Qué es la IA en el borde

Las capacidades innovadoras en el borde, que facilitan los avances nuevos en desempeño y eficiencia, se equilibran para reunir al mundo físico y al digital. La IA en el borde, que lleva la IA a los dispositivos y sensores locales, permite un rápido análisis de los datos y una acción independiente de la nube o el centro de datos. Esto permite una capacidad de respuesta e información casi en tiempo real, una mayor eficiencia, una reducción de los costos operativos y la capacidad de ofrecer nuevos tipos de experiencias de los clientes.

El papel de la IA en el borde

Tanto si el objetivo final es automatizar los flujos de trabajo de imágenes médicas para acelerar el diagnóstico como mejorar la eficiencia operativa en una planta de fabricación de metales, el papel de la IA en el borde es el mismo: aprovechar los datos para actuar con mayor rapidez. En el ámbito de la IA, esto se consigue mediante una tarea conocida como inferencia.

Durante la inferencia, los datos de entrada en tiempo real se introducen en un modelo de IA que se entrenó previamente para llevar a cabo funciones como tomar decisiones, enviar alertas, proporcionar información o completar tareas como la clasificación de imágenes.

La IA en el borde utiliza con frecuencia dispositivos de Internet de las cosas (IoT), como cámaras, fuentes de datos y sensores, para recopilar y analizar datos en el mundo real. Supongamos que una empresa energética o de servicios públicos quiere mantener sus torres, tuberías o redes a salvo de agentes malintencionados. Los datos de video y sensores de seguridad pueden procesarse en el borde, alertando automáticamente a los operadores de las amenazas casi en tiempo real. Con la capacidad de recopilar y procesar datos de forma casi instantánea, la IA en el borde amplía enormemente las capacidades de una organización, lo que permite una variedad de aplicaciones y experiencias basadas en IA en el borde. Desde un chatbot que se ejecuta en un quiosco bancario, hasta automóviles con asistencia automática de carril y capacidades para evitar colisiones, pasando por alertas casi en tiempo real de peligros o incidentes de seguridad en las calles de la ciudad o en el área de fabricación, los casos de uso de la IA en el borde en todos los sectores son bastante amplios.

IA en el borde en comparación con la IA tradicional

Tradicionalmente, la IA se ha basado principalmente en la nube, y los datos se envían al centro de datos, donde se procesan y se devuelven tras su análisis. Estos modelos de infraestructura informática centrados en la nube no son ideales para procesos y operaciones empresariales sensibles al tiempo.

Muchos casos de uso de inferencia empresarial se benefician de que los datos se analicen muy rápidamente. A menudo requieren el procesamiento de datos en tiempo real y tienen requisitos estrictos de latencia. Muy a menudo, deben implementarse en ubicaciones con una conectividad deficiente, lo que los hace vulnerables a retrasos y errores por la pérdida de paquetes de datos durante la transmisión desde y hacia la nube.

Para hacer frente a estas necesidades y desafíos, la IA en el borde realiza el análisis de datos en la fuente de datos, como el área de fabricación, el hospital o la tienda. Los algoritmos se despliegan in situ, donde los datos se procesan en un concentrador central o directamente en dispositivos de borde con procesadores integrados.

IA en el borde híbrido

Estos dos enfoques, la IA en el borde y la IA de la nube, no se excluyen mutuamente. A medida que avanza la IA en el borde, se espera que se adopte ampliamente un enfoque de borde híbrido que distribuya las cargas de trabajo de inferencia entre el borde y la nube. La idea es que un conocimiento ligero y casi en tiempo real en el borde pueda reforzarse con un contexto más profundo en la nube.

Al combinar la velocidad y eficiencia del borde con recursos escalables basados en la nube, el borde híbrido facilitará las aplicaciones de vanguardia con diversos entornos de implementación y demandas de desempeño. Un enfoque híbrido también permitirá a las empresas agregar información de múltiples modelos a sus procesos.

Aunque la IA en el borde suele estar asociada con la visión artificial, el panorama de la IA en el borde se está ampliando rápidamente para incluir aplicaciones multimodelo que implican la IA generativa (GenAI), el lenguaje natural (texto a voz, chatbots) y la robótica. Se espera que estos casos de uso emergentes revolucionen las industrias. En la industria de fabricación, el software basado en IA generativa podría facilitar una cadena de suministro ágil y dinámica, mientras que los vehículos autónomos y las infraestructuras inteligentes podrían ayudar a las ciudades inteligentes a reducir la presión sobre el medio ambiente y optimizar el flujo de tráfico.

