La IA, el aprendizaje automático y la computación de borde son cada vez más importantes como componentes clave de una solución IoT completa e integrada. En esta entrada del blog, ofreceremos la definición de IA/ML como punto de partida, y hablaremos de los usos y ventajas clave de la computación de borde en las redes modernas. Por último, hablaremos de cómo la integración de estas tecnologías admite casos de uso sofisticados, incluidas las aplicaciones de visión por ordenador. Y, por supuesto, compartiremos cómo Digi soporta hoy estas tecnologías de próxima generación.
Nuestro informe
Conozca la tecnología Edge Computing
Descargar PDF
¿Qué es la IA/ML?
La Inteligencia Artificial (IA) se refiere a la simulación de la inteligencia humana en máquinas, lo que les permite realizar tareas como aprender, razonar y resolver problemas. El aprendizaje automático (AM) es un subconjunto de la IA que se centra en algoritmos y modelos estadísticos que permiten a los ordenadores aprender de los datos y hacer predicciones a partir de ellos. El aprendizaje automático consiste en entrenar modelos a partir de datos para reconocer patrones, mejorar el rendimiento y tomar decisiones sin estar explícitamente programado. En resumen, la IA engloba una amplia gama de capacidades, como el ML, el procesamiento del lenguaje natural y la robótica, con el objetivo de crear sistemas que puedan realizar tareas complejas de forma autónoma, y el aprendizaje automático es un componente clave.
¿Por qué el Edge Computing es fundamental para las redes modernas?
La computación de borde procesa los datos más cerca de donde se generan, lo que ofrece varias ventajas sobre la computación en nube. Entre ellas están la reducción de la latencia, ya que los datos no tienen que viajar a un servidor distante; la mejora de la velocidad y el rendimiento, crucial para las aplicaciones en tiempo real; la mejora de la seguridad y la privacidad, ya que los datos pueden procesarse localmente; la disminución del uso y los costes del ancho de banda, ya que se transmiten menos datos a la nube; y el aumento de la fiabilidad y la disponibilidad, ya que el procesamiento local puede continuar incluso si se interrumpe la conexión de red a la nube. Estas ventajas hacen que la computación de borde sea ideal para IoT, la automatización de la fabricación, los vehículos autónomos, las aplicaciones de visión por ordenador y otras aplicaciones sensibles a la latencia.
¿Qué significa todo esto? En el caso de la automatización de la fabricación, por ejemplo, consideremos el hecho de que los humanos podemos gestionar una tarea a la vez. Nuestros ojos y sentidos pueden detectar ciertas vistas, y ciertas anomalías, pero podríamos pasar por alto fácilmente una pequeña idiosincrasia en una línea de producción que avanza a gran velocidad. En comparación con los ordenadores, somos muy lentos y falibles. En las aplicaciones de visión por ordenador, donde deben producirse múltiples acciones rápidamente (a veces en fracciones de segundo) y con la máxima precisión, la intervención humana es imposible. La automatización requiere una precisión extrema, un procesamiento de datos rápido y robotizado, y acciones que puedan ejecutarse con exactitud en nanosegundos.
Otro concepto clave es que estos eventos críticos de procesamiento de datos y automatización de precisión no tienen espacio para la latencia. Esto significa que los datos no pueden enviarse desde un dispositivo -ya se encuentre en una planta de fabricación, un almacén o un vehículo de movimiento rápido- a una aplicación basada en la nube para su procesamiento, seguido de otro proceso que consume tiempo para devolver los datos al dispositivo sobre el terreno.
Transformación en la periferia: el impacto de la inteligencia artificial y la visión por ordenador en todos los sectores
Acabamos de explicar brevemente por qué es importante que los dispositivos inteligentes conectados del Internet de las Cosas realicen el procesamiento y tomen decisiones por sí mismos, incluso con la disponibilidad de potentes centros de datos de servidores o servicios en la nube.
Veamos ahora más de cerca las principales ventajas potenciales de estas dos tecnologías emergentes y de tendencia: la inteligencia artificial en los bordes y la visión por ordenador.
Ancho de banda
Los dispositivos inteligentes recogen una enorme cantidad de datos en comparación con su ancho de banda o capacidad de transmisión. De hecho, la inmensa mayoría de estos datos recogidos por los sensores se desecha en muchos casos. Por ejemplo, las simples aplicaciones de monitorización se centran en detectar cuándo se supera un umbral, pero no identifican patrones en los datos para deducir posibles situaciones a corto y medio plazo.
Una solución posible y tentadora sería recurrir a la computación en nube. Sin embargo, no siempre hay suficiente conectividad, ancho de banda o potencia para enviar de forma fiable flujos de datos personalizados a granjas de servidores. IoT dispositivos desplegados sobre el terreno suelen funcionar con baterías y no siempre están conectados. Aquí es donde la IA periférica desempeña un papel crucial. Aunque algunos modelos de aprendizaje automático pueden ser bastante exigentes en términos de recursos computacionales, aún están lejos de alcanzar los niveles necesarios para la transmisión de datos, siendo ésta una de las tareas que más energía consume en un sistema embebido.
