- Terminología (A a D)
- Control de capacidad de IA
- AIOPS
- Albumentarias
- Rendimiento de activos
- Codificador automático
- Propagación hacia atrás
- Teorema de Bayes
- Big Data
- Chatbot: una guía para principiantes
- Pensamiento computacional
- Visión por computador
- Matriz de confusión
- Redes neuronales convolucionales
- La Ciberseguridad
- Tejido de datos
- Narración de datos
- Data science
- Almacenamiento de datos
- Árbol de decisión
- Deepfakes
- Aprendizaje profundo
- Aprendizaje de refuerzo profundo
- Devops
- DevSecOps
- Modelos de difusión
- Digital Twin
- Reducción de dimensionalidad
- Terminología (E a K)
- IA de borde
- Emoción AI
- Ensemble Learning
- Hackeo ético
- ETL
- IA explicable
- Aprendizaje federado
- Operaciones financieras
- IA generativa
- Red de Publicidad Generativa
- Generativo versus discriminativo
- Aumento de gradiente
- Descenso de gradiente
- Aprendizaje de pocos disparos
- Clasificación de imagen
- Operaciones de TI (ITOps)
- Automatización de incidentes
- Ingeniería de influencia
- Agrupamiento de medias K
- K-Vecinos más cercanos
- Terminología (L a Q)
- Terminología (R a Z)
- Aprendizaje reforzado
- IA responsable
- RLHF
- Automatización de procesos robóticos
- Estructurado vs No estructurado
- Análisis de los sentimientos
- Supervisado vs No supervisado
- Máquinas de vectores de soporte
- Datos sintéticos
- medios sintéticos
- Clasificación de texto
- TinyML
- Transferir aprendizaje
- Transformador de Redes Neuronales
- Prueba de Turing
- Búsqueda de similitudes vectoriales
AI 101
¿Qué es Edge AI y Edge Computing?
Tabla de contenido
Edge AI es uno de los nuevos sectores más notables de la inteligencia artificial y tiene como objetivo permitir que las personas ejecuten procesos de IA sin tener que preocuparse por la privacidad o las ralentizaciones debido a la transmisión de datos. Edge AI permite un uso mayor y más generalizado de la IA, lo que permite que los dispositivos inteligentes reaccionen rápidamente a las entradas sin acceso a una nube. Si bien esa es una definición rápida de Edge AI, tomemos un momento para comprender mejor Edge AI explorando las tecnologías que lo hacen posible y viendo algunos casos de uso para Edge AI.
¿Qué es Edge Computing?
Para comprender realmente Edge AI, primero debemos comprender Edge Computing y la mejor manera de comprender Computación de borde es contrastarlo con la computación en la nube. La computación en la nube es la entrega de servicios informáticos a través de Internet. Por el contrario, los sistemas informáticos Edge no están conectados a una nube, en lugar de operar en dispositivos locales. Estos dispositivos locales pueden ser un servidor informático perimetral dedicado, un dispositivo local, o un Internet de las Cosas (IoT). Hay una serie de ventajas en el uso de Edge Computing. Por ejemplo, la computación basada en Internet o en la nube está limitada por la latencia y el ancho de banda, mientras que la computación perimetral no está limitada por estos parámetros.
¿Qué es IA perimetral?
Ahora que entendemos Edge Computing, puede echar un vistazo a Edge AI. Edge AI combina inteligencia artificial y computación de borde. Los algoritmos de IA se ejecutan en dispositivos capaces de computación perimetral. La ventaja de esto es que los datos se pueden procesar en tiempo real, sin tener que conectarse a una nube.
La mayoría de los procesos de inteligencia artificial de vanguardia se llevan a cabo en una nube, ya que exigen una gran cantidad de potencia informática. El resultado es que estos procesos de IA pueden ser vulnerables al tiempo de inactividad. Debido a que los sistemas Edge AI operan en un dispositivo informático de borde, las operaciones de datos necesarias pueden ocurrir localmente y enviarse cuando se establece una conexión a Internet, lo que ahorra tiempo. Los algoritmos de aprendizaje profundo pueden operar en el propio dispositivo, el punto de origen de los datos.
Edge AI es cada vez más importante debido al hecho de que cada vez más dispositivos necesitan emplear AI en situaciones en las que no pueden acceder a la nube. Consideremos cuántos robots de fábrica o cuántos automóviles hoy en día vienen con algoritmos de visión por computadora. Un retraso en la transmisión de datos en estas situaciones podría ser catastrófico. Los coches autónomos no pueden sufrir latencia al detectar objetos en la calle. Dado que un tiempo de respuesta rápido es tan importante, el dispositivo en sí debe tener un sistema Edge AI que le permita analizar y clasificar imágenes sin depender de una conexión a la nube.
