Edge AI

?Qué es Edge AI?

Edge AI es un tipo de computación en el borde (o “Edge computing“) en el que las aplicaciones de inteligencia artificial (IA) se despliegan directamente en los dispositivos situados en el borde de la red. Con este enfoque, cada dispositivo recopila y procesa datos localmente sin enviarlos a una ubicación centralizada como la nube o un centro de datos privado.

En términos generales, Edge AI permite a los dispositivos remotos hacer inferencias a partir de datos locales en tiempo real con una latencia mínima.

?Por qué necesitamos Edge AI?

Con la adopción del Internet de las Cosas (“Internet of Things” o “IoT“) y los dispositivos inteligentes, que se estima que crecerán de 15.100 millones en 2023 a 34.600 millones en 2023, Edge AI está emergiendo como un marco popular para recopilar y procesar datos de manera eficiente en el borde de la red.

Con un enfoque de Edge AI, los modelos de IA pueden desplegarse directamente en los dispositivos, que recogen y procesan los datos a nivel local. Esto les permite extraer conclusiones y desarrollar reflexiones sin necesidad de conectarse a Internet o a un modelo de IA centralizado.

El procesamiento descentralizado también significa que se puede generar información en tiempo real con menos latencia que si el dispositivo tuviera que enviar datos a la nube para ser procesados y esperar una respuesta.

La eficiencia de Edge AI hace que sea un ajuste natural para entornos en los que las organizaciones quieren ponerse en posición de procesar los datos recogidos por IoT y dispositivos inteligentes.

Trasladar la inferencia de IA al borde de la red también permite a las organizaciones asegurarse de que las categorías de datos legalmente protegidas, como la información de identificación personal (“personally identifiable information” o “PII“), no estén expuestas a los servidores de los proveedores de servicios en la nube y otros terceros, lo que ayuda a garantizar el cumplimiento de las normativas locales e internacionales de protección de datos.

El papel de la computación en nube en Edge AI

Aprovechar la computación en la nube es esencial para desbloquear algunas de las principales ventajas de Edge AI. Aunque ambos conceptos son distintos, pueden beneficiarse mutuamente a la hora de entrenar modelos de IA.

Por ejemplo, una organización puede entrenar un modelo centralizado en la nube y enviarlo a los dispositivos. A continuación, este modelo puede volver a entrenarse periódicamente con los datos recogidos en el borde de la red, y el modelo actualizado puede enviarse a los dispositivos posteriores.

Del mismo modo, la nube puede encargarse de procesar los datos en aquellas situaciones en las que el procesamiento en el borde no tiene sentido. Si una organización necesita procesar un gran volumen de información o completar tareas de inferencia con un elevado requisito computacional, la escalabilidad que ofrece la nube la convierte en la opción ideal.

Por otro lado, si una organización necesita procesamiento en tiempo real y proporcionar información a los usuarios finales de forma instantánea a través de sus dispositivos, Edge AI es la mejor opción para mantener la latencia al mínimo.

?Cuáles son las ventajas de Edge AI?

Trasladar el procesamiento de la IA al extremo de una red proporciona algunas ventajas clave a las empresas. Entre ellas se incluyen:

Desarrollo de conocimientos en tiempo real: Recopilar y procesar datos localmente permite a los modelos de IA proporcionar a los dispositivos de usuario información en tiempo real.
Procesamiento más eficaz: Procesar, analizar y almacenar datos localmente aumenta la eficiencia, por lo que puede procesar más datos en menos tiempo sin enviarlos a un servidor central en la nube.
Menor consumo de energía: Las tareas de inferencia requieren menos recursos computacionales y consumen menos energía en general.
Coste reducido: Una mayor eficiencia no solo reduce el gasto en energía, sino que también requiere menos banda ancha de red.
Mayor privacidad: El procesamiento local de los datos reduce su exposición a terceros, como los proveedores de servicios en la nube, y disminuye la posibilidad de filtración de datos.
Alta disponibilidad y fiabilidad: La descentralización significa que los dispositivos no necesitan estar conectados a Internet para continuar procesando datos y recopilando información, lo que los hace menos propensos al tiempo de inactividad.

Ejemplos de uso de Edge AI

Edge AI puede utilizarse en una amplia gama de escenarios. A continuación se exponen brevemente algunos de los casos de uso más comunes:

Asistentes virtuales: Edge AI se puede utilizar para potenciar asistentes virtuales como Siri y Google Assistant para responder a las preguntas del usuario y realizar órdenes a demanda.
Dispositivos inteligentes y tecnología ponible en el sector sanitario: Las organizaciones sanitarias pueden proporcionar a los pacientes dispositivos inteligentes vestibles, que utilizan biosensores para recopilar datos sobre su frecuencia cardíaca, presión arterial y patrones de sue?o para ayudar a informar sobre futuros tratamientos.
Dispositivos IoT para el mantenimiento preventivo en la fabricación: Las empresas de fabricación pueden instalar sensores en maquinaria y equipos en fábricas y almacenes para predecir posibles fallos y generar alertas para que un ingeniero pueda solucionar el problema antes de que haya tiempo de inactividad.
Robots autónomos: Las organizaciones pueden instalar sensores en vehículos autónomos, drones y vehículos de guiado automático (“automatic guided vehicles” o “AGV“) para proporcionar información en tiempo real sobre por dónde va el vehículo y dónde se encuentra, e incluso para proporcionar se?ales de datos que puedan guiar a los coches autoconducidos.

En resumen

Edge AI permite a las organizaciones recopilar información de dispositivos que se encuentran fuera de la red empresarial tradicional.

Las empresas que deseen recopilar y procesar datos de IoT y dispositivos inteligentes tendrán que adoptar enfoques de Edge AI si quieren obtener el máximo valor posible de los datos recopilados por estos recursos.