Sobre o Projeto

O projeto AVADiP propõe aplicações inteligentes para a indústria automobilística nacional: identificação de usuários vulneráveis ao redor dos veículos e predição da saúde da bateria e o alcance do veículo eletrificado (EV - Electrical Vehicle, HEV - Hybrid EV ou PHEV - Plugin HEV). As duas aplicações são afetadas por padrões de condução e utilizam modelos gerados por algoritmos de aprendizado de máquina (ML - Machine Learning) com aquisição distribuída de dados. Atualmente, tais dados são obtidos dos próprios veículos, possivelmente extrapolando limites de privacidade dos condutores ou passageiros. Nesse sentido, a privacidade dos dados insere um requisito fundamental para que os participantes se sintam motivados a cooperar com o bem-estar alcançado pelas aplicações. As aplicações possuem focos distintos. A primeira, identificação de usuários vulneráveis, reflete um problema nacional e reduz riscos de direção, exigindo a classificação local de imagem para redução do tempo de resposta. A segunda aplicação, por outro lado, traz benefícios econômicos na tentativa de predizer a saúde e o alcance de uma bateria, problemas também afetados por características de condução e das vias nacionais. Para isso, os dados usados para predição estarão disponíveis na nuvem computacional da montadora, sendo a aplicação tolerante a tempos de resposta maiores. As aplicações propostas neste projeto seguem modelos distintos, uma representa uma classe de aplicações com aprendizado remoto e outra com aprendizado central individualizado, sendo que a preservação da privacidade dos dados dos participantes ocorre em ambos os casos. Este objetivo é alcançado por meio do aprendizado federado (FL - Federated Learning), pois este emprega um procedimento de treinamento iterativo que usa dados individuais dos participantes como entrada. O modelo gerado por cada participante é submetido à agregação em uma entidade centralizadora que, por sua vez, retorna o modelo agregado para repetição do procedimento até a convergência do modelo ou até que algum critério de parada seja alcançado. O procedimento mantém a privacidade pois, ao invés do compartilhamento de dados, o aprendizado federado compartilha modelos treinados, caso os dados sejam particionados horizontalmente. No caso de os dados já estarem na nuvem, é previsto o treinamento individualizado em ambientes de computação confiáveis. Ao final, interfaces gráficas para uso em smartphones e na web serão entregues para as aplicações propostas. Além disso, uma aplicação adicional para compartilhamento de modelos que promovam o desenvolvimento de aplicações por terceiros sem que haja violação de privacidade será proposta. A implementação de tais aplicações seguirá a arquitetura em camadas definida no próprio projeto. Tal arquitetura, da base para o topo, é formada por camadas relacionadas à aquisição, formatação e abstração dos dados, camadas relacionadas ao treinamento federado do modelo e camadas relacionadas à abstração dos modelos de aprendizado de máquinas para as aplicações. Há ainda uma camada transversal de gerenciamento capaz de verificar quais dados estão disponíveis de forma distribuída e quais os participantes que podem oferecê-los. Este projeto foi aprovado na Chamada Pública PDI 01/2022 da Linha VI - Conectividade Veicular da FUNDEP dentro do contexto do programa Rota 2030.