Utilizando inteligencia artificial (IA) en el edge computing, las empresas ahora pueden crear flujos de trabajo de IA eficientes que abarcan tanto la nube como dispositivos ubicados fuera de la nube. Esto implica máquinas cercanas a los seres humanos y objetos físicos que pueden facilitar tareas importantes de manera más rápida en comparación con los centros de datos centralizados.
Esta es una desviación dramática de la práctica predominante de crear algoritmos de IA en la nube y desplegarlos en escritorios o hardware específico para tareas como leer números de cheques. La IA en la nube se ha vuelto tan popular que las personas han comenzado a llamarla así en tiempos recientes. Además, las técnicas anteriores de desarrollo de aplicaciones de IA ahora están siendo sustituidas por enfoques más avanzados.
Demasiado a menudo, el “edge” se define como un objeto tangible - como una puerta de enlace, router o torre de celular 5G. Sin embargo, no debemos olvidar que la IA en el edge tiene una capacidad inmensa para mejorar artículos como teléfonos inteligentes y vehículos autónomos por igual. La IA en el edge verdaderamente da vida a estos dispositivos.
Para comprender mejor la importancia de la tecnología edge, considérela como una forma de expandir estrategias de transformación digital que han sido creadas en la nube. Además, varias formas de innovación en el edge han sido utilizadas para mejorar la eficiencia y rendimiento de computadoras, teléfonos inteligentes, vehículos, electrodomésticos y otros dispositivos que utilizan las mejores prácticas basadas en la nube. Además, la IA en el edge se enfoca en arquitecturas y procesos para amplificar la ciencia de datos, aprendizaje automático y la inteligencia artificial fuera del entorno de la nube.
En el pasado, la mayoría de los programas de inteligencia artificial se establecieron utilizando técnicas de IA simbólica que imponían reglas en aplicaciones; por ejemplo, sistemas expertos o algoritmos de detección de fraude. Ocasionalmente, se podían utilizar enfoques de IA no simbólica, como redes neuronales, para crear una aplicación como el reconocimiento óptico de caracteres en números de cheques o texto mecanografiado.
Después de una larga y extensa investigación, los científicos han descubierto cómo expandir redes neuronales profundas en la nube para que puedan ser utilizadas para entrenar modelos de IA y generar respuestas basadas en información de entrada, un proceso conocido como inferencia. La IA en el edge lleva este desarrollo aún más allá al enviarlo más allá de lo que está disponible desde la nube. Generalmente hablando, la IA en el edge se emplea para tareas de inferencia mientras que la IA basada en la nube se encarga del entrenamiento de nuevos algoritmos.
Los algoritmos de inferencia son mucho menos exigentes en recursos y consumo de energía en comparación con los algoritmos de entrenamiento. Este funcionamiento eficiente hace posible que las tareas de inferencia se ejecuten en CPUs ordinarias o incluso en microcontroladores de bajo rendimiento en dispositivos edge. Para trabajos más exigentes, también se pueden utilizar chips de IA que mejoren el rendimiento mientras reducen el consumo de energía.
La IA en el edge ofrece numerosas ventajas en comparación con la IA en la nube, a saber:
La IA en el edge aprovecha la potencia del cómputo en la nube y las operaciones actuales para maximizar la eficacia de sus algoritmos. Encuentra aplicaciones en varias áreas, incluyendo reconocimiento de voz, detección de huellas digitales, sistemas de autenticación por reconocimiento facial, contramedidas contra el fraude y vehículos autónomos. Con la IA en el edge, su oferta de productos o servicios evolucionará rápidamente con el tiempo - las probabilidades son que no quiera perderse esta oportunidad.
Como ejemplo, considere la implementación de un sistema de navegación autónoma donde los algoritmos de IA se entrenan en la nube, mientras que la inferencia se realiza localmente para controlar y gestionar la dirección, aceleración y frenos. Los científicos de datos pueden desarrollar modelos de conducción autónoma mejorados dentro de la nube, que pueden enviarse directamente a todos los vehículos que los requieran.
En algunos vehículos, los sistemas de inteligencia artificial (IA) imitan el manejo del automóvil incluso cuando un humano está conduciendo. Si el sistema de IA detecta una acción inesperada del conductor, registra y carga el video relevante a su base de datos en la nube para mejorar su algoritmo. Este programa principal de control se mejora entonces mediante datos agrupados de todos los vehículos de su flota con cada actualización sucesiva.
¿Se pregunta cómo puede cobrar vida la IA en el edge? Aquí hay algunos ejemplos de lo que podría parecerse:
Trazar la trayectoria de la IA en el edge y la IA en la nube puede ser confuso, así que empecemos por sus orígenes. Las computadoras centrales, escritorios, teléfonos inteligentes y sistemas embebidos llegaron mucho antes de anything relacionado con una “nube” o un “edge”. Sus aplicaciones avanzaron poco a poco a través de prácticas de desarrollo Waterfall dolorosamente lentas que tenían equipos apretujando tanta funcionalidad y pruebas en actualizaciones anuales.
