Principales tendencias en Edge AI a tener en cuenta en 2022

Desde que se agregó como un campo de estudio en 1956 en las universidades, Inteligencia Artificial ha atravesado períodos de optimismo y pesimismo en igual medida. No cabe duda de que hoy asistimos a uno de gran optimismo.

Data Science es el tercer puesto de trabajo más buscado a nivel mundial. De hecho, en nuestro reciente estudio sobre el Estado del Edge Computing en España, el Científico de Datos es el profesional más buscado entre las empresas españolas en un mercado que está experimentando un crecimiento exponencial y se espera que alcance los 190.000 millones de dólares en 2025.

Tal es la prominencia de la IA en la industria del mercado que ya no tiene sentido hablar de ella como una sola tecnología, sino como muchas ramas que tienen diferentes usos para diferentes industrias.

Entre las tendencias identificadas como las más maduras y cercanas a la etapa de producción están las que podemos identificar en nuestra rutina diaria. Por ejemplo, el procesamiento de lenguaje sencillo que usamos cuando hablamos con chatbots cada vez más parecidos a los humanos, las imágenes de la máquina que permiten automatizar el procesamiento de videos en tiempo real y las búsquedas semánticas, que conducen a mejores resultados de búsqueda.

En el otro extremo, hay otros más futuristas que no surgirán hasta dentro de al menos 10 años. Algunos ejemplos interesantes son AI TRISM (Gestión de la confianza, el riesgo y la seguridad)  tecnologías, que permiten regular los modelos de IA haciéndolos más resistentes a los ataques de seguridad y privacidad, y transformadores, que permiten adaptar los modelos de IA al contexto y tendrán un gran impacto en la mejora de aplicaciones como traductores, documentos automáticos creación, o el análisis de secuencias biológicas.

Entre los dos extremos hay otras tecnologías habilitadoras que tardarán de dos a cinco años desde la implementación hasta la madurez del mercado, lo que puede denominarse como el "Futuro cercano de la IA". Entre estos se encuentran la IA centrada en el ser humano, la IA generativa, la orquestación y automatización de la IA y, liderando a todos los demás en la curva de madurez, la IA en el borde, también conocida como "Edge AI". En 2021, Edge AI se convirtió en la tecnología que madurará en el futuro cercano.

Edge AI y la revolución de la inteligencia distribuida en el mundo industrial

IA perimetral o IA en el perímetro se puede resumir como la capacidad de ejecutar algoritmos de inteligencia artificial en dispositivos (dispositivos IoT, dispositivos de borde) que están muy cerca de la fuente de datos.

Esta tecnología está creciendo exponencialmente, respaldada por una estadística desalentadora:más del 60 por ciento de las organizaciones industriales no cuentan con una infraestructura en la nube que les ayude a innovar de manera eficiente.

Entonces, si miramos con lupa los proyectos de Edge AI, ¿cuáles son las tendencias más disruptivas que veremos en 2022 y 2023?

A continuación se muestra un resumen de nuestros 5 principales:

1. Las industrias críticas serán los principales impulsores:de SCADA a Edge AI

En Barbara IoT, estamos encontrando patrones repetidos en industrias que están a la vanguardia de Edge AI: todas manejan muchos activos distribuidos críticos. En otras palabras, son industrias que enfrentan grandes desafíos de fragmentación tecnológica, escalabilidad y ciberseguridad. Estos pueden minimizarse mediante la ejecución de algoritmos de IA en el perímetro. Podemos pronosticar que estas industrias desarrollarán casos de uso muy ambiciosos y transformadores.

Los sistemas SCADA que se vienen utilizando desde los años 80 tienen propósitos similares en cuanto a la captura y procesamiento de datos. Sin embargo, los sistemas SCADA deben complementarse con tecnologías más modernas para que puedan responder a los requisitos cada vez más exigentes de interoperabilidad, apertura y seguridad . Aquí es donde Edge AI puede ayudar:multiplicar el valor de estos sistemas.

