🔋 Czy sztuczna inteligencja może pomóc urządzeniom IoT oszczędzać energię?

Punktem wyjścia jest pozornie proste pytanie: czy przesyłanie mniejszej ilości danych zawsze oznacza mniejsze zużycie energii? Wyniki pokazują, że niekoniecznie. Autorzy wskazują, że rzeczywisty bilans energetyczny należy rozpatrywać w odniesieniu do całego cyklu pracy urządzenia - od pozyskania i wstępnego przetworzenia danych, przez lokalne wnioskowanie z wykorzystaniem TinyML, aż po uruchomienie modemu, rejestrację w sieci, synchronizację, transmisję i ewentualne retransmisje oraz powrót urządzenia do trybu uśpienia.

💡 Kluczową ideą publikacji jest międzywarstwowe zarządzanie energią, czyli wspólna optymalizacja pomiarów, przetwarzania danych i komunikacji radiowej z uwzględnieniem m.in. poziomu naładowania baterii, energii pozyskiwanej z otoczenia oraz jakości łącza radiowego.
Eksperymenty z wykorzystaniem LTE-M pokazały, że dla wiadomości o rozmiarach 24-512 B zużycie energii nie rosło monotonicznie wraz z ilością przesyłanych danych. Oznacza to, że istotne znaczenie mają również koszty sygnalizacji i obsługi protokołu.

Publikacja wskazuje także na potencjał kompresji semantycznej. Zamiast przesyłać pełny sygnał, urządzenie może lokalnie go przeanalizować i przekazać jedynie informację istotną dla danego zadania. W przykładzie akustycznego monitorowania ula ilość danych została ograniczona z 196 608 B do zaledwie 8-24 B informacji opisujących cechy sygnału.

🐝 Przykład pasieki precyzyjnej pokazuje, jak takie podejście może być wykorzystane w praktyce: energooszczędne pomiary środowiskowe mogą decydować o uruchomieniu bardziej energochłonnych pomiarów dźwięku, obrazu lub drgań.

📖 Zachęcamy do zapoznania się z publikacją:
Sebastian Górecki, Sławomir Hausman, Piotr Korbel, “Cross-Layer Energy Management in Embedded AIoT Sensor Networks: A Structured Review, Full-Cycle Energy Model, and Break-Even Analysis”, Electronics, 2026, 15(17), 4000. https://doi.org/10.3390/electronics15174000 

📸 Zdjęcia: Sebastian Górecki