Spatial dependency in edge-native artificial intelligence

Edge computing augments cloud computing. While cloud computing is based on far away computing centres, edge computing acknowledges the computing resources in the continuum between local devices and the cloud. The computing resources in edge computing are often heterogeneous, with varying capacity, intermittent connectivity, and opportunistic availability. In contrast, modern artificial intelligence and especially machine learning methods are often deployed in the cloud, and assume the computing resources are homogeneous, abundant, centralized, easily scalable, and always available. This thesis studies edge AI, a nascent field of research combining edge computing and artificial intelligence. A particular focus in the thesis is on spatial dependencies, which quantify the similarity of observations in the spatial dimension. Spatial dependencies are prominent in edge AI due to the local nature of edge service users, the computational resources, as well as many of the observed data-generating processes. The thesis asks three research questions. The first one looks for a method to explicitly consider spatial dependencies in edge AI, while the second and third ones apply the method for edge server placement and environmental sensing. As result, the thesis first proposes a novel spatial clustering method, named PACK, which partitions a set of spatial data points according to configurable attributes and constraints. PACK then provides a basis for edge server placement and workload allocation, where a large-scale edge deployment can be optimized such that user quality of experience and deployment quality of service are maximised. Furthermore, PACK serves a crucial function in environmental sensing with a massive fleet of mobile sensors, providing grounds for distributing computations and data for a novel, edge-native method for interpolation. In both edge server placement and environmental sensing, the proposed methods outperform state-of-the-art. Finally, the thesis
Tiivistelmä Reunalaskenta täydentää pilvilaskentaa. Siinä missä pilvilaskenta perustuu kaukaisiin datakeskuksiin, ottaa reunalaskenta huomioon myös laskentaresurssit matkalla paikallisista laitteista pilveen. Reunalaskennan resurssit ovat ominaisuuksiltaan kirjavia: niiden kapasiteetit saattavat olla hyvin erilaisia, niiden yhteydet saattavat katkeilla ja ne saattavat olla saatavilla vain toisinaan. Toisaalta nykyaikaisia tekoäly- ja koneoppimismenetelmiä käytetään tavallisesti pilvipalveluissa, ja ne olettavat, että laskentaresurssit ovat homogeenisia ja ne ovat saatavilla keskitetysti, skaalautuvasti ja jatkuvasti. Tämä väitöstyö tutkii reunalaskennan tekoälyä. Reunalaskennan tekoäly on uusi tieteenala, jossa tutkitaan, kuinka reunalaskenta sekä tekoäly- ja koneoppimismenetelmät voidaan yhdistää. Erityisesti väitös pureutuu paikkariippuvuuksiin, jotka kuvaavat havaintojen paikallisia samankaltaisuuksia. Paikkariippuvuudet ovat reunalaskennan tekoälyssä tärkeitä, sillä reunapalveluiden käyttäjät, niiden laskentaresurssit, ja myös dataa tuottavat prosessit ovat usein luonteeltaan paikallisia. Väitös kysyy kolme tutkimuskysymystä. Ensimmäinen hakee menetelmää, jolla paikkariippuvuudet voisi valjastaa käyttöön reunalaskennan tekoälyssä. Toinen ja kolmas tutkimuskysymys ovat luonteeltaan soveltavia, ja etsivät menetelmää reunalaskennan palvelimien sijoitteluun ja ympäristön anturointiin. Väitöksen tuloksena on, ensinnä, uusi spatiaalinen klusterointimenetelmä, nimeltään PACK, jonka avulla paikkapisteiden joukko voidaan jakaa osiin erilaisten muokattavien ominaisuuksien ja rajoitteiden mukaisesti. Toiseksi, PACK toimii pohjaratkaisuna reunalaskennan palvelimien sijoittelulle ja kuormanjaolle, kun kaupungin laajuinen reunalaskennan asennus halutaan optimoida siten, että käyttäjäkokemus ja palveluntaso saadaan parhaaksi mahdolliseksi. Kolmanneksi, PACK on jälleen kriittisessä roolissa reunatekoälysovellukses