Beneficios de la IA en el borde

La IA en el borde puede ayudar a las empresas a enfrentarse a numerosos desafíos complejos para resolver problemas del mundo real. Algunos de los beneficios de llevar la IA al borde incluyen:

• Velocidad y eficiencia operativas: crucial para la innovación, la automatización basada en IA en el borde permite operaciones autónomas casi en tiempo real, lo que elimina los retrasos asociados con el procesamiento basado en la nube. La latencia y los cuellos de botella de red se reducen al mínimo, lo que aumenta las tasas de transferencia de datos.
• Rentabilidad: el creciente volumen de datos procedentes de sensores y dispositivos hace que la informática de borde sea más rentable que el envío de datos a la nube y viceversa. Se consume menos ancho de banda y se necesitan menos recursos basados en la nube, lo que ayuda a reducir los gastos operativos.
• Conservación de energía: los dispositivos de IA en el borde energéticamente eficientes están diseñados para facilitar la informática de baja potencia y pueden ser significativamente más eficientes que el procesamiento basado en la nube. Mientras tanto, el hardware de red, como los enrutadores y los conmutadores, consume menos energía, ya que se minimiza el tráfico desde y hacia el centro de datos.
• Seguridad y soberanía de los datos: mantener los datos confidenciales en el borde ayuda a reducir los riesgos de seguridad y privacidad al garantizar el control local, la autonomía y el cumplimiento de las normativas.

Consideraciones de la IA en el borde

Incorporar la IA a entornos de borde presenta nuevos desafíos en comparación con la ejecución de IA en la nube pública o privada, entre los que se incluyen los siguientes.

• La incorporación de IA a las inversiones existentes: muchos entornos de borde cuentan con una infraestructura de función fija heredada con diversos equipos y software patentados. Las tecnologías patentadas con formatos incompatibles pueden plantear desafíos técnicos a la hora de integrarlas en una solución de borde.
• Modelos de entrenamiento y ajuste fino: los modelos de IA en el borde son únicos y deben ajustarse a una industria específica o la dinámica de casos de uso. El conocimiento del dominio humano suele ser decisivo en estos casos. Las empresas necesitan herramientas simples que ayuden a los expertos que no son científicos de datos a transformar su experiencia en capacidades de IA.
• El abordaje de la diversidad del hardware: las aplicaciones nativas para borde probablemente abarquen muchos nodos, sistemas operativos, protocolos de conectividad, necesidades informáticas y de almacenamiento, limitaciones de energía y costos, e inquietudes de cumplimiento. Los desarrolladores necesitan formas de abordar esta complejidad y admitir un entorno informático heterogéneo distribuido.
• El aseguramiento y la gestión de aplicaciones distribuidas: las empresas se enfrentan a nuevos desafíos cuando intentan admitir la IA en el borde avanzada. La capacidad de administración es fundamental para aplicar la IA a escala, y la seguridad es una necesidad en cada paso del proceso.
• La maximización de la eficiencia y la confiabilidad: algunos entornos de borde ponen diferentes tipos de tensión en el hardware de IA, como el calor, la humedad o las vibraciones. Las soluciones de IA en el borde para casos de uso como la supervisión del tráfico o el control de calidad, a menudo deben colocarse en áreas con pequeñas cantidades de inmuebles. Hacer que todo sea posible con un bajo consumo de energía también es importante para controlar los costos y promover la sostenibilidad.

Soluciones de IA en el borde

Cómo modernizar las operaciones empresariales con tecnología de IA en el borde es un tema profundo y multifacético. Algunas organizaciones, como las del sector industrial y de fabricación, tratarán de agregar tecnología de borde e “inteligencia” a los equipos operativos heredados a medida que evolucionan hacia una empresa digital que utiliza datos casi en tiempo real para ofrecer valor. Otras, como las de los sectores financiero y de la salud, tienen grandes operaciones centradas en los datos que son demasiado extensas o dispares para la supervisión y el análisis humanos. Estas organizaciones están digitalizando y automatizando sus procesos de datos para descubrir patrones y perspectivas más rápidamente y mejorar la eficiencia, el cumplimiento y la seguridad de los datos.

Independientemente de los desafíos que intente abordar una organización, se recomienda abordar la habilitación de la IA en etapas. Si bien los casos de uso más avanzados y de mayor alcance requerirán una pila tecnológica de IA desde el borde hasta la nube, comenzar con la IA en el borde puede hacerse sin una gran inversión en infraestructura. Es probable que las empresas con entornos de borde actuales estén preparadas para empezar con la IA hoy mismo. Los recursos informáticos para borde con los que ya cuenta, como los sistemas de POS en las tiendas, las PCs industriales o los servidores locales en las oficinas de atención médica, pueden ser compatibles con muchas cargas de trabajo de IA, incluso la visión artificial.

