Resumen Técnico: Operaciones de Aprendizaje Automático Diminuto (TinyML) dentro de Sistemas Ciberfísicos

Planteamiento del Problema

Las Operaciones de Aprendizaje Automático (MLOps) se están consolidando como una disciplina para sistemas centrados en la nube, pero su aplicación al TinyML —modelos que se ejecutan en microcontroladores con recursos limitados dentro de Sistemas Ciberfísicos (CPS)— sigue siendo poco comprendida en la práctica industrial. En entornos críticos para la seguridad, como la instalación de cables de parques eólicos marinos, la integración de ML enfrenta tres barreras principales:

1. Restricciones de Recursos: Los modelos deben ajustarse a presupuestos de memoria de escala de kilobytes (por ejemplo, 32 kB en un ARM Cortex-M4).
2. Explicabilidad y Seguridad: Los modelos de "caja negra" no pueden satisfacer los argumentos de aseguramiento requeridos para la validación de seguridad; las decisiones a menudo siguen dependiendo de expertos humanos debido a una falta de transparencia.
3. Datos y Deriva (Drift): Los datos operativos son ruidosos, heterogéneos y están sujetos a la deriva de concepto (cambios en las condiciones físicas), lo que hace que la minimización del riesgo empírico estándar sea poco fiable.

Actualmente, la mayoría de los CPS desplegados dependen de una fuerte supervisión humana y diagnósticos reactivos. Los modelos predictivos existentes suelen estar no disponibles, incompletos o ser inexactos, inyectando incertidumbre que erosiona la fiabilidad operativa. El desafío específico abordado es la ingeniería de un pipeline de TinyMLOps de extremo a extremo, centrado en el conocimiento, que fusione la física del dominio y la especulación de expertos con flujos de sensores para entregar modelos explicables y de baja huella, desplegables en el dispositivo.

Metodología

Los autores llevaron a cabo un estudio de campo industrial basado en dos campañas de zanjado de cables eólicos marinos: Kaskasi II (42 cables de interconexión, suelo arenoso) y South Fork Wind (12 cables, suelo más duro/variable). El estudio utilizó un método de estudio de caso instrumental, tratando el proceso de zanjado como un vehículo para comprender el fenómeno más amplio de la integración de TinyML explicable en CPS críticos para la seguridad.

Ingeniería de Datos

El pipeline ingirió 4.4 GB de datos heterogéneos de cuatro fuentes:

• Informes Diarios de Progreso (DPRs).
• Ajustes de la zanjadora (datos PLC).
• Flujos de sensores de alta frecuencia (1 Hz, ~650 etiquetas/tags).
• Datos de capas de suelo (contexto geotécnico).

Los desafíos clave de ingeniería abordados incluyeron la deriva semántica (normalización de las referencias de "profundidad" frente a "elevación") y el etiquetado temporal poco fiable. Los autores derivaron ventanas de zanjado activas directamente de los datos de los sensores (segmentos de kilómetro-punto monotónicos) en lugar de confiar en registros administrativos.

El Pipeline de TinyMLOps

La arquitectura propuesta separa la construcción de datos del entrenamiento del modelo para facilitar una rápida ingeniería del conocimiento:

1. Construcción de Características Basada en el Conocimiento: Las especulaciones de los expertos se codifican como transformaciones de características rezagadas (lagged) y configurables (por ejemplo, ventanas rezagadas de 3.6 minutos para dar cuenta de la distancia física entre las herramientas frontales y la guía del cable). Las características incluyen proporciones de capas de suelo, consistencia de carga de instrumentos y cambios de profundidad.
2. Modelado Interpretable: El sistema emplea una Regresión Logística con regularización $\ell_1$ opcional. Esta elección asegura que el modelo siga siendo interpretable (los coeficientes sirven como señales de auditoría) y quepa dentro de la huella de memoria de 32 kB requerida para la inferencia en el dispositivo.
3. Estrategia de Etiquetado: En lugar de una regresión sobre la carga bruta, el sistema clasifica "picos de carga dañinos". Un pico se define como un valor que excede la media móvil más un múltiplo calibrado (2–3$\sigma$) de la desviación estándar, capturando tanto picos transitorios como aumentos sostenidos.
4. Protocolo de Validación: Para manejar la deriva de concepto, el estudio utiliza validación cruzada temporal rodante (rolling temporal cross-validation). Los modelos se entrenan con los cables vistos hasta el momento y se evalúan con el siguiente, asegurando que no haya filtración de datos futuros (data leakage). Las estadísticas de estandarización se derivan exclusivamente de datos pasados.

