Ilustración con collage de pictogramas de nubes, gráfico circular, pictogramas gráficos
La inteligencia artificial periférica se refiere a la implementación de algoritmos y modelos de IA directamente en dispositivos periféricos locales, como sensores o dispositivos de Internet de las cosas (IoT), lo que permite el procesamiento y el análisis de datos en tiempo real sin depender constantemente de la infraestructura en la nube.
En pocas palabras, Edge AI, o "IA en el perímetro", se refiere a la combinación de computación edge e inteligencia artificial para ejecutar tareas de machine learning directamente en dispositivos edge interconectados. La computación edge permite que los datos se almacenen cerca de la ubicación del dispositivo, y los algoritmos de IA permiten que los datos se procesen directamente en el perímetro de la red, con o sin conexión a Internet. Esto facilita el procesamiento de datos en milisegundos, proporcionando retroalimentación en tiempo real.
Los automóvil autónomos, los dispositivos portátiles, las cámaras de seguridad y los electrodomésticos inteligentes se encuentran entre las tecnologías que aprovechan las capacidades de Edge AI para ofrecer a los usuarios información en tiempo real cuando es más esencial.
La popularidad de Edge AI está creciendo a medida que las industrias descubren nuevas formas de aprovechar su poder para optimizar los flujos de trabajo, automatizar los procesos empresariales y desbloquear nuevas oportunidades de innovación, al tiempo que abordan preocupaciones como la latencia, la seguridad y la reducción de costos.
Obtenga más información sobre las soluciones de computación edge de IBM .
Gracias a Edge AI, la toma de decisiones localizada elimina la necesidad de transmitir datos constantemente a una ubicación central y esperar a que facilite la automatización de nuestras operaciones empresariales. No obstante, sigue siendo necesario transmitir los datos a la nube para volver a capacitar estos conductos de IA y desplegarlos. El despliegue de este modelo en numerosas ubicaciones y en una amplia gama de aplicaciones presenta retos específicos como la gravedad de los datos, la heterogeneidad, la escala y las limitaciones de recursos. La IA distribuida puede abordar estos retos a los que se enfrenta la Edge AI integrando la recopilación inteligente de datos, automatizando los ciclos de vida de los datos y la IA, adaptando y monitorear los radios y optimizando los conductos de datos e IA.
La inteligencia artificial distribuida (DAI) es responsable de distribuir, coordinar y pronosticar el desempeño de tareas, objetivos o decisiones dentro de un entorno de múltiples agentes. DAI escala las aplicaciones a una gran cantidad de radios y permite que los algoritmos de IA procesen de forma autónoma múltiples sistemas, dominios y dispositivos en el borde.
Actualmente, la computación en la nube y las API se emplean para capacitar e implementar modelos de machine learning. Posteriormente, la Edge AI realiza tareas de machine learning como análisis predictivo, reconocimiento de voz y detección de anomalías muy cerca del usuario, distinguir de los servicios de nube comunes de varias maneras. En lugar de que las aplicaciones se desarrollen y ejecuten completamente en la nube, los sistemas de Edge AI procesan y analizan los datos más cerca del punto donde se crearon. Los algoritmos de Machine Learning pueden ejecutarse en el borde y la información se puede procesar directamente a bordo de dispositivos IoT, en lugar de en un centro de datos privado o en una instalación de computación en la nube.
Edge AI se presenta como una mejor opción siempre que se requiera predicción en tiempo real y procesamiento de datos. Considere los avances más recientes en la tecnología de vehículos autónomos. Para garantizar la navegación segura de estos automóvil y evitar peligros potenciales, deben detectar y responder rápidamente a una variedad de factores, como señales de tráfico, conductores erráticos, cambios de carril, peatones, banquetas y muchas otras variables. La capacidad de Edge AI para procesar localmente esta información dentro del vehículo mitiga el riesgo potencial de problemas de conectividad que podrían surgir al enviar datos a un servidor remoto a través de IA basada en la nube. En escenarios de esta naturaleza, donde las respuestas rápidas de datos podrían determinar resultados de vida o muerte, la capacidad del vehículo para reaccionar rápidamente es absolutamente crucial.
Por el contrario, la IA en la nube se refiere a la implementación de algoritmos y modelos de IA en servidores en la nube. Este método ofrece mayores capacidades de almacenamiento y procesamiento de datos, lo que facilita el entrenamiento y la implementación de modelos de IA más avanzados.
La IA en la nube puede proporcionar mayores capacidades computacionales y de almacenamiento en comparación con la Edge AI, lo que facilita el entrenamiento y el despliegue de modelos de IA más complejos y avanzados. Edge AI viene con un límite en la capacidad de procesamiento debido a la limitación del tamaño del dispositivo.
La latencia afecta directamente la productividad, la colaboración, el performance de las aplicaciones y la experiencia del usuario. Cuanto más alta es la latencia (y más lentos son los tiempos de respuesta) más sufren estas áreas. Edge AI reduce la latencia al procesar los datos directamente en el dispositivo, mientras que la IA en la nube implica el envío de datos a servidores distantes, lo que aumenta la latencia.
El ancho de banda se refiere a la transferencia pública de datos del tráfico de red entrante y saliente en todo el mundo. Edge AI requiere un ancho de banda menor debido al procesamiento local de datos en el dispositivo, mientras que la IA en la nube implica la transmisión de datos a servidores distantes, lo que exige un mayor ancho de banda de red.
La arquitectura perimetral ofrece una mayor privacidad al procesar datos confidenciales directamente en el dispositivo, mientras que la IA en la nube implica transmitir datos a servidores externos, lo que podría exponer información confidencial a servidores de terceros.
En 2022, el mercado global de Edge AI se valoró en 14,787.5 millones de dólares y se espera que crezca a 66.47 millones de dólares para el año 2023, según un reporte realizado por Grand View Research, Inc (enlace externo a ibm.com). Esta rápida expansión de la computación edge está impulsada por el aumento de la demanda de servicios de computación edge basados en IoT, junto con otros beneficios inherentes de Edge AI. Los principales beneficios de Edge AI incluyen:
A través del procesamiento completo en el dispositivo, los usuarios pueden experimentar intervalos de respuesta rápidos sin demoras causadas por la necesidad de que la información viaje de regreso desde un servidor distante.
A medida que Edge AI procesa los datos a nivel local, minimiza la cantidad de datos transmitidos a través de Internet, lo que lleva a la preservación del ancho de banda de Internet. Cuando se emplea menos ancho de banda, la conexión de datos puede manejar un mayor volumen de transmisión y recepción simultánea de datos.
Los usuarios pueden realizar procesamiento de datos en tiempo real en dispositivos sin necesidad de conectividad e integración del sistema, lo que les permite ahorrar tiempo al consolidar datos sin necesidad de comunicar con otras ubicaciones físicas. Sin embargo, Edge AI puede encontrar limitaciones en la gestión del gran volumen y la diversidad de datos que exigen ciertas aplicaciones de IA y es posible que deba integrar con la computación en la nube para aprovechar sus recursos y capacidades.
La privacidad aumenta porque los datos no se transfieren a otra red, donde pueden ser vulnerables a los ciberataques. Al procesar la información localmente en el dispositivo, Edge AI reduce el riesgo de mal manejo de los datos. En industrias sujetas a regulaciones de soberanía de datos, Edge AI puede ayudar a mantener el cumplimiento procesando y almacenando datos localmente dentro de las jurisdicciones designadas. Por otro lado, cualquier base de datos centralizada tiene el potencial de convertir en un objetivo atractivo para los posibles atacantes, lo que significa que Edge AI no es completamente inmune a los riesgos de seguridad.
Edge AI expande los sistemas empleando plataformas basadas en la nube y capacidades de borde inherentes a las tecnologías de fabricantes de equipos originales (OEM), que abarcan tanto software como hardware. Estas compañías OEM comenzaron a integrar capacidades de borde nativas en sus equipos, simplificando así el proceso de escalamiento del sistema. Esta expansión también permite que las redes locales mantengan su funcionalidad incluso en situaciones en las que los nodos ascendentes o descendentes experimentan tiempos de inactividad.
Los gastos asociados con los servicios de IA alojados en la nube pueden ser elevados. Edge AI ofrece la opción de emplear costosos recursos en la nube como repositorio para la acumulación de datos de posprocesamiento, destinados a análisis posteriores en lugar de operaciones de campo inmediatas. Esto reduce las cargas de trabajo de las computadoras y redes en la nube. La utilización de CPU, GPU y memoria experimenta una gran reducción a medida que sus cargas de trabajo se distribuyen entre los dispositivos de borde, lo que distingue a Edge AI como la opción más rentable entre las dos.
Cuando la computación en la nube maneja todos los cálculos de un servicio, la ubicación centralizada soporta una carga de trabajo significativa. Las redes soportan un alto tráfico para transmitir datos a la fuente central. A medida que las máquinas ejecutan tareas, las redes se activan una vez más, transmitiendo datos al usuario. Los dispositivos Edge eliminan esta transferencia continua de datos de ida y vuelta. Como resultado, tanto las redes como las máquinas experimentan una reducción del estrés cuando se liberan de la carga de manejar cada aspecto.
Además, los rasgos autónomos de Edge AI eliminan la necesidad de una supervisión continua por parte de los científicos de datos. Aunque la interpretación humana desempeñará consistentemente un papel fundamental en la determinación del valor final de los datos y los resultados que producen, las plataformas de Edge AI asumen parte de esta responsabilidad, lo que en última instancia conduce a ahorros de costos para las empresas.
Edge AI emplea neural networks y aprendizaje profundo para capacitar modelos para reconocer, clasificar y describir con precisión objetos dentro de los datos dados. Este proceso de entrenamiento generalmente emplea un centro de datos centralizado o la nube para procesar el volumen sustancial de datos necesarios para el entrenamiento del modelo.
Luego de la implementación, los modelos de Edge AI mejoran progresivamente con el tiempo. Si la IA encuentra un problema, los datos problemáticos a menudo se transfieren a la nube para un entrenamiento adicional del modelo de IA inicial, que finalmente reemplaza el motor de inferencia en el borde. Este ciclo de retroalimentación contribuye significativamente a mejorar el rendimiento del modelo.
En la actualidad, los ejemplos comunes de Edge AI incluyen teléfonos inteligentes, accesorios portátiles de monitoreo de la salud (por ejemplo, relojes inteligentes), actualizaciones de tráfico en tiempo real en vehículos autónomos, dispositivos conectados y electrodomésticos inteligentes. Varias industrias también están implementando cada vez más aplicaciones de Edge AI para reducir costos, automatizar procesos, mejorar la toma de decisiones y optimizar las operaciones.
Los proveedores de asistencia sanitaria están experimentando una transformación sustancial mediante la aplicación práctica de Edge AI y la introducción de dispositivos de última generación. Cuando se combina con nuevos avances de vanguardia, esta tecnología está a punto de construir sistemas de atención médica más inteligentes, al tiempo que salvaguarda la privacidad del paciente y reduce los tiempos de respuesta.
Utilizando modelos de IA integrados localmente, los monitores de salud portátiles evalúan métricas como la frecuencia cardíaca, la presión arterial, los niveles de glucosa y la respiración. Los dispositivos portátiles de Edge AI también pueden detectar cuando un paciente se cae repentinamente y alertar a los cuidadores, una característica que ya se incluye en los relojes inteligentes comunes en el mercado.
Al equipar los vehículos de emergencia con capacidades de procesamiento rápido de datos, los paramédicos pueden extraer información de los dispositivos de monitoreo de la salud y consultar con los médicos para determinar estrategias efectivas de estabilización del paciente. Al mismo tiempo, el personal de la sala de emergencias puede preparar para abordar los requisitos de atención únicos de los pacientes. La integración de Edge AI en tales circunstancias ayudará a facilitar el intercambio en tiempo real de información crítica sobre la salud.
Los fabricantes de todo el mundo han iniciado la integración de la tecnología de Edge AI para revolucionar sus operaciones de fabricación, mejorando así la eficiencia y la productividad en el proceso.
Los datos de los sensores pueden aprovechar para identificar proactivamente anomalías y pronosticar averías en las máquinas, lo que también se conoce como mantenimiento predictivo. Los sensores de los equipos localizan las imperfecciones y notifican rápidamente a la dirección las reparaciones cruciales, lo que permite resolverlas a tiempo y evitar tiempos de inactividad operativos.
Edge AI también se puede aplicar a otras áreas de necesidad en esta industria, como el control de calidad, la seguridad de los trabajadores, la optimización del rendimiento, el análisis de la cadena de suministro y la optimización de pisos.
No es ningún secreto que las compañías experimentaron una tendencia masiva con el aumento de la popularidad del comercio electrónico y las compras en línea. Las tiendas minoristas tradicionales de ladrillo y mortero se han visto obligadas a innovar para crear una experiencia de compra perfecta y atraer a los clientes. Con este cambio surgieron nuevas tecnologías, como las tiendas “pick-and-go”, los carritos de compra inteligentes con sensores y las cajas inteligentes. Estas soluciones emplean tecnología de Edge AI para mejorar y agilizar la experiencia convencional de los clientes en la tienda.
El panorama contemporáneo está saturado de dispositivos inteligentes "" como timbres, termostatos, frigoríficos, sistemas de entretenimiento y focos controlados. Estos hogares inteligentes contienen ecosistemas de dispositivos que emplean Edge AI para mejorar la calidad de vida de los residentes. Tanto si un residente necesita identificar a alguien en su puerta como controlar la temperatura de su casa a través de su dispositivo, la tecnología de vanguardia puede procesar rápidamente los datos in situ sin necesidad de transmitir la información a un servidor remoto centralizado. Esto ayuda a mantener la privacidad del residente y reduce el riesgo de acceso no autorizado a sus datos personales.
La velocidad es de suma importancia para video analytics de seguridad. Numerosos sistemas de visión artificial carecen de la velocidad adecuada requerida para el análisis en tiempo real, y en lugar de procesar localmente las imágenes o videos capturados de las cámaras de seguridad, estos sistemas los transmiten a una máquina basada en la nube equipada con capacidades de procesamiento de alto rendimiento. Sin procesar los datos localmente, estos sistemas basados en la nube encuentran obstáculos debido a problemas de latencia, caracterizados por retrasos en la carga y el procesamiento de datos.
Las aplicaciones de visión artificial y las capacidades de detección de objetos de Edge AI en dispositivos de seguridad inteligentes identifican actividad sospechosa, notifican a los usuarios y activan alarmas. Estas capacidades proporcionan a los residentes una mayor sensación de seguridad y tranquilidad.
Multiplique el poder de la IA con nuestra plataforma de datos e IA de nueva generación.
IBM proporciona una oferta de administración autónoma que aborda la escala, la variabilidad y la tasa de cambio en los entornos de borde, y soluciones para ayudar a las empresas a modernizar sus redes y brindar servicios en el borde.
Las soluciones IBM Power Systems e IBM Storage ponen los modelos de IA a trabajar en el borde. Desbloquee insights a partir de datos visuales en vivo generados en el borde.
Aproveche la computación edge para aliviar la congestión de la red causada por las tecnologías emergentes.
Escuche a Nirmit Desai de IBM Research explicar la IA distribuida y las capacidades que proporciona.
Considere la posibilidad de migrar su aplicación empresarial más cerca de sus fuentes de datos del mundo real.
Vea cómo la computación edge de IBM permite la convergencia de 5G y tecnologías edge.
Desarrollar soluciones para la gestión de dispositivos periféricos y el análisis en el dispositivo en la fuente de datos.
Lea sobre los beneficios, desafíos y arquitecturas para las implementaciones de computación edge específicas de la industria.