Edge AI

La IA en el edge hace referencia a la implementación de algoritmos y modelos de inteligencia artificial (AI) directamente en dispositivos de hardware locales —como smartphones, sensores del 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 donde se generan, lo que reduce significativamente la latencia asociada al envío de información de ida y vuelta a servidores remotos. Al ejecutar tareas de [aprendizaje automático (ML)](https://ultralytics-translation-2.invalid localmente, los dispositivos pueden tomar decisiones al instante, funcionar de forma fiable sin conexión a Internet y mejorar la privacidad de los datos al mantener la información confidencial en el propio dispositivo.

Cómo funciona la IA en el edge#

El núcleo de la IA en el edge consiste en ejecutar un motor de inferencia en un sistema embebido. Como los dispositivos edge suelen tener una duración de batería y una capacidad de cálculo limitadas en comparación con los servidores en la nube, los modelos de IA deben ser muy 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.

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

IA en el edge frente a computación en el edge#

Aunque estos términos suelen utilizarse indistintamente, es útil distinguirlos:

• Computación en el edge: Describe la infraestructura física más amplia y la topología de red donde se procesan los datos cerca de su origen. Es el «dónde» de la ecuación.
• IA en el edge: Hace referencia específicamente a las aplicaciones inteligentes que se ejecutan en esa infraestructura. Es el «qué». Por ejemplo, una cámara de seguridad actúa como un dispositivo de computación en el edge, pero cuando utiliza visión artificial (CV) para reconocer a una persona concreta, está ejecutando IA en el edge.

Aplicaciones en el mundo real#

La IA en el edge está transformando sectores al permitir la toma de decisiones autónoma en situaciones críticas:

• Vehículos autónomos: Los coches autónomos generan terabytes de datos cada día. No pueden depender de la nube para identificar peatones u obstáculos debido a la latencia de la señal. En su lugar, utilizan IA en el edge integrada para realizar detección de objetos al instante y garantizar la seguridad de los pasajeros.
• Fabricación inteligente: En el Internet industrial de las cosas (IIoT), los sensores instalados en las plantas de producción utilizan IA en el edge para el mantenimiento predictivo. Al analizar localmente los datos de vibración y temperatura, el sistema puede detectar anomalías y predecir fallos de los equipos en tiempo real, evitando costosas interrupciones.
• Sanidad: Los dispositivos médicos portátiles equipados con IA para visión pueden analizar imágenes médicas o las constantes vitales de los pacientes directamente en el punto de atención, proporcionando asistencia diagnóstica inmediata en zonas remotas con poca conectividad.

Implementación de modelos en el perímetro#

Implementar un modelo en el edge suele implicar entrenarlo en un entorno con gran capacidad de cálculo y exportarlo después a un formato compatible con dispositivos edge, como ONNX u OpenVINO. Ultralytics Platform simplifica este flujo de trabajo y permite a los usuarios entrenar y exportar automáticamente modelos para diversos dispositivos edge.

El siguiente ejemplo muestra cómo exportar un modelo ligero YOLO26 —diseñado específicamente para ofrecer eficiencia— a un formato adecuado para su implementación en dispositivos móviles y edge.

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")

Las implementaciones edge avanzadas suelen utilizar tecnologías de contenedorización como Docker para empaquetar aplicaciones y garantizar que se ejecuten de forma coherente en distintas arquitecturas de dispositivos, desde unidades Raspberry Pi hasta gateways industriales.