Edge AI

La 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 computación en la nube centralizados. Este enfoque descentralizado permite procesar los datos en el origen de su creación, lo que reduce significativamente la latencia asociada a enviar información de ida y vuelta a servidores remotos. Al ejecutar tareas de aprendizaje automático (ML) de forma local, los dispositivos pueden tomar decisiones instantáneas, operar de forma fiable sin conexión a internet y mejorar la privacidad de los datos al mantener la información sensible en el propio dispositivo.

Cómo funciona Edge AI#

El núcleo de la Edge AI consiste en ejecutar un motor de inferencia en un sistema incrustado. Dado que los dispositivos de borde suelen tener una batería y una potencia de cálculo limitadas en comparación con los servidores en la nube, los modelos de IA deben ser sumamente eficientes. Los desarrolladores suelen emplear técnicas como la cuantización de modelos o la poda de modelos para comprimir grandes redes neuronales sin sacrificar una precisión significativa.

Los aceleradores de hardware especializados se utilizan con frecuencia para gestionar estas cargas de trabajo de manera eficiente. Algunos ejemplos son la plataforma NVIDIA Jetson para robótica y el Google Coral Edge TPU para inferencia de bajo consumo. Los marcos de software también desempeñan un papel fundamental; herramientas como TensorRT y TFLite optimizan los modelos específicamente para estos entornos limitados, garantizando una rápida inferencia en tiempo real.

Edge 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 datos. Es el «dónde» de la ecuación.
• Edge AI: Se refiere específicamente a las aplicaciones inteligentes que se ejecutan en dicha infraestructura. Es el «qué». Por ejemplo, una cámara de seguridad actúa como un dispositivo de edge computing, pero cuando utiliza visión por computador (CV) para reconocer a una persona específica, está realizando Edge AI.

Aplicaciones 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 al día. No pueden depender de la nube para identificar peatones u obstáculos debido a la latencia de la señal. En su lugar, utilizan Edge AI integrada a bordo para la detección de objetos instantánea con el fin de garantizar la seguridad de los pasajeros.
• Fabricación Inteligente: En el ámbito del IoT industrial (IIoT), los sensores en las plantas de producción utilizan Edge AI para el mantenimiento predictivo. Al analizar los datos de vibración y temperatura de forma local, el sistema puede detectar anomalías y predecir fallos en los equipos en tiempo real, evitando costosos tiempos de inactividad.
• Sanidad: Los dispositivos médicos portátiles equipados con Vision AI pueden analizar imágenes médicas o las constantes vitales del paciente directamente en el punto de atención, lo que proporciona un apoyo diagnóstico inmediato en zonas remotas con mala conectividad.

Despliegue de modelos al borde#

Desplegar un modelo en el borde suele implicar entrenar un modelo en un entorno de alta capacidad de cálculo y luego exportarlo a un formato compatible con dispositivos de borde, como ONNX u OpenVINO. La Ultralytics Platform simplifica este flujo de trabajo, permitiendo a los usuarios entrenar y exportar modelos de forma automática para diversos destinos de borde.

El siguiente ejemplo demuestra cómo exportar un modelo YOLO26 ligero —diseñado específicamente para ofrecer eficiencia— a un formato adecuado para su despliegue en móviles y dispositivos de borde.

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")

Los despliegues avanzados en el borde suelen utilizar tecnologías de contenedorización como Docker para empaquetar aplicaciones, lo que garantiza que se ejecuten de manera uniforme en distintas arquitecturas de dispositivos, desde unidades Raspberry Pi hasta pasarelas industriales.