El aprendizaje automático (Machine Learning) y el aprendizaje profundo (Deep Learning) son técnicas de Inteligencia Artificial (IA), antes relegadas a aplicaciones académicas y, que ahora, gracias a las grandes oportunidades que ofrecen las plataformas de análisis masivos de datos y las nuevas tecnologías, es cuando es posible abordar de una forma eficiente problemas complejos. Estas técnicas se han vuelto dos piezas fundamentales, sobre todo para relacionar millones de datos aislados y convertirlos en valor agregado para las empresas, lo que hace necesario la aplicabilidad de estas técnicas sobre plataformas escalables y elásticas para un uso lo más eficiente posible de ellas. Estos tipos de sistemas requieren de personal especializado y de soluciones ofrecidas por empresas o centros altamente especializados y es aquí donde entra en acción del proyecto RADIATUS avanzando en la investigación, diseño y prototipado de servicios elásticos de Big Data. Este proyecto, continuación de los trabajos iniciados en 2017, 2018 y 2019 (proyectos RADIATUS 1, 2 y 3), tiene como objetivos principales avanzar y evolucionar el Orquestador de Servicios a Manager de Servicios avanzando en la reformación de modelos e integrando multiversionado de recursos. Así mismo, también se trabajará en la evolución de la plataforma RADIATUS para dar soporte al cómputo de altas prestaciones para la ejecución de cargas de trabajo cuya base sea el Deep Learning y para el desarrollo de servicios para la ejecución de trabajos de procesamiento de información en entornos distribuidos elásticos.

El proyecto RADIATUS, en su cuarta anualidad, tiene como principales objetivos: -Reducir la complejidad organizativa y de uso del Orquestador de Servicios a la vez que damos soporte al uso de nuevas tecnologías y servicios que faciliten el despliegue de arquitecturas de Big Data Analytics para la ejecución de algoritmos de Machine Learning y Deep Learning. Para ello se evolucionará el Orquestador de Servicios a Manager de Servicios. -Integrar tecnologías que soporten el computo de altas prestaciones para posibilitar la ejecución de aquellos algoritmos de Machine Learning y Deep Learning que cuya ejecución es inviable actualmente en el entorno actual debido a su exigencia computacional. -Integrar tecnologías que permitan el procesamiento elástico de información, de manera que el uso de recursos computacionales de estos servicios se ajuste dinámicamente a la carga de trabajo en cada momento. -Dar soporte a la federación de recursos y/o servicios de manera que despliegues de diferentes plataformas de RADIATUS puedan interactuar entre ellos para formar una plataforma mayor.