Algunos análisis de datos pueden llevarse a cabo en el propio dispositivo sin necesidad de transmitir todos los datos a la nube, aprovechando únicamente la comunicación máquina a máquina (M2M) en el caso de alarmas y alertas que redunden en la optimización de la duración de la batería. Por supuesto, también es bastante común encontrarse con dispositivos sin ningún tipo de conexión que en el pasado quedaban relegados a tareas más limitadas, debido a su desconexión de Internet, en los que la IA de borde ofrece también un amplio abanico de posibilidades.
Latencia
La transmisión de datos puede tardar cientos de milisegundos en un viaje de ida y vuelta desde el borde hasta la nube. Esto en el caso de conexiones con un ancho de banda suficiente y fiable, ya que, por ejemplo, las comunicaciones por satélite pueden retrasar este intercambio varios minutos o incluso horas.
Algunos casos de uso requieren respuestas más rápidas y con la menor fluctuación posible. Ejemplos como los vehículos autónomos no pueden depender de las comunicaciones con servidores remotos. Edge AI resuelve este problema eliminando el tiempo total de ida y vuelta de la ecuación, ya que la aplicación de IA se ejecuta a bordo.
Economía
Hablemos de dinero. Los productos conectados llevan implícito el coste derivado de la conectividad. Cuanto mayor sea el ancho de banda y el alcance, mayor será la factura. La IA Edge reduce y, en algunos casos, evita los costes de transmisión y procesamiento de datos en la nube, haciendo posibles soluciones que antes no eran rentables. En determinadas implantaciones, el coste de la conectividad puede no ser una preocupación, pero es importante tener en cuenta el coste de mantener la infraestructura del lado del servidor o los recursos de computación en la nube.
Cabe mencionar que, aunque el aprovechamiento de las aplicaciones edge AI no elimina por completo estos costes, debido a la necesidad de supervisión de los dispositivos y actualización de los algoritmos, gracias a edge AI se puede disminuir en gran medida la carga de mantenimiento, por ejemplo, reduciendo el número de veces que se debe enviar a un técnico para realizar algunas tareas manuales in situ.
Fiabilidad
Según el Glosario del NISTLa definición es la siguiente: "La capacidad de un sistema o componente para funcionar en las condiciones establecidas durante un periodo de tiempo determinado". Parece evidente que los productos o sistemas controlados por IA de borde son a priori más fiables que las soluciones que dependen de la conectividad y el procesamiento externos o en la nube. Añadir tecnologías de conectividad inalámbrica (incluso por cable) junto con tecnologías en la nube, supone añadir un complejo y abrumador conjunto de dependencias.
Todo esto se traduce en un riesgo sustancial de fiabilidad incluso cuando se toman las decisiones correctas, ya que no todo está bajo control. Es cierto que para algunos casos de uso este escenario aún puede ser manejable a expensas de la experiencia del usuario final. Sin embargo, para otros casos, la seguridad es un requisito obligatorio. Imaginemos un sistema basado en IA que monitoriza a un paciente mientras se somete a una intervención quirúrgica y se encarga de analizar y detectar posibles desviaciones de los parámetros seguros de funcionamiento. Un corte de Internet no puede en ningún caso poner en peligro la vida del paciente. El dispositivo debe ser capaz de funcionar de forma autónoma en caso de un problema de conectividad, ya que la IA está integrada y se ejecuta en el propio sistema integrado sin depender de conexiones externas. Por su propia naturaleza, la IA periférica es compleja, con una curva de aprendizaje pronunciada y sus propios riesgos. Sin embargo, puede ser una herramienta fundamental para mejorar la fiabilidad de soluciones que hasta ahora dependían de una conectividad global compleja.
Privacidad
La privacidad es un concepto muy manido hoy en día. En los últimos años, la mayoría de los usuarios finales hemos aceptado sin apenas resistencia el equilibrio entre privacidad y manejabilidad. Nuestros productos electrónicos se hacen más inteligentes a costa de que nuestros datos y decisiones se tomen en servidores alojados en centros de datos a cientos o miles de kilómetros de distancia. Incluso en aquellas aplicaciones que parecen inocuas, la privacidad sigue siendo una gran preocupación porque siempre existe la posibilidad de que nuestros datos queden expuestos debido a fallos de seguridad o vulnerabilidades.
