Proposta de Implementação em Hardware de SVM multi-kernel para Aplicações em IoT
Luiz F. Carbonera Filho
Laboratório de Aprendizagem de Máquina e Instrumentação Inteligente, nPITI/IMD, UFRN, Natal, RN
Maria G. F. Coutinho
Laboratório de Aprendizagem de Máquina e Instrumentação Inteligente, nPITI/IMD, UFRN, Natal, RN
Marcelo A. C. Fernandes
Laboratório de Aprendizagem de Máquina e Instrumentação Inteligente, nPITI/IMD / Departamento de Engenharia de Computação e Automação, UFRN, Natal, RN
Este trabalho tem como objetivo uma proposta de implementação em Hardware de uma técnica de aprendizagem de máquina (machine learning - ML) para aplicações em internet da coisas (internet of things - IoT). A técnica em questão são as máquinas de vetores de suporte (support vector machine - SVM), no qual são algoritmos de ML eficientes na resolução de problemas de classificação e regressão. O objetivo do trabalho é desenvolver uma proposta de hardware dedicado do SVM multi-kernel e mostrar seu potencial em relação ao tempo de processamento e ao consumo energético frente a soluções associadas com sistemas embarcados em microcontroladores. O artigo apresenta uma implementação de referência do SVM em FPGA e compara resultados de tempo de processamento e consumo com outras implementações. Os resultados mostram que o SVM em hardware dedicado, implementado em FPGA, possui consumo e tempo de processamento melhores que suas versões em microcontroladores (MCU).
