Planification et apprentissage pour AI-Edge Computing
Les nouvelles générations de réseaux d’accès mobiles promettent une communication haut débit, des délais restreints et des capacités de traitement offertes par le réseau lui même. Les données générées par l’IoT (vidéo par exemple) ou les smartphones des utilisateurs alimenteront les applications IA exécutées au niveau de serveurs périphériques (edge/fog). PARFAIT s’attaque aux nouveaux problèmes d’allocation des ressources pour des applications relevant de l’IA et composées de microservices containairisés. Cette allocation pose des problèmes majeurs car elle se doit d’être désormais orchestrée de manière distribuée alors que l’empreinte des applications IA modernes dotées de capacités d’apprentissage, reste inconnue. Le projet PARFAIT développe des bases théoriques pour une allocation efficace de ressources distribués et évolutives sur des infrastructures IT de pointe effectuant des traitement IA. Des solutions algorithmiques seront développées en se basant sur la théorie des processus de décision de Markov avec contraintes et distribués afin d’orchestrer le placement des services et l’allocation des resources et de quantifier l’effet des politiques d’orchestration. En outre, en formalisant notre problème sous le prisme de la théorie des jeux en équipe, le projet ouvrira la voie à une orchestration décentralisée, un élément manquant pour répondre au besoin de proximité des données et des applications ainsi qu’aux problèmes de synchronisation survenant lorsque plusieurs orchestrateurs coopèrent en prenant des décisions basées sur une vision locale ou partielle du système. En outre, afin d’obtenir une orchestration efficace et à la volée des services (edge), ces solutions seront dotées de techniques d’apprentissage par renforcement afin de définir un ensemble d’algorithmes d’orchestration capables de s’adapter au fil du temps à la charge des applications et de faire face à des informations incertaines en ce qui concernent les empreintes des applications IA. La validation sera effectuée dans l’optique de démontrer des solutions concrètes pour des cas pratiques d’utilisation d’orchestration, en tirant partie de simulation à large échelle et des testbeds de recherche.
Partenaires :
- LIA
- INRIA
- CNAM
- USMB
Période : 2022 – 2026
Page ANR: https://anr.fr/Projet-ANR-21-CE25-0013