Contribuciones Clave

1. Arquitectura de Pipeline: Un pipeline de TinyMLOps reutilizable y configurable que fusiona la física del dominio, la especulación de expertos y los flujos de sensores en modelos de menos de 32 kB desplegables en ARM Cortex-M4.
2. Método de Ingeniería de Conocimiento: Un enfoque sistemático para codificar la especulación de expertos como características rezagadas testeables. Esto transforma el conocimiento tácito del operador en evidencia de modelo auditable, permitiendo al sistema validar o refutar hipótesis de forma empírica.
3. Evaluación Empírica: Una evaluación exhaustiva sobre 4.4 GB de datos del mundo real que demuestra el rendimiento predictivo y el impacto operativo.
4. Artefactos de Reproducibilidad: Lanzamiento de código de código abierto (Python/MicroPython) y un conjunto de datos anotado para apoyar la ingeniería de conocimiento reproducible en CPS con recursos limitados.

Resultados

El estudio fue evaluado en la campaña Kaskasi II y validado fuera de la muestra (out-of-sample) en la campaña South Fork.

• Rendimiento Predictivo: El clasificador anticipa picos dañinos de carga en la guía del cable con hasta tres minutos de antelación con un AUC de 0.84 bajo validación cruzada temporal rodante.
• Impacto de la Inyección de Conocimiento: Un estudio de ablación comparando el pipeline informado por el conocimiento contra un baseline libre de conocimiento mostró que la inyección de conocimiento previo redujo a la mitad la tasa de falsas alarmas con un recall equivalente. Esto confirma que el método de ingeniería de conocimiento, y no solo la clase del modelo, impulsa las mejoras de rendimiento.
• Beneficio Operativo: La reproducción de las recomendaciones del modelo contra campañas registradas indicó una reducción del 11% en el tiempo no productivo.
• Validación del Conocimiento:
  • Confirmado: El aumento de la Profundidad de Descenso (DoL) aumenta consistentemente el riesgo de picos. La consistencia de la carga del instrumento (varianza) también se correlaciona con los picos.
  • Refutado: Los cambios en la velocidad de la zanjadora (inmediatos o rezagados) no mostraron un efecto consistente en la probabilidad de picos, refutando una creencia ampliamente sostenida.
  • Generalización: El conocimiento confirmado (específicamente el efecto de la DoL) se transfirió con éxito a la campaña de South Fork, que tenía condiciones de suelo materialmente diferentes, validando la validez externa del enfoque.

Significancia y Reivindicaciones

El artículo afirma demostrar que la TinyMLOps explicable y centrada en el conocimiento puede ser diseñada e implementada con éxito dentro de CPS críticos para la seguridad para entregar soporte de decisiones confiable.

• Cambio de Ingeniería: El estudio argumenta que en los CPS con alta densidad de conocimiento, la interfaz de MLOps más valiosa es una codificación declarativa del conocimiento del dominio (características configurables) en lugar de un registro de modelos tradicional. Esto permite que las partes interesadas no expertas en ML dirijan la experimentación y convierte el conocimiento tácito en hipótesis testeables.
• Sinergia de Restricciones: Los autores postulan que la explicabilidad y la frugalidad de recursos se refuerzan mutuamente. Los modelos interpretables y de pocos parámetros no solo son auditables para la seguridad, sino que también son lo suficientemente pequeños como para ejecutarse en el dispositivo, eliminando la latencia del lado de la oficina en el bucle de control.
• Rigor de Evaluación: El documento enfatiza que la evaluación en datos de streaming de CPS debe respetar la deriva. Las divisiones aleatorias convencionales son insuficientes; la validación cruzada temporal rodante se presenta como el protocolo honesto para tales entornos.

Los autores concluyen que, si bien los coeficientes específicos pueden no generalizarse a todas las clases de CPS, el patrón de pipeline —integrando el sesgo informado por la física con una ingeniería rigurosa y consciente de la deriva— es un camino viable hacia una adopción más amplia y confiable de TinyMLOps en la Industria 4.0. Reconocen limitaciones, incluyendo la falta de un ensayo de campo en vivo para la estimación del beneficio operativo y la necesidad de métodos más formalizados de elicitación de especulación en trabajos futuros.