En este sentido, la IA de borde también permite un gran número de casos de uso, especialmente en sectores como el industrial y el sanitario. Si los datos se procesan dentro de sistemas integrados, y rara vez se transmiten a la nube, la probabilidad de comprometer la privacidad del usuario es marginal. Además, según las estrictas normas de seguridad de estos sectores, los productos con más posibilidades de ser aprobados para su lanzamiento al mercado son los que no recopilan datos ni envían flujos indiscriminadamente a la nube.
Ejemplos de aplicaciones de inteligencia artificial y visión por ordenador
Analicemos cómo se integran hoy en día las implementaciones de inteligencia artificial y visión por ordenador en distintos sectores. Es solo el principio de esta apasionante tendencia, a medida que el sector explora las posibilidades.
Imágenes médicas en el dispositivo y rehabilitación inteligente
La IA Edge también es aplicable a la sanidad y trae consigo varias ventajas derivadas de este joven paradigma tecnológico. Tradicionalmente, las técnicas de imagen médica transfieren grandes cantidades de datos a los servidores para su procesamiento. Transmisiones de enormes cantidades de datos sensibles de los pacientes a través de la red que ponen en riesgo su privacidad y retrasan la entrega de diagnósticos.
El análisis en tiempo real de imágenes médicas puede realizarse en el propio dispositivo gracias a la IA de vanguardia. Pensemos, por ejemplo, en los ecógrafos. Esto mejora la precisión y el tiempo de diagnóstico, al tiempo que mantiene la protección de los datos del paciente. Los algoritmos Edge AI pueden detectar anomalías en las exploraciones y proporcionar información inmediata a los especialistas médicos.
Esto es sólo el principio, ya que se espera un aumento significativo del número de aplicaciones de imágenes médicas integradas gracias a tendencias tecnológicas como TinyML (Tiny Machine Learning), centradas en el despliegue de modelos en dispositivos periféricos de bajo consumo.
También podemos hablar de lo que está por venir en términos de rehabilitación inteligente que se beneficia de la retroalimentación en tiempo real para afinar las terapias médicas y mejorar el progreso del paciente. El uso de la inferencia in situ permite a los dispositivos médicos edge AI analizar los datos de los sensores, adaptarse a las necesidades y características individuales de cada paciente en tiempo real y mejorar su comodidad, así como la eficacia de la terapia, y sacar el máximo partido de las sesiones de rehabilitación sin necesidad de supervisión continua.
Mejoras en aplicaciones logísticas rápidas
Gracias a los escáneres de códigos QR con IA de borde y visión por ordenador integrados, el sector de la cadena de suministro está disfrutando de las ventajas de la IA/ML de borde y la visión por ordenador.
Piense en la cantidad de paquetes que se mueven por el mundo desde que confirmamos nuestra cesta de la compra hasta que la empresa de transporte nos los entrega en la puerta de casa unos días después. A esto hay que añadir las devoluciones de aquellos productos que no cumplieron nuestras expectativas. El volumen de paquetes es enorme, y su gestión logística es increíblemente compleja.
Una de las herramientas más utilizadas en los almacenes son los lectores portátiles de códigos de barras o códigos QR. En este caso, la combinación de IA de vanguardia junto con la visión por ordenador en el propio dispositivo permite superar el reto de leer códigos dañados o muy distorsionados o incluso bajo blísteres que no es posible descodificar con el enfoque tradicional de algoritmos basados en reglas. Este último es un tipo muy primitivo de IA que utiliza un conjunto de reglas preescritas, que implican conocimientos humanos codificados en forma de reglas como afirmaciones si-entonces, para tomar decisiones y resolver problemas.
Gracias a un mayor rendimiento de descodificación, es posible descifrar códigos con manchas, arañazos y fondos rugosos. Todos sabemos que nuestros paquetes no se reciben ni se envían de forma inmaculada. La descodificación local aporta baja latencia y menor consumo de energía, entre otras ventajas inherentes a la IA de borde.
Control de calidad en tiempo real en el sector industrial
En el exigente sector industrial, las expectativas de los clientes y las estrictas normativas y reglamentos industriales requieren mantener una alta calidad de los productos. Edge AI permite el control de calidad en tiempo real mediante la inferencia en el dispositivo para la detección automática de anomalías y defectos.
Podemos conseguirlo gracias al despliegue de modelos de IA1 directamente en sistemas integrados que realizan las arduas tareas de analizar datos de sensores u objetos en tiempo real mediante visión por ordenador y con gran precisión para poner en marcha acciones correctivas de inmediato una vez detectados los defectos y abordar así los posibles problemas sin demora.
Las ventajas derivadas de este nuevo enfoque son múltiples, como la drástica reducción de la latencia en los procesos de control de calidad. Entre ellas cabe destacar:
- Mejoras en la seguridad de los datos
- Ahorro de costes al eliminar las complejas infraestructuras de almacenamiento y comunicación de datos.
