Framework Ético para Aplicações de TinyML em Dispositivos de Borda: Uma Abordagem Baseada em Transfer Learning e MobileNetV4

Resumo

Este artigo propõe um framework ético para o uso de Tiny Machine Learning (TinyML) em dispositivos de borda, enfatizando privacidade, mitigação de vieses algorítmicos e eficiência computacional. Utilizando Transfer Learning com a arquitetura MobileNetV4 e dados reais do Kaggle, o estudo demonstra a viabilidade de adaptar modelos pré-treinados para tarefas específicas, respeitando princípios éticos e limitações de hardware. Os resultados indicam que é possível obter alta acurácia com baixo consumo energético, preservando a privacidade dos usuários e reduzindo vieses estatísticos.

Palavras-chave: TinyML, Transfer Learning, MobileNetV4, Privacidade, Viés Algorítmico, Aprendizado Federado.

1. Introdução

O avanço da computação embarcada e da inteligência artificial tem impulsionado o uso de TinyML em aplicações críticas, como saúde, segurança e mobilidade. Entretanto, a manipulação de dados sensíveis em dispositivos de borda apresenta desafios éticos significativos, especialmente no que diz respeito à privacidade e à justiça algorítmica.

Este trabalho propõe uma abordagem prática e responsável para o desenvolvimento de modelos TinyML, integrando Transfer Learning, preservação de privacidade e mitigação de viés como pilares fundamentais de um ciclo de desenvolvimento ético.

2. Fundamentação Teórica

2.1 TinyML e Ética Computacional

TinyML refere-se à execução de modelos de aprendizado de máquina em dispositivos de baixo consumo energético e recursos limitados. A necessidade de decisões locais e autônomas torna essencial a adoção de princípios éticos, incluindo transparência, proteção de dados pessoais e redução de vieses.

2.2 Transfer Learning

Transfer Learning consiste na reutilização de redes neurais previamente treinadas em grandes conjuntos de dados, ajustando-as para novas tarefas com menor custo computacional. Neste estudo, a MobileNetV4 foi selecionada por seu equilíbrio entre eficiência e precisão, especialmente em ambientes restritos.

3. Metodologia

3.1 Arquitetura Utilizada

A MobileNetV4 foi implementada devido à sua compatibilidade com processadores ARM Cortex-M, amplamente utilizados em dispositivos IoT. As camadas convolucionais foram congeladas, enquanto as camadas finais foram re-treinadas com dados específicos da aplicação.

3.2 Base de Dados

Foi utilizado o TinyML CNN Dataset (Kaggle), composto por imagens otimizadas para redes leves. A divisão do conjunto seguiu a proporção de 70% para treino, 15% para validação e 15% para teste.

3.3 Ferramentas Utilizadas

TensorFlow Lite
Edge Impulse
IBM AI Fairness 360
TensorFlow Privacy

3.4 Métricas Avaliadas

Acurácia
Latência
Consumo energético
Índices de viés (Disparate Impact, Equal Opportunity)

4. Resultados

Os experimentos demonstraram que o modelo adaptado via Transfer Learning alcançou acurácia superior a 85%, com latência inferior a 100 ms em execução local.

As técnicas de mitigação de viés reduziram disparidades entre classes em até 30%. Além disso, o uso combinado de Aprendizado Federado e Privacidade Diferencial preservou a confidencialidade dos dados sem impacto significativo no desempenho.

5. Discussão

Os resultados reforçam a viabilidade de integrar princípios éticos ao ciclo de desenvolvimento de sistemas TinyML. A abordagem proposta demonstra que eficiência técnica e responsabilidade social podem coexistir, viabilizando aplicações seguras e inclusivas em dispositivos vestíveis, sensores urbanos e sistemas de monitoramento inteligente.

6. Conclusão

Este estudo confirma que é possível desenvolver modelos TinyML éticos, eficientes e sustentáveis, mesmo sob restrições severas de hardware.

Como trabalhos futuros, propõe-se:

Criação de benchmarks éticos para TinyML;
Desenvolvimento de frameworks open source com diretrizes de conformidade;
Expansão do uso em áreas sensíveis, como saúde, mobilidade urbana e educação inteligente.

Referências

Howard, A. et al. Searching for MobileNetV4. ECCV, 2024.
McMahan, B. et al. Communication-Efficient Learning of Deep Networks from Decentralized Data. AISTATS, 2017.
Dwork, C. et al. Differential Privacy. Journal of Privacy and Confidentiality, 2006.
IBM AI Fairness 360 Toolkit. Disponível em: https://aif360.mybluemix.net
Kaggle Dataset: TinyML CNN Dataset. Disponível em: https://www.kaggle.com/datasets/ian9090/tinyml-cnn-dataset