Cuando se confía a los ordenadores periféricos las tareas de procesamiento de la información que normalmente se llevan a cabo en la nube, el resultado es un procesamiento en tiempo real de baja latencia y en tiempo real. Además, al restringir la transmisión de datos a solo la información más vital, el volumen de datos en sí puede reducirse y las interrupciones de comunicación pueden minimizarse.
Edge AI e Internet de las cosas
Edge AI se combina con otras tecnologías digitales como 5G e Internet de las cosas (IoT). IoT puede generar datos para que los sistemas Edge AI los utilicen, mientras que la tecnología 5G es esencial para el avance continuo tanto de Edge AI como de IoT.
Internet de las cosas se refiere a una variedad de dispositivos inteligentes conectados entre sí a través de Internet. Todos estos dispositivos generan datos, que se pueden alimentar al dispositivo Edge AI, que también puede actuar como una unidad de almacenamiento temporal para los datos hasta que se sincronice con la nube. El método de procesamiento de datos permite una mayor flexibilidad.
La quinta generación de la red móvil, 5G, es fundamental para el desarrollo tanto de Edge AI como de Internet de las cosas. 5G es capaz de transferir datos a velocidades mucho más altas, hasta 20 Gbps, mientras que 4G es capaz de entregar datos a solo 1 Gbps. 5G también admite muchas más conexiones simultáneas que 4G (1,000,000 100,000 1 por kilómetro cuadrado frente a 10 4) y una mejor velocidad de latencia (5 ms frente a XNUMX ms). Estas ventajas sobre XNUMXG son importantes porque a medida que crece el IoT, el volumen de datos también crece y la velocidad de transferencia se ve afectada. XNUMXG permite más interacciones entre una gama más amplia de dispositivos, muchos de los cuales pueden equiparse con Edge AI.
Casos de uso para Edge AI
Los casos de uso para Edge AI incluyen casi cualquier instancia en la que el procesamiento de datos se realice de manera más eficiente en un dispositivo local que cuando se realiza a través de una nube. Sin embargo, algunos de los casos de uso más comunes para Edge AI incluyen coches de auto-conducción, aviones no tripulados autónomos, reconocimiento facialy asistentes digitales.
Los autos sin conductor son uno de los casos de uso más relevantes para Edge AI. Los automóviles autónomos deben escanear constantemente el entorno circundante y evaluar la situación, haciendo correcciones a su trayectoria en función de los eventos cercanos. El procesamiento de datos en tiempo real es fundamental para estos casos y, como resultado, sus sistemas Edge AI integrados están a cargo del almacenamiento, la manipulación y el análisis de datos. Los sistemas edge AI son necesarios para llevar al mercado vehículos de nivel 3 y nivel 4 (totalmente autónomos).
Debido a que los drones autónomos no son piloteados por operadores humanos, tienen requisitos muy similares para los automóviles autónomos. Si un dron pierde el control o funciona mal mientras vuela, puede estrellarse y dañar la propiedad o la vida. Los drones pueden volar lejos del alcance de un punto de acceso a Internet y deben tener capacidades Edge AI. Los sistemas Edge AI serán indispensables para servicios como Amazon Prime Air, cuyo objetivo es entregar paquetes a través de drones.
Otro caso de uso para Edge AI son los sistemas de reconocimiento facial. Los sistemas de reconocimiento facial se basan en algoritmos de visión por computadora, analizando los datos recopilados por la cámara. Las aplicaciones de reconocimiento facial que funcionan para tareas como la seguridad deben funcionar de manera confiable incluso si no están conectadas a una nube.
Los asistentes digitales son otro caso de uso común para Edge AI. Los asistentes digitales como Google Assistant, Alexa y Siri deben poder operar en teléfonos inteligentes y otros dispositivos digitales, incluso cuando no están conectados a Internet. Cuando los datos se procesan en el dispositivo, no es necesario enviarlos a la nube, lo que ayuda a reducir el tráfico y garantizar la privacidad.
Blogger y programador con especialidades en Aprendizaje automático (Machine learning & LLM) y Aprendizaje profundo temas Daniel espera ayudar a otros a usar el poder de la IA para el bien social.
Te podría gustar
Nuevas fronteras en IA generativa: lejos de la nube
El futuro de la IA generativa es la ventaja
Cómo AI, IoT y la nube mantienen a los conductores de vehículos de flota más seguros hoy
Cómo AI, Edge Computing, IoT y la nube están remodelando drásticamente la gestión de flotas de vehículos
Edge Computing vs. Cloud Computing: principales diferencias
El avance en los microchips nos acerca a la computación perimetral con IA