Edge AI

Edge AI se refiere al despliegue de algoritmos y modelos de inteligencia artificial (IA) directamente en dispositivos de hardware locales (como smartphones, sensores IoT, drones y vehículos conectados) en lugar de depender de centros de cloud computing centralizados. Este enfoque descentralizado permite procesar los datos en la fuente donde se crean, reduciendo significativamente la latencia que implica enviar información de un lado a otro hacia servidores remotos. Al ejecutar tareas de machine learning (ML) localmente, los dispositivos pueden tomar decisiones instantáneas, operar de manera fiable sin conexión a Internet y mejorar la privacidad de los datos al mantener información sensible en el propio dispositivo.

Link to this sectionCómo funciona Edge AI#

El núcleo de Edge AI implica ejecutar un motor de inferencia en un sistema embebido. Dado que los dispositivos edge normalmente tienen una vida útil de batería y una potencia de cómputo limitadas en comparación con los servidores en la nube, los modelos de IA deben ser altamente eficientes. Los desarrolladores suelen emplear técnicas como la cuantización de modelos o la poda de modelos para comprimir redes neuronales grandes sin sacrificar una precisión significativa.

Se suelen utilizar aceleradores de hardware especializados para gestionar estas cargas de trabajo de forma eficiente. Ejemplos incluyen la plataforma NVIDIA Jetson para robótica y Google Coral Edge TPU para inferencia de bajo consumo. Los marcos de trabajo de software también desempeñan un papel vital; herramientas como TensorRT y TFLite optimizan modelos específicamente para estos entornos restringidos, asegurando una inferencia en tiempo real rápida.

Link to this sectionEdge AI frente a Edge Computing#

Aunque los términos se usan a menudo indistintamente, resulta útil distinguirlos:

• Edge Computing: describe la infraestructura física y la topología de red más amplias donde el procesamiento de datos ocurre cerca de la fuente de los datos. Es el "dónde" de la ecuación.
• Edge AI: se refiere específicamente a las aplicaciones inteligentes que se ejecutan sobre esa infraestructura. Es el "qué". Por ejemplo, una cámara de seguridad actúa como un dispositivo de edge computing, pero cuando utiliza computer vision (CV) para reconocer a una persona específica, está realizando Edge AI.

Link to this sectionAplicaciones en el mundo real#

Edge AI está transformando las industrias al permitir la toma de decisiones autónoma en escenarios críticos:

• Vehículos autónomos: Los coches autónomos generan terabytes de datos diariamente. No pueden depender de la nube para identificar peatones u obstáculos debido a la latencia de la señal. En su lugar, utilizan Edge AI a bordo para detección de objetos instantánea para garantizar la seguridad de los pasajeros.
• Fabricación inteligente: En Industrial IoT (IIoT), los sensores en las plantas de fábrica utilizan Edge AI para el mantenimiento predictivo. Al analizar datos de vibración y temperatura localmente, el sistema puede detectar anomalías y predecir fallos en los equipos en tiempo real, evitando costosos tiempos de inactividad.
• Atención sanitaria: Los dispositivos médicos portátiles equipados con Vision AI pueden analizar imágenes médicas o constantes vitales del paciente directamente en el punto de atención, proporcionando soporte de diagnóstico inmediato en áreas remotas con mala conectividad.

Link to this sectionDespliegue de modelos al borde#

Desplegar un modelo en el edge normalmente implica entrenar un modelo en un entorno de alta capacidad de cómputo y luego exportarlo a un formato compatible con dispositivos edge, como ONNX u OpenVINO. La Ultralytics Platform simplifica este flujo de trabajo, permitiendo a los usuarios entrenar y exportar automáticamente modelos para diversos objetivos edge.

The following example demonstrates how to export a lightweight YOLO26 model—specifically designed for efficiency—to a format suitable for mobile and edge deployment.

from ultralytics import YOLO

# Load the YOLO26 Nano model, which is optimized for speed on edge devices
model = YOLO("yolo26n.pt")

# Export the model to TFLite format for deployment on Android or Raspberry Pi
# This creates a 'yolo26n.tflite' file ready for edge inference
model.export(format="tflite")

Advanced edge deployments often utilize containerization technologies like Docker to package applications, ensuring they run consistently across different device architectures, from Raspberry Pi units to industrial gateways.