Planification et apprentissage pour AI-Edge Computing (PARFAIT) – PARFAIT

PARFAIT relied on complementary expertise from the AU, INRIA, CNAM and ENS–USMB teams. Architectural abstractions guided the formulation of stochastic optimization models. The AU and the INRIA team developed reinforcement learning algorithms including safe and constrained reinforcement learning. The CNAM team contributed orchestration architectures, while the ENS–USMB team implemented and validated the proposed methods through VideoJam, OVIDA and related demonstrators.

PARFAIT established a coherent framework for adaptive orchestration of distributed AI applications. PARFAIT provided a modeling framework, based on constrained and delayed stochastic decision models, and introduced reinforcement learning methods for adaptive orchestration. It has also provided implementation of realistic software platforms. Representative publications include 'Optimal Flow Admission Control in Edge Computing via Safe Reinforcement Learning' (WiOpt 2024), 'Learning Optimal Edge Processing with Offloading and Energy Harvesting' (Computer Communications, 2024), 'Performing Load Balancing under Constraints' (WiOpt 2025), VideoJam (SEC 2024), and OVIDA (SEC 2024). The project resulted in two successfully defended PhD theses on the project's topic, i.e., orchestration of Edge/Fog computing of edge and fog resources for the upcoming new generation of AI-driven applications.

PARFAIT provides a strong scientific basis for future work on distributed AI systems, AI-native communication infrastructures, trustworthy AI and adaptive orchestration. The methodologies, software platforms and demonstrators developed during the project constitute reusable assets for future national and European collaborative projects. A follow up project has been successfully funded by the EU Commission under the Marie Marie Skłodowska-Curie Doctoral Network FINALITY coordinated by AU.

Les nouvelles générations de réseaux d’accès mobiles promettent une communication haut débit, des délais restreints et des capacités de traitement offertes par le réseau lui même. Les données générées par l'IoT (vidéo par exemple) ou les smartphones des utilisateurs alimenteront les applications IA exécutées au niveau de serveurs périphériques (edge/fog). PARFAIT s’attaque aux nouveaux problèmes d’allocation des ressources pour des applications relevant de l'IA et composées de microservices containairisés. Cette allocation pose des problèmes majeurs car elle se doit d'être désormais orchestrée de manière distribuée alors que l’empreinte des applications IA modernes dotées de capacités d’apprentissage, reste inconnue. Le projet PARFAIT développe des bases théoriques pour une allocation efficace de ressources distribués et évolutives sur des infrastructures IT de pointe effectuant des traitement IA. Des solutions algorithmiques seront développées en se basant sur la théorie des processus de décision de Markov avec contraintes et distribués afin d’orchestrer le placement des services et l'allocation des resources et de quantifier l’effet des politiques d’orchestration. En outre, en formalisant notre problème sous le prisme de la théorie des jeux en équipe, le projet ouvrira la voie à une orchestration décentralisée, un élément manquant pour répondre au besoin de proximité des données et des applications ainsi qu'aux problèmes de synchronisation survenant lorsque plusieurs orchestrateurs coopèrent en prenant des décisions basées sur une vision locale ou partielle du système. En outre, afin d’obtenir une orchestration efficace et à la volée des services (edge), ces solutions seront dotées de techniques d’apprentissage par renforcement afin de définir un ensemble d’algorithmes d’orchestration capables de s’adapter au fil du temps à la charge des applications et de faire face à des informations incertaines en ce qui concernent les empreintes des applications IA. La validation sera effectuée dans l'optique de démontrer des solutions concrètes pour des cas pratiques d’utilisation d’orchestration, en tirant partie de simulation à large échelle et des testbeds de recherche.