Aplicación de Inteligencia Artificial sobre infraestructuras IoT para automatizar y optimizar los procesos de agricultura intensiva en invernaderos
- Autores: Juan Morales García
- Directores de la Tesis: Andrés Bueno Crespo (dir. tes.), José María Cecilia Canales (dir. tes.)
- Lectura: En la Universidad Católica San Antonio de Murcia ( España ) en 2023
- Idioma: español
- Tribunal Calificador de la Tesis: Andrés Muñoz Ortega (presid.), Antonio Llanes Castro (secret.), José Santa Lozano (voc.)
- Programa de doctorado: Programa de Doctorado en Tecnologías de la Computación e Ingeniería Ambiental por la Universidad Católica San Antonio
- Materias:
- Enlaces
- Tesis en acceso abierto en: TESEO
- Resumen
- español
La agenda de desarrollo sostenible (Sustainable Development Goals, SDG) de las Naciones Unidas establece una serie de objetivos con el fin de erradicar la pobreza, proteger el planeta y asegurar la prosperidad de sus ciudadanos. Entre estos objetivos se destacan: (6) ¿Garantizar la disponibilidad y la gestión sostenible del agua y el saneamiento para todos¿, (13) ¿Adoptar medidas urgentes para combatir el cambio climático y sus efectos¿ y (15) ¿Proteger, restaurar y promover el uso sostenible de los ecosistemas terrestres, gestionar de forma sostenible los bosques, luchar contra la desertización, detener e invertir la degradación del suelo y frenar la pérdida de biodiversidad¿. Los procesos industriales y, en concreto, los procesos de agricultura intensiva, son una de las principales amenazas para cumplir con los SDGs. Sin embargo, los avances tecnológicos en materias como la Inteligencia Artificial (Artificial Intelligence, AI), la Computación de Alto Rendimiento (High Performance Computing, HPC) o el Internet de las Cosas (Internet of Things, IoT) permiten aumentar la productividad de estos procesos reduciendo su impacto medioambiental y ecosistémico. La investigación desarrollada en la presente tesis doctoral pretende establecer un marco de trabajo donde aprovechar los avances tecnológicos desarrollados en estas disciplinas, es decir, AI, HPC e IoT, para optimizar y reducir el impacto de los procesos industriales más agresivos para el medioambiente. En concreto, esta tesis doctoral se desarrollará en el contexto de agricultura intensiva en invernaderos, un sector de un gran valor estratégico, comercial e incluso humanitario para garantizar el acceso a los alimentos a toda la humanidad, centrándose en tres puntos clave: (1) la generación de técnicas de AI de bajo consumo que puedan ser ejecutados en plataformas con reducidas capacidades de cómputo, tales como dispositivos IoT; (2) la creación de una infraestructura que permite entrenar, desplegar y predecir con técnicas de AI que requieren de grandes capacidades de cómputo en pequeños dispositivos IoT gracias a protocolos de comunicación en tiempo real como MQTT; y (3) el aumento de las capacidades de cómputo y la eficiencia energética de los dispositivos IoT gracias a la virtualización de GPUs remotas mediante rCUDA. Los principales resultados obtenidos en relación a lo expuesto anteriormente demuestran que (1) la intersección entre la AI, HPC e IoT es todavía muy incipiente. Las cargas de cómputo del aprendizaje máquina son cada vez más altas y se diverge cada vez más de los recursos computacionales disponibles en los dispositivos de cómputo más cercanos a la captura de datos, es decir, los dispositivos de Edge Computing. Estas plataformas no son computacionalmente capaces de desarrollar parte de las tareas más exigentes (como, por ejemplo, el entrenamiento de técnicas de AI), limitando el éxito de su aplicación; (2) se puede crear una infraestructura auxiliar que permita desarrollar predicciones en tiempo real en dispositivos IoT, aunque el intercambio de información entre los distintos nodos de la infraestructura conlleva una latencia asumible puesto que es muy reducida; y (3) es posible ampliar las capacidades computacionales y la eficiencia energética de los dispositivos IoT mediante el uso de técnicas de virtualización de GPUs remotas. Estas técnicas aumentan notablemente la eficiencia energética de estos dispositivos ya que se delega las operaciones de mayor carga computacional a los servidores remotos de cómputo. Si bien es cierto, el consumo total de la infraestructura aumenta notablemente a causa del gasto en comunicaciones entre los dispositivos edge y cloud. Para finalizar, destacar que la presente tesis se ha desarrollado en el proyecto retos-colaboración ¿Desarrollo de infraestructuras IoT de altas prestaciones contra el cambio climático basadas en inteligencia artificial¿ (GLOBALoT) con referencia RTC2019-007159-5, financiado por el Ministerio de Ciencia e Innovación / Agencia Estatal de Investigación, que tiene un marcado carácter tecnológico y, por tanto, se ha transferido el conocimiento obtenido, desarrollando un prototipo funcional en TRL 3-4 que ha sido desplegado en un entorno real de invernadero ofrecido por uno de los socios del proyecto, la empresa NUTRICONTROL. Los resultados obtenidos muestran un claro interés por esta tecnología, sentando las bases para automatizar y optimizar procesos mediante la Inteligencia Artificial de las Cosas (Artificial Intelligence of Things, AIoT) para aumentar la producción y reducir el impacto medioambiental en invernaderos inteligentes.
