Introduzione
Il paradigma del computing continuum, su cui vengono eseguite molto frequentemente applicazioni AI, presenta delle sfide complicate da risolvere. Ad esempio: la necessità di rispettare i vincoli sul tempo di risposta dei componenti e, contemporaneamente, scegliere un set di risorse computazionali su cui eseguire l’applicazione a minimo costo.
Questo problema è noto con il nome di “Resource Selection and Component Placement” (RS-CP); per risolverlo in un ambiente reale è necessario un sistema adattivo in grado di trovare soluzioni in tempo reale.
FIGARO [1] è un framework basato Reinforcement Learning che si occupa del problema RS-CP a runtime.
Goal
FIGARO necessita di un ambiente reale di validazione per essere testato.
L’obiettivo finale è un sistema su cui mappare un’applicazione AI fruibile via web che funzioni come framework di validazione, simulando un ambiente in cui le risorse disponibili vengono scelte in base alle decisioni di FIGARO.
Lo studente dovrà fornire anche una documentazione adeguata e descrivere gli scenari di test.
Requisiti Funzionali
- Sviluppo di un’applicazione AI fruibile come Web service;
- Interazione con Agente RL per prendere decisioni di scaling;
- Logica di scaling per aggiornare dinamicamente le risorse.
Per maggiori informazioni, contattare il Professor Danilo Ardagna (danilo.ardagna@polimi.it) e Riccardo Cavadini (riccardo.cavadini@polimi.it).
References:
[1] FIGARO: reinForcement learnInG mAnagement acRoss the computing cOntinuum
F. Filippini, R. Cavadini, D. Ardagna, R. Lancellotti, G. Russo Russo, V. Cardellini, F. Lo Presti
Proc. of 3rd International Workshop on Distributed Machine Learning for the Intelligent Computing Continuum (DML-ICC 2023)