Edge Computing: Acelerando el despliegue de IA en el perímetro de la red

El interés en edge computing crece, sin embargo muchos aún lidian con su arquitectura. La misma ambigüedad existe en torno a la inteligencia artificial, y la idea de migrar la IA al edge puede parecer aún más desconcertante.

Martin Davis, socio gerente de DUNELM Associates, señala que la IA en el edge a menudo se descarta como «solo teoría citada en artículos».

No obstante, los líderes industriales y empresariales ya no pueden ignorar la IA en el edge. Tradicionalmente, tareas computacionalmente intensivas como el deep learning y la visión por computadora residían en centros de datos centralizados. Sin embargo, la proliferación de redes de alto rendimiento y hardware on-premise ahora permite un cambio del modelo puramente centrado en la nube hacia el edge, dice el consultor Chaitan Sharma. «No sucederá de la noche a la mañana, pero es inevitable», añade. Gartner pronostica que para 2025, el 75 % de los datos empresariales se procesarán en el edge, mientras Grand View Research proyecta una tasa de crecimiento anual del 54 % para el mercado de edge computing hasta 2025.

En el Edge de la Industria

Definir la ubicación precisa del edge computing puede ser ambiguo. El Open Glossary of Edge Computing lo describe como la entrega de recursos computacionales a los extremos lógicos de una red. Situado más allá de los centros de datos convencionales y la nube, el edge se enfoca en la «última milla» de la red, acercando la computación físicamente a los dispositivos y personas que generan datos.

[IoT World es el mayor evento IoT de Norteamérica, donde estrategas, tecnólogos e implementadores se conectan para llevar IA, 5G y edge a la industria. Reserve su entrada ahora.

Los entornos industriales, como fábricas y minas, enfrentan desafíos al depender únicamente de la computación en la nube. Una fábrica típica exige una fiabilidad de red casi perfecta —99,9999 % de tiempo de actividad— y latencia a nivel de milisegundos, a la vez que a menudo restringe la transmisión de datos fuera de sus instalaciones. Históricamente, estas instalaciones se han apoyado en cableado extensivo y protocolos cableados propietarios, lo que conduce a ecosistemas tecnológicos fragmentados. El edge computing ofrece una vía para unificar estos componentes dispares, como destaca el Market Radar de Ovum: Estrategias y Propuestas de CSP para IIoT Industrial.

Los despliegues edge que operan independientemente de la nube difieren de los modelos puramente de cómputo en dispositivo, donde cada paquete de datos se procesa localmente. Si bien el cómputo a bordo puede permitir la toma de decisiones crítica instantánea, Harald Remmert, director senior de investigación e innovación en Digi International, señala que el hardware requerido es costoso y a menudo queda corto al ejecutar cargas de trabajo complejas de machine learning.

En cambio, una solución edge mejorada con IA dentro de una fábrica puede agregar y contextualizar datos de numerosas máquinas, identificando y pronosticando problemas que de otro modo causarían tiempo de inactividad. Gal Ben-Haim, jefe de arquitectura en Augury —empresa especializada en machine learning para la industria de procesos— enfatiza que la inferencia basada en edge desbloquea aplicaciones a gran escala, incluso cuando la latencia ultrabaja no es obligatoria.

Sin embargo, desplegar machine learning en el edge no es trivial; exige modelos maduros y nuevas estrategias de gestión de despliegue, explica Ben-Haim.

De la nube al edge y viceversa

Aunque ciertos casos de uso edge operan completamente independientes de la infraestructura central en la nube, la mayoría de los analistas ven el edge computing como parte de un continuo distribuido-centralizado. En lugar de alejarse de los centros de datos tradicionales, ofrece una «tregua», observa el analista de Gartner Bob Gill durante un seminario web de 2018.

Bill Malik, vicepresidente de estrategias de infraestructura en Trend Micro, advierte que el edge computing no suplantará a la nube.

Daniel Newman, analista principal en Futurum Research, coincide: solo un puñado de escenarios justifican un edge totalmente autónomo.

Normalmente, los datos fluyen bidireccionalmente entre el edge y la nube. La nube destaca en capturar tendencias macro —como cambios en el uso de energía o calidad del aire— mientras que el edge computing proporciona insights inmediatos y contextuales, señala Malik.

Accenture considera el edge computing como una extensión natural de la nube. «El edge es empleado por muchos clientes junto con analítica en la nube y machine learning para desbloquear servicios de negocio innovadores», dice Charles Nebolsky, director gerente y líder de práctica de red en Accenture Technology. Un ejemplo es el programa Connected Mine de Accenture, que optimiza operaciones en minas. Nebolsky explica que han integrado edge computing en el flujo de trabajo de un cliente minero, usando video de alta resolución de plataformas de perforación para evaluar la densidad de roca en tiempo real. Estos datos permiten que el taladro ajuste automáticamente ángulo y velocidad, facilitando también el mantenimiento predictivo. «El ancho de banda necesario para flujos de video de alta densidad no puede transmitirse factiblemente a la nube a la velocidad de fotogramas requerida sin costos prohibitivos», añade Nebolsky.

Volvo Trucks ilustra este modelo bidireccional mediante su telemática y diagnóstico remoto en modelos más nuevos. El computador a bordo marca parámetros anómalos y genera códigos de fallo, que el sistema telemático transmite al Centro de Tiempo de Actividad de Volvo. El centro coordina respuestas entre talleres, concesionarios y equipos de servicio al cliente. Mientras el diagnóstico a bordo ayuda en la resolución de problemas en tiempo real, el componente centralizado en la nube permite a los actores externos prepararse para visitas de mantenimiento.

Bill Roberts, director de IoT en SAS, observa que Volvo avanza hacia un modelo de madurez predominante que integra analítica edge, IA y machine learning. «El siguiente paso lógico es empoderar el edge en los camiones para filtrar datos de fallos accionables», sugiere Roberts. «Esto liberaría ancho de banda, permitiendo recopilar más telemática para analíticas en la nube más ricas. Esos insights pueden desplegarse ya sea en el edge o en la nube, según el escenario».

El banco de pruebas de Integración de Recursos Energéticos Distribuidos ejemplifica la computación híbrida distribuida-nube. Ofrece una alternativa a las redes AC centralizadas convencionales que luchan por aprovechar óptimamente fuentes DC distribuidas como solar o eólica. El banco de pruebas despliega analítica edge en tiempo real en hardware estratégicamente ubicado, unificando equipos heredados con supervisión centralizada mientras permite operaciones autónomas y responsivas. «La plataforma soporta operación autónoma y analítica edge mientras alimenta datos y señales de control a uno o más centros de control», explican Erik Felt, director de desarrollo de mercado de future grid en RTI, y Neil Puthuff, ingeniero de integración de software en RTI.

La llegada del 5G ha estimulado aún más el interés en arquitecturas edge que operan más allá de los centros de datos convencionales. Aunque solo unas pocas empresas han pilotado proyectos edge habilitados para 5G, este panorama está llamado a evolucionar a medida que la red madura. Harald Remmert destaca que los beneficios reflejan los de la computación en la nube —solo con latencia reducida— y que la arquitectura es cada vez más favorecida para cargas de trabajo de machine learning.