La nube revolucionó cómo los centros de datos podían aprovechar la automatización, permitiendo así a los equipos abrazar técnicas de desarrollo Ágil. En la actualidad, algunas aplicaciones en la nube de gran tamaño se actualizan tantas veces como docenas de veces al día. Estas actualizaciones más granulares hacen factible para los desarrolladores implementar funciones de aplicación en piezas más pequeñas. Mientras tanto, el concepto de computación en el edge proporciona una forma de extender estos enfoques de desarrollo modular más allá de solo la nube - ¡hasta llegar a dispositivos individuales como teléfonos, electrodomésticos y vehículos autónomos! Esta es la llamada IA en el edge: un flujo de trabajo extendido que nos permite aprovechar la inteligencia artificial en el dispositivo o en ubicaciones remotas del edge con facilidad.
Los dispositivos de IA en el edge vienen en una variedad de formas y capacidades. Por ejemplo, incluso el altavoz inteligente más básico envía todos los datos de audio a la nube para su procesamiento; sin embargo, tecnologías más avanzadas de IA en el edge, como servidores de acceso 5G, tienen capacidades más amplias que van más allá del uso personal y hacia áreas locales. El grupo LF Edge de la Fundación Linux examina bombillas, teléfonos celulares, computadoras locales así como centros de datos regionales más pequeños - cada uno con niveles variados de tecnología de dispositivos edge.
La IA en el edge y la IA en la nube forman una relación cooperativa con el dispositivo edge, contribuyendo ambos al entrenamiento y la inferencia. En un lado de la ecuación, los datos se envían desde un dispositivo edge a la nube para inferencia; en el otro extremo, el cálculo local puede ejecutar modelos entrenados en la nube directamente en el origen. Y entre estos dos enfoques se encuentra una participación más sustancial por parte de la IA en el edge - como tomar parte en roles más grandes mientras ayuda a entrenar algoritmos de aprendizaje automático.
La IA en el edge es un área de rápido crecimiento y expansión; el grupo LF Edge estima que para 2028, el consumo de energía para dispositivos edge habrá aumentado 40 veces hasta llegar a 40 GW. Actualmente, productos de consumo como teléfonos inteligentes, dispositivos portables y electrodomésticos son responsables de gran parte de este consumo. Sin embargo, las aplicaciones empresariales están destinadas a volverse cada vez más prominentes en áreas que incluyen sistemas de pago sin cajero; hospitales inteligentes; ciudades inteligentes; operaciones de la industria 4.0 y automatización de la cadena de suministro.
La emergente tecnología de aprendizaje profundo federado podría revolucionar la privacidad y seguridad de la IA en el edge. En lugar de enviar un subconjunto de datos brutos de cada dispositivo a la nube para entrenamiento, como es común en la IA tradicional, el aprendizaje federado permite a los dispositivos hacer sus propias actualizaciones locales que se envían a la nube en lugar de los datos reales, reduciendo así las posibles amenazas a la privacidad. Además, una mejor orquestación a un nivel mejorado estará disponible en los dispositivos edge gracias a esta nueva tecnología.
Actualmente, la mayoría de los algoritmos de IA en el edge están ejecutando inferencia local directamente contra datos visibles para el dispositivo. Con el tiempo, herramientas más complejas podrían realizar inferencia local utilizando información de un conjunto de sensores cerca del aparato.
En comparación con las prácticas bien establecidas de DevOps para crear aplicaciones, el desarrollo y operaciones de modelos de IA aún están en sus primeras etapas. Los científicos de datos y los ingenieros enfrentan varios problemas de gestión de datos mientras intentan manejar flujos de trabajo de IA en el edge que implican orquestar procesos diversos - desde la recopilación de datos en dispositivos edge hasta el despliegue de modelos en la nube.
A medida que la tecnología continúa progresando, las herramientas diseñadas para estos procesos probablemente también se actualizarán. Esto hará factible escalar aplicaciones de IA en el edge y desarrollar nuevas arquitecturas de IA. Por ejemplo, los especialistas ya han comenzado a probar formas de incorporar la IA en el edge en centros de datos 5G que están más cerca de dispositivos móviles y de Internet de las Cosas (IoT). Además, nuevas herramientas podrían dar a las empresas la oportunidad de explorar almacenes de datos federados únicos con información almacenada más cerca del edge también!
La inteligencia artificial (IA) es una herramienta poderosa que puede ayudar a las empresas a automatizar tareas repetitivas. Al liberar a los empleados humanos, las empresas pueden enfocarse en...
Importancia de los centros de datos eficientes en energía: Los centros de datos sirven como columna vertebral de la infraestructura digital moderna, alojando y procesando enormes cantidades de datos. Sin embargo, su consumo de energía contribuye...
La inteligencia artificial (IA) se basa en algoritmos que producen resultados específicos según la entrada que reciben. A diferencia de los programas informáticos tradicionales, la IA es capaz de...
Introducción a los aceleradores de IA: A medida que la tecnología de inteligencia artificial (IA) se expande, los aceleradores de IA son fundamentales para procesar las grandes cantidades de datos necesarias para ejecutar aplicaciones de...
Ventajas de vivir en un mundo de máquinas: Mayor eficiencia: Los sistemas impulsados por inteligencia artificial pueden realizar tareas más rápido y con mayor precisión que los humanos. Esta eficiencia se traduce en una mayor productividad en...
En una era en que el cambio climático representa una amenaza sin precedentes para nuestro planeta, la necesidad de monitorear y reducir con precisión las emisiones de gases de efecto invernadero...