Internet de las Cosas y Computación en la Periferia
Código: 45679Créditos: 5
| Titulación | Tipo | Curso |
|---|---|---|
| Ingeniería de Telecomunicación | OP | 2 |
Profesor/a de contacto
- Nombre :
- Marc Codina Barberà
- Correo electrónico :
- marc.codina@uab.cat
Equipo docente
- Jordi Carrabina Bordoll
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Esta asignatura está programada para el tercer semestre (2º año, 1er semestre) del Máster en Ingeniería de Telecomunicación (MUET). Se recomienda encarecidamente que los estudiantes hayan superado previamente la asignatura obligatoria de primer año Inteligencia Artificial Aplicada a las Comunicaciones Móviles de Nueva Generación (Código 45625). Se espera que los estudiantes tengan una base sólida en preprocesamiento de datos, métricas de evaluación de aprendizaje automático, algoritmos de aprendizaje supervisado y no supervisado, estructuras de aprendizaje profundo (incluyendo CNN, RNN y Transformers) y el despliegue básico de modelos de IA en plataformas embebidas. Estos conocimientos fundamentales permiten a esta asignatura omitir los conceptos introductorios de IA y centrarse en paradigmas avanzados de IA distribuida (Edge AI + Cloud AI) a través de redes IoT.
Objetivos
El objetivo principal de esta asignatura es capacitar a los estudiantes para diseñar, implementar y evaluar arquitecturas completas de Internet de las Cosas (IoT) a lo largo de toda la cadena de señal y de valor, desde los dispositivos físicos finales hasta los servidores en la nube y las interfaces de usuario y cuadros de mando (dashboards).
Un enfoque adicional de este plan de estudios es el despliegue de Inteligencia Artificial (IA) distribuida a través de la topología de red, optimizando la partición y orquestación entre la inferencia localizada en el extremo (Edge AI) y la analítica centralizada en la nube (Cloud AI).
La asignatura pone un énfasis específico en:
- Comunicaciones de última milla heterogéneas e interoperabilidad: Selección crítica e integración de diversas tecnologías de acceso (LoRaWAN, NB-IoT, BLE, Zigbee, Wi-Fi 6) en función de las restricciones de la aplicación.
- Optimización de la plataforma de procesamiento: Realización de análisis sistemáticos de rendimiento-coste para seleccionar el hardware de procesamiento (FPGA, microcontroladores avanzados, SoC de bajo consumo) adecuado para la computación en el extremo.
- Eficiencia energética de extremo a extremo y sostenibilidad: Ingeniería de sistemas con técnicas de diseño de consumo ultrabajo, modos de suspensión y tecnologías de recolección de energía (energy harvesting) a lo largo de toda la cadena de comunicación.
- Normativa, economía y estandarización: Integración de los principios de cumplimiento normativo esencial, propiedad intelectual, normas de estandarización y el coste total de propiedad (TCO) para preparar despliegues de IoT de calidad comercial.
Resultados de aprendizaje
- (CA36) Resolver la interoperabilidad de redes heterogéneas con redes locales, de acceso y troncales en la implementación de servicios de datos
- (CA37) Utilizar circuitos integrados programables para diseñar sistemas electrónicos avanzados a nivel de componente y periferia
- (CA38) Implementar sistemas energéticamente eficientes en entornos de comunicaciones fijas y móviles, con un enfoque en la sostenibilidad y el uso responsable de recursos energéticos
- (KA33) Describir el funcionamiento y organización de las redes y protocolos de nueva generación del Internet de las Cosas, los modelos de componentes e infraestructura, así como el software intermediario y los servicios asociados
- (KA34) Explicar los principios económicos y de gestión de proyectos aplicados a la normalización de redes y protocolos de última milla, ilustrando su impacto en la eficiencia y calidad de los servicios de telecomunicaciones
- (KA35) Identificar las normas aplicables en el ejercicio profesional en el diseño de soluciones IoT completas
- (SA49) Seleccionar los protocolos de comunicaciones de última milla que mejor se adapten a cada tipo de aplicación y los componentes que permiten su implementación.
- (SA50) Desarrollar sistemas IoT completos formados por dispositivos, periferia, nube y interfaz de usuario
- (SA51) Evaluar las prestaciones de los sistemas en términos de coste, velocidad (ancho de banda y latencia) y consumo de energía
Contenidos
Unidad 1: Arquitecturas IoT y Edge de Nueva Generación
- Modelos de infraestructura IoT por capas: capas de Dispositivo, Extremo (Periferia), Niebla (Fog) y Nube (Cloud).
