Superando la Brecha: Haciendo el Machine Learning Accesible en el Edge

La inteligencia en el edge está ahora al alcance de diseñadores sin formación formal en data science, gracias a plataformas hardware emergentes.

Los dispositivos conectados y el Internet de las Cosas (IoT) se han tejido en el tejido de nuestra vida diaria —ya sea en hogares, vehículos o lugares de trabajo. Mientras la mayoría de estos dispositivos dependen de servicios cloud para el trabajo pesado, un nuevo paradigma, la "inteligencia en el edge", está remodelando cómo construimos sistemas inteligentes.

En este artículo comparamos inteligencia basada en cloud con inteligencia en el edge, ilustramos casos de uso reales y mostramos cómo el hardware de NXP y su ecosistema software eIQ empoderan a diseñadores de todos los niveles para desplegar machine learning (ML) en el edge.

Figura 1. Mover de cloud computing a edge computing desbloquea miles de millones de dispositivos con ML. Imagen cortesía de NXP.

Términos Clave de Machine Learning

Cloud Computing

El cloud computing entrega recursos computacionales remotos bajo demanda. Los proveedores mantienen el hardware y garantizan disponibilidad, permitiendo a clientes pagar solo por lo que usan. Para la mayoría de empresas, los servicios cloud siguen siendo la solución preferida para analítica y entrenamiento a gran escala.

Edge Computing

El edge computing sitúa el procesamiento cerca de la fuente de datos —entre el usuario final y la cloud. Los nodos edge manejan filtrado, buffering y tareas que mejoran privacidad, reduciendo latencia y uso de ancho de banda mientras recortan costes. Los dispositivos edge modernos ya integran aceleradores IA que deciden qué datos vale la pena enviar upstream para análisis más profundo.

Machine Learning (ML)

En esencia, ML entrena algoritmos para reconocer patrones. Las redes neuronales —especialmente arquitecturas convolucionales como MobileNet— han democratizado el ML al ejecutarse eficientemente en dispositivos con recursos limitados. El resultado es clasificación de imágenes de alta precisión, reconocimiento de voz y más, todo en el edge.

ML Más Allá del Reino del Data Science

Históricamente, construir sistemas ML requería profunda experiencia en data science. Hoy, el panorama ha cambiado drásticamente. Pronósticos proyectan que para 2025, el 98 % de dispositivos edge embeberán ML, traduciéndose en unos 18‑25 mil millones de dispositivos inteligentes worldwide. Esta explosión abre posibilidades en visión por computador, análisis de voz, procesamiento de video y análisis de secuencias.

Ejemplos concretos incluyen cerraduras inteligentes que usan cámaras para reconocer usuarios autorizados, o dashboards de gestión de flotas que detectan distracción del conductor en tiempo real. La clave es que estas capacidades ya no están limitadas a especialistas; pueden ensamblarse por diseñadores con conocimiento modesto de ML.

Plataformas Hardware que Hacen Práctico el ML en el Edge

Algoritmos de redes neuronales optimizados, combinados con microcontroladores potentes, permiten cargas de trabajo ML sofisticadas en el edge. El i.MX RT1170, por ejemplo, ofrece arquitectura dual‑core —1 GHz Arm Cortex‑M7 más 400 MHz Cortex‑M4— permitiendo inferencia en tiempo real y ejecución concurrente de modelos. Sus motores cripto integrados, gráficos y soporte multimedia lo hacen ideal para detección de distracción del conductor, iluminación inteligente, cerraduras inteligentes y sistemas de gestión de flotas.

Figura 2. Diagrama de bloques del i.MX RT1170 crossover MCU. Imagen cortesía de NXP.

El i.MX 8M Plus apunta a aplicaciones de mayor rendimiento como visión por computador y automatización industrial. Con NPU dedicado entregando hasta 2,3 TOPS, cuatro núcleos Arm Cortex‑A53 y soporte opcional para cámara 4K o dual‑HD, puede manejar reconocimiento facial, detección de objetos y tareas multimedia avanzadas. Un núcleo Cortex‑M7 adicional de baja potencia gestiona funciones de red en tiempo real, incluyendo CAN FD y Ethernet Gigabit TSN‑capaz.

Figura 3. Diagrama de bloques del i.MX 8M Plus. Imagen cortesía de NXP.

El Toolset eIQ: De Modelo a Despliegue

El ecosistema ML eIQ de NXP convierte estos potentes dispositivos en plataformas amigables para desarrolladores. La suite incluye motores de inferencia, compiladores de redes neuronales y librerías optimizadas que integran con el IDE MCUXpresso y Yocto BSP. Próximos lanzamientos añaden eIQ Toolkit gráfico y eIQ Portal, soportando flujos "bring your own model" (BYOM) y "bring your own data" (BYOD).

Figura 4. eIQ Toolkit y eIQ Portal con flujos BYOD/BYOM y motores de inferencia seleccionables. Imagen cortesía de NXP.

Con BYOM, los desarrolladores pueden entrenar modelos en la cloud e importarlos al entorno eIQ, y luego elegir el motor de inferencia óptimo. Con BYOD, las mismas herramientas curan datasets, entrenan modelos y los empaquetan —todo dentro de la misma interfaz gráfica.

ML en el Edge: Accesible, Seguro y Escalable

El edge computing mantiene datos sensibles locales, reduce costes de ancho de banda y recorta latencia —beneficios que se amplifican al combinarse con ML. Ya sea alertas de distracción del conductor en tiempo real o control de acceso automatizado, el ML en el edge está remodelando cómo los dispositivos interactúan con el mundo.

Al combinar el hardware rentable de NXP con una pila software developer‑friendly, diseñadores de todos los niveles de experiencia pueden crear soluciones ML robustas y a prueba de futuro. Ya sea construyendo un solo prototipo o desplegando una flota de miles de millones de dispositivos, las herramientas y plataformas están ahora al alcance.

Los Artículos de Industria son una forma de contenido que permite a socios industriales compartir noticias útiles, mensajes y tecnología con lectores de All About Circuits de un modo que el contenido editorial no se adapta bien. Todos los Artículos de Industria están sujetos a directrices editoriales estrictas con la intención de ofrecer a los lectores noticias útiles, experiencia técnica o historias. Los puntos de vista y opiniones expresados en los Artículos de Industria son los del socio y no necesariamente los de All About Circuits o sus escritores.