Cargando...

Publicado el 11 dic. 2023

Rafael Schild Reusch recibe un prestigioso premio en el SBESC 2023

La investigación en IA para sistemas embebidos le valió reconocimiento nacional a Rafael Schild Reusch en el Simposio Brasileño de Ingeniería de Sistemas Computacionales.

#Carrera
Rafael Schild Reusch recibe un prestigioso premio en el SBESC 2023

Cerramos el año celebrando los logros de nuestras personas colaboradoras. El DBServant Rafael Schild Reusch recibió el premio al tercer mejor artículo en el Simposio Brasileño de Ingeniería de Sistemas Computacionales (SBESC 2023). Rafael obtuvo este reconocimiento por su artículo “Aplicación de Machine Learning en Dispositivos con Restricciones de Energía y Memoria para el Reconocimiento de Actividad Humana”, basado en su tesis de maestría presentada en la PUCRS en noviembre de 2023.

Rafael forma parte de nuestro equipo, desempeñándose como desarrollador de software senior para uno de nuestros clientes del sector aeronáutico. Su dedicación y experiencia destacan no solo su capacidad técnica, sino también su habilidad para aplicar innovación en escenarios reales.

Desafíos superados: Inteligencia artificial en dispositivos con recursos limitados

La investigación de Rafael aborda un desafío crítico en inteligencia artificial: cómo implementar de forma eficiente modelos avanzados en dispositivos con restricciones de energía y memoria. A medida que los modelos de IA aumentan en precisión y complejidad, surgen desafíos significativos para su implementación en sistemas de bajo recurso como smartwatches e IoT.

En el contexto del Reconocimiento de Actividad Humana (HAR), Rafael destaca la prevalencia de enfoques complejos, especialmente aquellos basados en redes LSTM. Aunque efectivos para datos de sensores, estos modelos suelen requerir más recursos de los que dispositivos IoT de bajo consumo pueden ofrecer, lo que limita su viabilidad.

Contribución clave: una nueva perspectiva para sistemas embebidos

Rafael propone un enfoque innovador al desarrollar una Red Neuronal Convolucional (CNN) optimizada para sistemas embebidos con recursos limitados. Mediante técnicas avanzadas de optimización y diseño eficiente de arquitecturas neuronales, logró reducir el tamaño del modelo en 2,34 veces, al mismo tiempo que mejoró la precisión del 74% al 85,2%.

Lectura del artículo completo

Para comprender en profundidad el impacto de este trabajo, invitamos a los lectores a acceder al artículo completo. Esta investigación no solo avanza la aplicación de inteligencia artificial en entornos con restricciones, sino que también destaca la capacidad de Rafael para resolver desafíos de ingeniería complejos.

Haz clic aquí para acceder al artículo completo

Agradecemos al DBServant Rafael por su compromiso y logro, y continuamos impulsando la innovación juntos. Este es solo un ejemplo de lo que nuestro equipo es capaz de lograr, y seguimos motivados para enfrentar nuevos desafíos y alcanzar nuevos hitos. ¡Felicitaciones, Rafael Schild Reusch, por este merecido reconocimiento!

 Rafael Schild Reusch

Rafael Schild Reusch