- English
The United Nations Sustainable Development Goals (SDGs) establish a series of goals aimed at eradicating poverty, protecting the planet and ensuring prosperity for its citizens. These goals include: (6) “To ensure availability and sustainable management of water and sanitation for all”, (13) “To take urgent action to combat climate change and its impacts” and (15) “To protect, restore and promote sustainable use of terrestrial ecosystems, sustainably manage forests, combat desertification, halt and reverse land degradation and halt biodiversity loss”. Industrial processes and, in particular, intensive agricultural processes, are one of the main threats to meeting the SDGs. However, technological advances in areas such as Artificial Intelligence (AI), High Performance Computing (HPC) or the Internet of Things (IoT) allow increasing the productivity of these processes reducing their environmental and ecosystemic impact. The research developed in this doctoral thesis aims to establish a framework where to take advantage of the technological advances developed in these disciplines, i.e. AI, HPC and IoT, to optimize and reduce the impact of the most environmentally aggressive industrial processes. Specifically, this PhD thesis will be developed in the context of intensive greenhouse agriculture, a sector of great strategic, commercial and even humanitarian value to ensure access to food for all humanity, focusing on three key points: (1) the generation of low-power AI techniques that can be executed on platforms with reduced computational capabilities, such as IoT devices; (2) the creation of an infrastructure that allows training, deploying and predicting with AI techniques that require large computational capabilities on small IoT devices thanks to real-time communication protocols such as MQTT; and (3) the increase of computational capabilities and energy efficiency of IoT devices thanks to the virtualization of remote GPUs through rCUDA.
The main results obtained in relation to the above demonstrate that (1) the intersection between AI, HPC and IoT is still very nascent. The computational loads of machine learning are becoming higher and higher and increasingly diverge from the computational resources available on the computing devices closest to the data capture, i.e., edge computing devices. These platforms are not computationally capable of performing some of the most demanding tasks (such as, for example, training AI techniques), limiting the success of their application; (2) an auxiliary infrastructure can be created to develop real-time predictions in IoT devices, although the exchange of information between the different nodes of the infrastructure involves an assumable latency since it is very low;
and (3) it is possible to extend the computational capabilities and energy efficiency of IoT devices through the use of remote GPU virtualization techniques. These techniques significantly increase the energy efficiency of these devices by delegating the most computationally intensive operations to remote compute servers. Although it is true, the total consumption of the infrastructure increases significantly due to the communication costs between the devices it edge and it cloud. Finally, it should be noted that this thesis has been developed in the challenge-collaboration project “Development of high performance IoT infrastructures against climate change based on artificial intelligence” (GLOBALoT) with reference RTC2019-007159-5, funded by the Ministry of Science and Innovation / State Research Agency, which has a strong technological character and, therefore, the knowledge obtained has been transferred, developing a functional prototype in TRL 3-4 that has been deployed in a real greenhouse environment offered by one of the project partners, the company NUTRICONTROL. The results obtained show a clear interest in this technology, laying the foundations to automate and optimize processes through Artificial Intelligence of Things (AIoT) to increase production and reduce environmental impact in smart greenhouses.
- español