- Reducción de residuos
- Mantener la sostenibilidad
- Evitar costosas retiradas de productos clasificados erróneamente como conformes
- Garantizar el lanzamiento de productos que cumplan los requisitos del mercado a tiempo y antes que los competidores.
De hecho, otra ventaja subyacente de las soluciones de IA de vanguardia integradas es su gran flexibilidad en procesos de fabricación dinámicos, siendo capaces de ajustarse a los rápidos cambios ya habituales de los clientes.
Mejora de la movilidad urbana y la seguridad vial
Otra área de especial interés es la gestión del tráfico y su relación con la calidad de vida de los urbanitas. Edge AI permite mejorar la movilidad urbana mediante modelos de predicción del tráfico que analizan los datos de cámaras y sensores repartidos por las ciudades. Imaginemos, por ejemplo, un servicio de autobuses dotado de IA y equipado con sensores que ajustan rutas y horarios en tiempo real en función del estado del tráfico, las condiciones meteorológicas o los accidentes de tráfico, mejorando la experiencia de los pasajeros y reduciendo los retrasos.
Más allá de la optimización de las rutas de transporte público, edge AI permite agilizar las secuencias de las señales de tráfico. Pensemos en semáforos adaptativos que utilizan datos en tiempo real de cámaras y sensores de tráfico para mejorar la sincronización de las señales, por ejemplo, ajustando la duración de la luz verde, lo que permite reducir la congestión, lo que a su vez se traduce en menores emisiones, acercándose a los objetivos de sostenibilidad medioambiental.
Presentamos Digi ConnectCore® MP25: nuestra última e innovadora solución SOM con NPU e ISP
Ha llegado el momento de liberar todo el potencial de la inteligencia artificial y la visión por ordenador utilizando tecnología de última generación y sistemas integrados de vanguardia con el nuevo miembro del ecosistema Digi ConnectCore de soluciones OEM: el Digi ConnectCore MP25 Sistema en módulo (SOM) STM32MP25.
Digi ConnectCore MP25 es un SOM inalámbrico versátil, seguro y rentable diseñado para aplicaciones industriales y dispositivos conectados inteligentes. El STM32MP25 de STMicroelectronics incorpora redes sensibles al tiempo (TSN), una unidad de procesamiento neuronal (NPU) y procesamiento de señales de imagen (ISP) para aplicaciones de inteligencia artificial y visión por ordenador. El factor de forma SMTplus® compacto (30 x 30 mm) es ideal para dispositivos portátiles pequeños en los que es fundamental un menor consumo de energía.
Con funciones de inteligencia artificial y aprendizaje automático, y conectividad inalámbrica de alta fiabilidad, es la solución perfecta para aplicaciones de visión por ordenador seguras. Altamente robusta para los exigentes casos de uso industrial, médico, de servicios públicos y de transporte, y diseñada para ofrecer longevidad, escalabilidad y un tiempo de funcionamiento del 100 % para ciclos de vida de producto de más de 10 años. Diseñada para reducir costes, acelerar el desarrollo y garantizar la calidad de los productos basados en IA de vanguardia.
Con potentes funciones para aplicaciones en las que el reconocimiento de objetos es fundamental:
- Cámaras de seguridad y visión industrial
- Sistemas de control y gestión del tráfico
- Dispositivos portátiles inteligentes
- Industria 4.0 - automatización de la fabricación
Digi ConnectCore Lo más destacado de la MP25:
Plataforma SOM integrada, escalable y de calidad industrial- NPU e ISP que proporcionan capacidades avanzadas de IA y visión por ordenador
- Wi-Fi 6 de doble banda precertificada (preparada para la tribanda 6E) 802.11ax y Bluetooth® 5.4
- Gestión de la energía con soporte de hardware y software
- Factor de forma Digi SMTplus (30 x 30 mm) para la máxima fiabilidad
- Integración perfecta de módem celular y Digi XBee
- Digi ConnectCore Servicios en la nube para acceso remoto, gestión de dispositivos, actualizaciones de firmware over-the-air (OTA) seguras y habilitación de aplicaciones IoT
- Digi ConnectCore Servicios de seguridad para garantizar la seguridad durante todo el ciclo de vida del producto
- Compatibilidad con seguridad Digi Embedded Yocto Linux y Digi TrustFence
- Servicios de desarrollo llave en mano disponibles en Digi WDS
Obtenga la hoja de datos
Más información sobre Digi ConnectCore MP25
Descargar PDF
Próximos pasos
1. Un ejemplo de modelo de IA es el conocimiento que se ha generado normalmente en la nube mediante el entrenamiento con enormes cantidades de datos. Estos modelos se despliegan en dispositivos de borde in situ o a través de servicios en la nube como Digi ConnectCore Cloud Services. Los modelos se generan fuera de los dispositivos de borde porque requieren una potencia de cálculo significativa. Ese es uno de los negocios potenciales de la IA de borde (IA en general).