- Arquitecturas de middleware y entornos orientados a servicios para la gestión escalable de dispositivos.
- Topologías y partición arquitectónica para la Inteligencia Artificial distribuida: coordinación de la computación local Edge AI con los servicios centralizados de Cloud AI.
Unidad 2: Tecnologías de Conectividad e Interoperabilidad
- Estudio técnico, características de la capa física y protocolos de la capa MAC de las tecnologías de acceso de última milla: LoRaWAN, NB-IoT, BLE, Zigbee y Wi-Fi 6.
- Mecanismos de interoperabilidad en redes heterogéneas, interconexión de redes de sensores de bajo consumo con redes de retorno (backhaul) locales y redes IP.
- Optimización de la carga útil de comunicación para la IA distribuida (p. ej., extracción y compresión de características en el extremo frente a la transmisión de la señal en bruto).
Unidad 3: Computación en el Extremo (Edge Computing) con Hardware Avanzado
- Arquitecturas de hardware para dispositivos de computación en el extremo utilizando circuitos integrados programables avanzados: FPGA, microcontroladores basados en ARM de alto rendimiento y sistemas en chip (SoC) heterogéneos.
- Procesamiento de datos locales en tiempo real, filtrado y aceleración de la inferencia embebida (Edge AI) para reducir la latencia de la nube y la sobrecarga de comunicación.
Unidad 4: Eficiencia Energética y Sostenibilidad en el IoT
- Principios de diseño de hardware de bajo consumo y estrategias de ejecución de software: modos de suspensión profunda, cortes de alimentación (power gating), escalado dinámico de voltaje y frecuencia (DVFS) y tecnologías de recolección de energía (Energy Harvesting).
- Análisis sistemático de potencia y rendimiento (PPA) que compara la energía de la computación localizada (Edge AI) con la energía de transmisión inalámbrica (Cloud AI).
Unidad 5: Desarrollo de Extremo a Extremo y Evaluación de Métricas (Benchmarking)
- Integración práctica de extremo a extremo: configuración de nodos físicos (sensores/actuadores), pasarelas (gateways) en el extremo, brokers/bases de datos en la nube y cuadros de mando de interfaz de usuario.
- Evaluación comparativa (benchmarking) cuantitativa del sistema: cálculo y optimización de los compromisos entre el coste unitario, la latencia, el rendimiento (throughput) de comunicación y el consumo de energía a largo plazo bajo tráfico del mundo real.
Unidad 6: Regulación, Economía y Gestión de Proyectos IoT
- Marcos de cumplimiento normativo, organismos de estandarización (IEEE, 3GPP, ETSI) y asignaciones de espectro radioeléctrico para IoT.
- Análisis económico de despliegues IoT: modelos de Coste Total de Propiedad (TCO), cálculos de Gastos de Capital (CapEx) frente a Gastos Operativos (OpEx) y lista de materiales (BOM).
- Impacto del IoT y del Edge AI en la calidad del servicio de telecomunicaciones, la fiabilidad y la sostenibilidad empresarial.
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Autónoma | |||
| Trabajo Autónomo y Desarrollo del Proyecto | 42,5 | 1,7 | CA36, CA37, CA38, KA33, KA34, SA49, SA50, SA51 |
| Tutorias y seguimeinto de proyectos | 10 | 0,4 | KA35, SA50, SA51 |
| Tipo: Dirigida | |||
| Clases magistrales: Exposición oral impartida por el profesor con el objetivo de transmitir los conocimientos sobre la asignatura. | 20 | 0,8 | KA33, KA34, KA35, SA51 |
| Seminarios i Casos de uso | 12,5 | 0,5 | CA38, SA49, SA51 |
| Tipo: Supervisada | |||
| Sesiones de laboratorio | 15 | 0,6 | CA36, CA37, SA50, SA51 |
La asignatura se conducirá principalmente a través de las clases magistrales, que utilizarán material ad hoc (presentaciones, documentos, enlaces, herramientas y otros recursos) disponible en el Campus Virtual (CV) de la UAB (https://cv.uab.cat). Los estudiantes entregarán ejercicios sobre temas específicos (en el Campus Virtual).