Consideraciones de integración

El principal desafío a la hora de implementar una solución de IA en el borde es superar la complejidad inherente a la coordinación de las distintas piezas que componen la solución, incluida la infraestructura informática, los dispositivos de IoT y los equipos heredados. Una plataforma tecnológica unificada puede ayudar a reducir esta complejidad y promover la interoperabilidad entre múltiples entornos de IA y la estandarización a través de infraestructuras heterogéneas, lo que crea un tejido unificado desde el borde hasta la nube.

Consideraciones de hardware

Tanto si se trata de entrenar modelos en la nube, como de ajustarlos o implementarlos en el borde, la elección del hardware de IA adecuado puede ayudar a las empresas a adaptar su inversión y dar soporte a los requisitos de desempeño.
Los procesadores de IA admiten todo el proceso de IA, desde el entrenamiento de modelos extremadamente complejos hasta las necesidades de IA más simples, incluso la incorporación de IA en los dispositivos de usuarios finales:

• Las unidades centrales de procesamiento (CPUs) con motores aceleradores integrados pueden ayudar a potenciar muchas cargas de trabajo de IA en el borde avanzadas sin necesidad de hardware especializado.
• Las soluciones de GPUs pueden ayudar a impulsar las cargas de trabajo más exigentes del centro de datos, del borde o de dispositivos de usuarios finales.
• Las FPGAs se utilizan a menudo como aceleradores de IA y procesadores de IA para ayudar a habilitar las cargas de trabajo de IA desde el borde hasta la nube. En comparación con las CPUs y las GPUs, las FPGAs son más versátiles y pueden reconfigurarse para adaptarse a una amplia variedad de casos de uso. Las FPGAs ofrecen una combinación de velocidad, programabilidad y flexibilidad para ofrecer desempeño sin el costo y la complejidad de desarrollar chips personalizados.

Elegir un enfoque de adopción

Las organizaciones en las que se pretende prolongar las aplicaciones de IA hasta el borde, por lo general, se dividen en tres categorías: las que buscan comprar una solución o aplicación de IA diseñada específicamente para ese propósito, las que buscan crear una aplicación de IA propia y las que buscan lograr sus objetivos de IA mediante una combinación de los dos enfoques.

Búsqueda de una solución de IA: para aquellos que buscan sus propias soluciones de IA en el borde desde cero, las plataformas de software nativas de borde y que no dependen de los proveedores pueden ayudar a crear, implementar e iterar flujos de trabajo de IA y ofrecen la más amplia interoperabilidad y compatibilidad de protocolos. Las plataformas nativas de borde posteriores a la implementación también simplifican la gestión y actualización del software de IA en todos los entornos de borde distribuidos.
Al analizar las plataformas, es importante buscar:

• Compatibilidad con los entornos informáticos heterogéneos que a menudo se encuentran en el borde
• Estándares abiertos para ayudar a los esfuerzos de IA preparados para el futuro
• Opciones de desarrollo de código profesional y de bajo código
• Posibilidad de importar aplicaciones existentes
• Paneles de telemetría integrados que permiten adaptar el hardware y optimizar las aplicaciones
• Capacidades de seguridad integradas
• Funciones de autoescalado y contenedorización similares a las de la nube

Compra de soluciones de IA lista para usarse: las organizaciones empresariales también pueden comprar soluciones de IA a un proveedor de soluciones o integrador de sistemas. Estos proveedores ofrecen sistemas integrados de hardware y software adaptados a casos de uso y necesidades específicas del sector. Es importante elegir una solución lista para el mercado que cuente con capacidades de IA interoperables y una trayectoria comprobada de implementaciones exitosas en sectores y dominios.

Adoptar un enfoque combinado: muchas organizaciones descubren que, si combinan sus propios esfuerzos de desarrollo con componentes prediseñados, logran la forma más eficiente de alcanzar el éxito con la IA. Existe una amplia gama de tutoriales y recursos que demuestran casos de uso de la IA en el borde y pueden ayudar a acelerar el tiempo de obtención de valor y simplificar el desarrollo. Además, existe una amplia gama de recursos de software que pueden ayudar a facilitar el proceso de desarrollo, incluidos marcos de trabajo, kits de herramientas, herramientas de desarrollo específicas para el sector, arquitecturas de referencia e implementaciones de referencia.