Tendencias clave de Edge AI en 2022

Desde que se añadió como campo de estudio en 1956 en universidades, la Inteligencia Artificial ha pasado por períodos de optimismo y pesimismo en igual medida. No hay duda de que hoy estamos presenciando uno de gran optimismo.

La Ciencia de Datos es el tercer puesto de trabajo más demandado mundialmente. De hecho, en nuestro reciente estudio sobre el Estado del Edge Computing en España, Científico de Datos es el profesional más buscado entre empresas españolas en un mercado que experimenta crecimiento exponencial y se espera alcance 190.000 millones de dólares para 2025.

Tal es la prominencia de la IA en la industria que ya no tiene sentido hablar de ella como tecnología única sino como muchas ramas que sirven diferentes usos a diferentes industrias.

Entre las tendencias identificadas como más maduras y cercanas a producción están las que identificamos en nuestra rutina diaria. Por ejemplo, procesamiento de lenguaje natural que usamos al hablar con chatbots cada vez más humanos, imagen por máquina que permite automatizar procesamiento de video en tiempo real, y búsquedas semánticas, que llevan a mejores resultados de búsqueda.

En el otro extremo, hay otras más futuristas que no emergerán por al menos 10 años. Ejemplos interesantes son tecnologías AI TRISM (Confianza, Riesgo y Gestión de Seguridad), que permiten regular modelos IA haciéndolos más resistentes a ataques de seguridad y privacidad, y transformers, que permiten adaptar modelos IA al contexto y tendrán gran impacto mejorando aplicaciones como traductores, creación automática de documentos, o análisis de secuencias biológicas.

Entre los dos extremos hay otras tecnologías habilitadoras que tardarán de dos a cinco años de despliegue a madurez de mercado, que pueden llamarse "Futuro Próximo de la IA". Entre estas están IA centrada en el humano, IA generativa, orquestación y automatización de IA, y, liderando todas las demás en la curva de madurez, IA en el Edge, también conocida como "Edge AI". En 2021, Edge AI se convirtió en la tecnología que madurará en el futuro próximo.

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

Edge AI o IA en el Edge puede resumirse como la capacidad de ejecutar algoritmos de inteligencia artificial en dispositivos (dispositivos IoT, dispositivos edge) muy cercanos a la fuente de datos.

Esta tecnología crece exponencialmente, respaldada por una estadística abrumadora: más del 60% de organizaciones industriales no tienen infraestructura Cloud que les ayude a innovar eficientemente.

Así que, si ponemos lupa a proyectos Edge AI, ¿cuáles son las tendencias más disruptivas que veremos en 2022 y 2023?

A continuación, resumen de nuestras 5 principales:

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

En Barbara IoT encontramos patrones repetidos en industrias a la vanguardia de Edge AI: todas manejan muchos activos distribuidos críticos. Es decir, industrias que enfrentan grandes retos de fragmentación tecnológica, escalabilidad y ciberseguridad. Estos pueden minimizarse ejecutando algoritmos IA en el edge. Pronosticamos que estas industrias desarrollarán casos de uso muy ambiciosos y transformadores.

Los sistemas SCADA usados desde los 80 tienen propósitos similares en captura y procesamiento de datos. Sin embargo, los sistemas SCADA necesitan complementarse con tecnologías más modernas para responder a 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 Thin Edge complementará al Thick Edge

Hay diferentes interpretaciones sobre el significado de "edge" cuando nos referimos a Edge AI. Tradicionalmente, el edge se ha identificado como infraestructura de operador de red más cercana al usuario. Por ejemplo, al hablar de redes 5G, nos referimos a operadores desplegando multitud de nodos llamados "Multiaccess Edge Computing" usados para procesamiento de datos de cerca. Estos nodos se instalan en servidores muy similares a los de un centro de datos diseñado para alojar servicios cloud, y tienen alto potencial y capacidad para procesar algoritmos IA complejos. Esto es lo que algunos analistas llaman el "Thick" Edge.

Sin embargo, recientemente nodos Edge de otro tipo comienzan a desarrollarse: unos conectados directamente a sensores y switches, que instalados en dispositivos de baja potencia como gateways o concentradores, sirven para ejecutar algoritmos IA más simples con tiempos de respuesta más cortos, más cercanos a tiempo real. Este nuevo tipo de Edge, llamado "Thin" Edge, permitirá abordar rápida y flexiblemente proyectos de mayor escala que incluyen ubicaciones remotas o requisitos de alta seguridad y aislamiento de datos.

3. Edge Mesh como nuevo paradigma para habilitar Inteligencia Artificial Distribuida

Edge AI se basa tradicionalmente en modelos de decisión entrenados con grandes datos. El modelo, consistente en series de fórmulas matemáticas, se instala en Nodos Edge. Desde allí, cada nodo puede tomar sus propias decisiones según los datos que recibe y el modelo instalado.

El nuevo paradigma, conocido como Edge Mesh, hace posible que la decisión de un nodo se condicione por la decisión de otro nodo como si fuera una red en malla. Un buen ejemplo para entender el poder de esta nueva arquitectura es un sistema de tráfico inteligente.

Un nodo Edge puede tomar decisiones sobre el tiempo de un semáforo usando algoritmos IA que tienen en cuenta el número de coches y personas detectados por sensores. Sin embargo, esta decisión podría complementarse perfectamente por las decisiones que toman otros nodos en calles cercanas.

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

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

A medida que la industria avanza hacia desplegar Edge AI con nodos más 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, los proyectos y empresas que apliquen la filosofía DevOps para desarrollo, despliegue y mantenimiento de algoritmos IA serán potenciados.

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

Pero, ¿qué es exactamente? Básicamente, busca reducir tiempos de desarrollo, test e implementación de modelos IA en el Edge mediante integración continua de equipos y entornos de desarrollo, pruebas y operaciones.

5. Edge AI permite intercambio de datos soberano

No hay duda de que el intercambio de datos será fundamental para mejorar procesos en sectores industriales con muchos stakeholders en la cadena de valor.

Miremos el modelo de red eléctrica del futuro próximo: una Smart Grid. Para poder recibir u ofrecer mejor servicio, es esencial que los proveedores puedan analizar y procesar información de varios stakeholders como prosumidores, operadores, distribuidores y agregadores. Sin un intercambio de datos transparente, ágil y soberano, será imposible alcanzar la optimización de red requerida para 2050.

Con Edge AI, un procesamiento de datos no centralizado es posible, lo que ayudará a superar algunos obstáculos que la industria enfrenta actualmente como seguridad de datos, privacidad y soberanía.