2. El borde delgado complementará el borde grueso

Existen diferentes interpretaciones sobre el significado de lo que es “borde” cuando nos referimos a Edge AI. Tradicionalmente, el borde se ha identificado como la infraestructura del operador de red más cercana al usuario. Por ejemplo, cuando hablamos de redes 5G, nos referimos a los operadores que están desplegando una multitud de nodos llamados "Multiaccess Edge Computing" que se utilizan para el procesamiento de datos de cerca. Estos nodos se instalan en servidores muy similares a los que se pueden encontrar en un centro de datos diseñado para alojar servicios en la nube y tienen un alto potencial y capacidad para procesar algoritmos complejos de IA. Esto es lo que algunos analistas llaman el borde "grueso".

Sin embargo, recientemente Nodos de borde empiezan a desarrollarse otros de otro tipo:los conectados directamente a sensores e interruptores, que, instalados en dispositivos de bajo consumo como gateways o concentradores, sirven para ejecutar algoritmos de IA más sencillos con tiempos de respuesta más cortos y más cercanos al tiempo real. Este nuevo tipo de Edge, llamado "Thin" Edge, permitirá abordar de manera rápida y flexible proyectos de mayor escala que incluyen ubicaciones remotas o requisitos de alta seguridad y aislamiento de los datos.

3. Edge Mesh como el nuevo paradigma para habilitar la inteligencia artificial distribuida

Edge AI se basa tradicionalmente en modelos de decisión que se entrenan con grandes datos. El modelo, que consiste en una serie de fórmulas matemáticas, se instala en Edge Nodes. A partir de ahí, cada nodo es capaz de tomar sus propias decisiones en función de los datos que recibe y del modelo que se ha instalado.

El nuevo paradigma, conocido como Edge Mesh, hace posible que la decisión de un nodo esté condicionada por la decisión de otro nodo como si se tratara de una red reticular. Un buen ejemplo para comprender el poder de esta nueva arquitectura es un sistema de tráfico inteligente.

Un nodo Edge puede tomar decisiones sobre la hora de un semáforo utilizando algoritmos de IA que tienen en cuenta la cantidad de automóviles y personas detectadas por los sensores. Sin embargo, esta decisión podría complementarse perfectamente con las decisiones que estén tomando otros nodos en calles cercanas.

El objetivo de Edge Mesh es distribuir inteligencia entre varios nodos para ofrecer un mejor rendimiento, tiempos de respuesta y tolerancia a fallas que las arquitecturas más tradicionales.

4. La gestión del ciclo de vida mediante MLOps es cada vez más importante 

A medida que la industria avanza hacia la implementación de Edge AI con más nodos distribuidos y algoritmos de entrenamiento más complejos, la capacidad de mantener el ciclo de vida de estos modelos entrenados y los dispositivos que los ejecutan será clave para el futuro de esta tecnología.

En este sentido, se potenciarán los proyectos y empresas que apliquen la filosofía DevOps para el desarrollo, despliegue y mantenimiento de algoritmos de IA.

Esta forma de trabajar se llama MLOps, una combinación de Machine Learning y DevOps.

¿Pero qué es exactamente? Básicamente, su objetivo es reducir los tiempos de desarrollo, prueba e implementación de los modelos de IA en el Edge a través de la integración continua de equipos y entornos de desarrollo, pruebas y operaciones.

 5. Edge AI permite el intercambio de datos soberanos

No hay duda de que el intercambio de datos será fundamental para mejorar los procesos en los sectores industriales con muchas partes interesadas dentro de la cadena de valor.

Echemos un vistazo al modelo de red eléctrica del futuro cercano:una red inteligente. Para poder recibir u ofrecer un mejor servicio, es fundamental que los proveedores puedan analizar y procesar la información de una serie de partes interesadas, como prosumidores, operadores, distribuidores y agregadores. Sin un intercambio de datos ágil y transparente, será imposible alcanzar la optimización de la red requerida para 2050.

Con Edge AI, es posible un procesamiento de datos centralizado, lo que ayudará a superar algunos de los obstáculos a los que se enfrenta actualmente la industria, como la seguridad, la privacidad y la soberanía de los datos.