares mostram ser possível alcançar 90% de taxas de compressão, com um erro médio absoluto de 1,1 no cenário analisado.