Como nueva política común en la UAB, se permitirá el uso de herramientas de IA generativa siempre que los estudiantes indiquen el nombre de la herramienta y las instrucciones (prompts) utilizadas. El enfoque de su evaluación se extenderá a todo el proceso de desarrollo, con posibles entrevistas de seguimiento.
Las prácticas de laboratorio permitirán a los estudiantes aplicar y experimentar con los conceptos adquiridos en plataformas de computación en el extremo (edge computing) e infraestructuras de nube pública, ampliamente utilizadas en la industria. En el caso de los laboratorios, las herramientas de IA no están permitidas en el aula, ya que suelen inducir a errores graves a los usuarios sin experiencia. Especialmente para las prácticas, se espera que los estudiantes de máster las hayan preparado antes de la sesión presencial. La asistencia será obligatoria en todas las sesiones. Cualquier falta de asistencia deberá comunicarse con antelación al profesor responsable, adjuntando los motivos debidamente justificados.
Nota: Dentro del horario establecido por el centro o programa de máster, se reservarán 15 minutos de una clase para que los estudiantes evalúen a su profesorado y sus asignaturas o módulos mediante cuestionarios.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Exámen Final | 30% | 2 | 0,08 | KA33, KA34, KA35 |
| Laboratorios (Informes y seguimiento) | 25% | 8 | 0,32 | CA36, CA37, SA49 |
| Proyecto de IoT y Edge (Memoria y Defensa) | 45% | 15 | 0,6 | CA36, CA37, CA38, SA49, SA50, SA51 |
Medias y Mínimos: Para aprobar la asignatura y permitir el cálculo de la nota media, los estudiantes deben obtener una calificación mínima de 4,0 sobre 10 tanto en el Examen Final Escrito como en el Proyecto de IoT y Edge. Se requiere una nota final global ponderada de 5,0 sobre 10 o superior para aprobar. Especialmente durante los laboratorios, el profesor evaluará las habilidades, el desarrollo y la corrección de la preparación y de los resultados de cada práctica en el aula.
Recuperación: Si un estudiante no alcanza el mínimo de 4,0 en el Examen Final Escrito, tiene derecho a presentarse a un examen teórico de recuperación al final del semestre, siempre y cuando haya participado en al menos 2/3 de las actividades de evaluación continua. Dado que los Laboratorios y el Proyecto implican una colaboración continua entre compañeros y la utilización práctica de recursos de laboratorio, son estrictamente no recuperables.
Asistencia y Evaluación: La ausencia no justificada a más del 20% de las sesiones prácticas de laboratorio, o la no entrega y defensa del proyecto final, conllevará la calificación de 'No Evaluable'.
Plagio y Mala Praxis: Copiar, plagiar, hacer trampas o dejar copiar a otros en cualquier actividad de evaluación resultará en una calificación de 0 en esa actividad. Estas penalizaciones son irrecuperables y conllevarán el suspenso automático de la asignatura con una nota máxima de 3,0/10.
Política sobre IA Generativa: El uso de herramientas de IA generativa está permitido exclusivamente para tareas de apoyo (p. ej., depurar la sintaxis del código, buscar documentación o dar formato al texto). Está estrictamente prohibido generar directamente diseños principales, lógica de código o informes. Los estudiantes deben declarar explícitamente en sus informes qué partes han contado con la asistencia de la IA, qué herramientas se han utilizado y aportar una reflexión crítica sobre cómo la herramienta ha influido en su aprendizaje. La no declaración del uso de la IA se tratará como fraude académico (calificación de 0).
Bibliografía
Libros recomendados
- Edward A. Lee and Sanjit A. Seshia, Introduction to Embedded Systems: A Cyber-Physical Systems Approach, 2nd Edition, MIT Press, 2017.
- Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 (Essential background for AI concepts).
- V.S. Chakravarthi, A Practical Approach to VLSI System on Chip (SoC) Design: A Comprehensive Guide, Springer, 2020.
Software
Software de Desarrollo y Simulación:
- Firmware y Microcontroladores: EdgeImpulse, Arduino IDE.
- IA en el Extremo (Edge AI) y Analítica en la Nube: Python 3.12 (PyTorch), Node-RED y brokers MQTT/CoAP.
- Cuadros de Mando en la Nube y Middleware: AWS IoT Core, ThingsBoard o Adafruit IO.
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura