La IA en el borde saca el aprendizaje automático de los centros de datos remotos para llevarlo directamente al dispositivo que tienes entre las manos. En lugar de enviar los datos a la nube, el modelo se ejecuta allí donde aparecen los datos. Por lo tanto, las respuestas se proporcionan más rápidamente y, a menudo, tu información permanece confidencial. Esta guía explica qué es la IA en el borde, en qué se diferencia de la IA en la nube y en qué situaciones ya la utilizas a diario.
¿Qué significa realmente la IA en el borde?
La IA en el borde se refiere al aprendizaje automático que se ejecuta directamente en un dispositivo local. El término «borde» (edge) se refiere simplemente al extremo de una red, cerca del usuario. Así, un teléfono, una cámara o un altavoz conectado puede «pensar» por sí mismo sin pasar por un servidor.
Para ello, los ingenieros reducen un modelo entrenado hasta que quepa en un dispositivo pequeño. Eliminan las conexiones que no se utilizan y simplifican los cálculos. Como el modelo reside entonces en el dispositivo, puede responder en unos pocos milisegundos. Si quieres refrescar tus conocimientos sobre el principio subyacente, nuestra guía explicativa sobre los modelos de IA presenta muy bien los conceptos básicos.
Además, la ejecución local permite conservar los datos sin procesar en el propio dispositivo. Una pulsera conectada, por ejemplo, puede medir tu frecuencia cardíaca sin transmitirla a ningún sitio. Por lo tanto, la IA en el borde resulta especialmente atractiva para todos aquellos que dan importancia a la privacidad y a la rapidez. También reduce el coste asociado al envío de una cantidad infinita de datos a través de una red. Para las empresas que cuentan con miles de dispositivos, estos ahorros se acumulan rápidamente.
¿En qué se diferencia la IA en el borde de la IA en la nube?
La IA en la nube adopta el enfoque contrario. Tu dispositivo envía datos a un servidor potente, este ejecuta un modelo de gran tamaño y, a continuación, te devuelve la respuesta. Esto funciona bien para tareas pesadas, pero depende de una conexión estable. Puedes obtener una visión general en nuestra guía sobre la inteligencia artificial en la nube.
La computación en el borde supone un cambio radical. Como el modelo reside en el dispositivo, sigue funcionando incluso sin señal. Además, esto evita el retraso asociado al tránsito por la red. Sin embargo, la desventaja radica en la potencia de cálculo, ya que un chip local no puede competir con la potencia bruta de un centro de datos.
En la práctica, muchos productos combinan estos dos enfoques. Un teléfono puede procesar las consultas sencillas en el borde y delegar las más complejas a la nube. Es aquí también donde la inferencia de IA cobra toda su importancia, ya que el dispositivo debe ejecutar el modelo de forma rápida y eficaz.
El hardware detrás de la IA en el borde
El hardware dedicado a la IA en el borde es el motor que hace posible la inteligencia local. Los procesadores convencionales pueden ejecutar modelos pequeños, pero los chips especializados lo hacen mucho mejor. Los fabricantes incorporan ahora una unidad de procesamiento neuronal (o NPU) en muchos teléfonos y cámaras. Estos chips realizan los cálculos de IA consumiendo muy poca energía.
La eficiencia es aquí fundamental. Un teléfono no puede contar con un sistema de refrigeración gigantesco; por lo tanto, cada operación debe ser lo más ligera posible. Por ello, los diseñadores optimizan tanto el chip como el modelo. Adaptan el software al circuito integrado para obtener la mejor relación velocidad/vatio.
Más allá de los teléfonos, el hardware de IA en el borde está presente en coches, drones y sensores industriales. Cada uno de estos dispositivos debe tomar decisiones rápidas sin esperar una respuesta de la red. Además, los precios de estos chips no dejan de bajar, lo que permite integrar la inteligencia local en dispositivos cada vez más asequibles. Así, incluso los aparatos domésticos más sencillos incorporan ahora auténticas capacidades de aprendizaje automático. Para comprender mejor cómo aprenden los modelos antes de ser miniaturizados, consulta nuestra guía de introducción al aprendizaje automático.
Ejemplos cotidianos de IA en el borde
Probablemente utilices ejemplos de IA en el borde sin siquiera darte cuenta. El desbloqueo mediante reconocimiento facial, por ejemplo, se lleva a cabo íntegramente en tu teléfono. El dispositivo analiza tus rasgos de forma local y nunca envía tu rostro a un servidor. Este diseño garantiza tanto la rapidez como la privacidad del proceso.
Las cámaras inteligentes son otro ejemplo evidente. Un timbre puede distinguir entre una persona y un coche que pasa gracias a su propio chip. Del mismo modo, los auriculares con reducción de ruido filtran los sonidos en tiempo real mediante un minúsculo modelo integrado. Los asistentes de voz hacen cada vez más lo mismo con los comandos sencillos.
Es en el sector de la automoción donde están en juego los retos más importantes. Un sistema de asistencia a la conducción debe reaccionar en un instante; por lo tanto, no puede esperar una respuesta de la nube. Por eso, los fabricantes de automóviles están trasladando los procesos de cálculo más exigentes a la periferia. Según el informe de IBM sobre la IA en la periferia, esta tendencia se está extendiendo ahora a numerosos sectores.
Las limitaciones y los compromisos de la IA en el borde
La IA en el borde es potente, pero presenta límites reales. Un modelo pequeño rara vez alcanza la precisión de un modelo grande en la nube. Dado que los diseñadores se ven obligados a reducirlo para adaptarlo, se pierden ciertas capacidades. En el caso de tareas sencillas, esta diferencia es apenas perceptible, pero para tareas complejas, la nube sigue siendo la solución preferida.
Las actualizaciones suponen un segundo reto. Cuando un modelo se implementa en millones de dispositivos, mejorarlo implica implementar actualizaciones en cada uno de ellos. Además, es posible que los dispositivos más antiguos no dispongan de los chips necesarios para ejecutar los modelos más recientes. Por lo tanto, las empresas deben planificar cuidadosamente la gestión de un parque de hardware heterogéneo. La seguridad añade una complicación adicional, ya que cualquier persona que posea un dispositivo puede analizar el modelo que hay en él. Por ello, las empresas protegen celosamente sus mejores modelos.
A pesar de estos obstáculos, la IA en el borde sigue desarrollándose rápidamente. Ofrece una rapidez, una privacidad y una fiabilidad sin conexión que la nube por sí sola no puede garantizar. En conclusión, prepárate para que cada vez más de tus herramientas cotidianas «piensen por sí mismas», ejecutando discretamente la IA en el borde en los dispositivos que ya tienes.