Dispositivos IoT más inteligentes: machine learning en la periferia

EML y Tiny machine learning (TinyML) se parecen en que ambos implican el despliegue de modelos de ML en dispositivos pequeños y con recursos limitados, como smartphones o dispositivos IoT, en lugar de en servidores potentes o en la nube. Sin embargo, los términos pueden utilizarse de forma ligeramente diferente en función del contexto. Tiny ML se refiere generalmente al uso de ML en dispositivos muy pequeños y de bajo consumo, como microcontroladores, mientras que EML se refiere al uso de ML en dispositivos situados en el "borde" de una red, más cercanos a la fuente de datos.

Las aplicaciones industriales y de manufactura, las de ciudades inteligentes y las de consumo están impulsando la demanda de EML. Llevar algoritmos de aprendizaje a millones de dispositivos pequeños y de baja potencia al perímetro abre un sinfín de posibilidades para la inteligencia y la información valiosa. Cada dispositivo EML puede leer el contexto y comprende su entorno, lo que significa que pueden llevarse a cabo planteos individualizados y optimizados en relación con el mantenimiento predictivo o las iniciativas sanitarias personalizadas, por ejemplo.

El análisis en el dispositivo permite a los equipos cercanos procesar datos sin tener que enviarlos a la nube, lo que puede provocar una latencia de red considerable. Esto hace que EML sea ideal para entornos que requieren procesamiento en tiempo real, como la supervisión de cultivos y las líneas de producción.

Mantener los datos en la periferia también reduce el riesgo de violación de datos, ya que no es necesario transferirlos y almacenarlos en servidores en la nube. Esto es importante en ámbitos en los que se utilizan datos sensibles, como en salud. Además, EML deja una huella de carbono mucho menor que la que ofrece la IA en la nube, por lo que se torna una opción sostenible.

"El ML busca semejanzas en grandes volúmenes de datos; esto requiere una costosa capacidad de procesamiento. El aprendizaje automático Edge da vuelta esta situación. Empieza en la fuente de datos y puede aprender de los procesos a partir de los datos que ve", explica Anders Alneng, cofundador y vicepresidente de ventas de Ekkono Solutions, empresa pionera en software edge ML.

Inteligencia artificial en el perímetro

ABI Research pronostica que en 2030 habrá 2.500 millones de dispositivos con TinyML, impulsados por el creciente interés por la baja latencia, la automatización avanzada y la disponibilidad de chips de IA de bajo costo y gran eficiencia energética.

"Dado que la IA se implementa para tomar decisiones críticas inmediatas, como el control de calidad, la vigilancia y la gestión de alarmas, cualquier latencia en el sistema puede provocar la interrupción o ralentización, causando graves daños o pérdidas de productividad. Trasladar la IA a la periferia mitiga la vulnerabilidad y los riesgos potenciales, como la conectividad poco fiable o el delay en la respuesta", explica Lian Jye Su, analista principal de ABI Research.

"Todo se está conectando. Pero lo más importante es que es la primera vez que los fabricantes pueden mantener conexión con sus productos cuando salen de la fábrica. Esto requiere automatización, y automatización IoT es igual a EML", añade Alneng, de Ekkono. "Ahora se pueden implementar mejoras cuando los productos salen de la fábrica y aprender de su entorno de producción". Favorece el mantenimiento y la optimización, pero el efecto también es enorme en cuanto a sostenibilidad. El producto se desgasta menos y puede ser más eficiente desde el punto de vista energético; además, se puede individualizar por máquina, lo que permite la personalización masiva. Esto antes no era posible".

Sin embargo, EML no es la respuesta a todos los problemas. EML no es el abordaje ideal, por ejemplo, cuando se necesita mucha capacidad para procesar una gran cantidad de datos, como el procesamiento de lenguaje natural o de imágenes de alta definición. "Aquí, el aprendizaje automático tradicional en la nube es una solución mejor", explica Kasra Mohaghegh, ingeniero de datos de Orange Business. "Pero EML tiene su lugar en muchos casos que requieren interacciones de baja latencia y en tiempo real."

EML en acción

Ekkono utilizó recientemente EML para ayudar a una empresa de fabricación a adoptar cambios de eficiencia continuos para los intercambiadores de calor de un cliente.

Las placas de los intercambiadores de calor se ensucian y necesitan mantenimiento, que varía entre algunas semanas o años, según los líquidos utilizados. A la empresa le resultaba imposible planificar programas de mantenimiento sin tener una visión precisa del grado de suciedad de cada uno de ellos.

Ekkono utilizó sensores virtuales para medir los datos de los sensores físicos y estimar la suciedad de los componentes. Esto ha permitido una supervisión continua del estado, evitando parar la producción de manera imprevista y programando el mantenimiento con el fabricante.

El método estándar de procesamiento por lotes requiere una gran cantidad de datos históricos, y a menudo no hay suficientes datos de fallos para respaldar los modelos de aprendizaje automático. Al utilizar una solución de aprendizaje incremental, no se necesita datos históricos para aprender. En su lugar, aprovecha los datos en tiempo real para obtener una visión precisa. Cualquier desviación del estado normal indica que algo ha cambiado en el dispositivo.

El siguiente paso es el aprendizaje colaborativo

El Federated Learning (FL) es una parte del aprendizaje automático que está ganando mucha atención. Permite que los modelos compartidos de IA se entrenen de forma colaborativa en datos descentralizados en el perímetro sin compartirlos ni ponerlos en una ubicación central. El modelo se mejora de forma gradual.

“Este enfoque permite crear un modelo general a partir de las características de los modelos pequeños”, explica Mohaghegh. Las aplicaciones potenciales incluyen vehículos autónomos y dispositivos portátiles. El aprendizaje colaborativo también es de interés específico para las organizaciones gubernamentales, FinTechs y multinacionales que desean conservar la propiedad de los datos.

“A medida que las transformaciones digitales continúan impulsando las iniciativas de IA/ML, las empresas deberán entrenar modelos sólidos y de alto rendimiento en múltiples ubicaciones sin mover los datos”, explica Ritu Jyoti, vicepresidente de grupo de prácticas de investigación de IA y automatización en IDC. “Se espera que FL haga avances significativos y transforme los resultados comerciales de la empresa de manera responsable”.

Una nueva fuente de datos

Lo bueno de EML es que permite desarrollar modelos de machine learning en multitud de dispositivos integrados, desde sistemas móviles hasta diminutos microcontroladores.

La capacitación en el perímetro requiere menos datos y menos ancho de banda. Cada dispositivo pasa de estar simplemente conectado a ser inteligente, lo que abre la posibilidad de utilizar nuevas fuentes de datos y proporcionar un aprendizaje individualizado. "Es como tener un personal trainer y un médico a tu lado todo el tiempo, optimizando y comprendiendo continuamente la salud de cada dispositivo", afirma Ahneng.

Para obtener más información sobre EML y su potencial, escuche el seminario web de Orange Business: Hacer que los dispositivos IoT sean más inteligentes: la próxima frontera para el aprendizaje automático en el perímetro.