El aprendizaje automático integrado en dispositivos IoT gana terreno

  • Inteligencia Artificial

IoT seguridad

Una de las evoluciones más interesantes de Internet of Things es la incorporación de capacidades de aprendizaje automático a pequeña escala en dispositivos sencillos y de bajo consumo energético, lo que se denomina TinyML. Esta tecnología está evolucionando y expandiendo su mercado, proporcionando soluciones a diferentes industrias, y los expertos anticipan que su mercado incrementará sus envíos hasta superar los 2.500 millones de unidades para el año 2030.

Recomendados: 

Inteligencia Artificial, ¿cómo lo aplico en mi empresa? Webinar

Por qué las plataformas de edge cloud complementan el enfoque multi-cloud Leer 

Cómo abordar la complejidad de un programa de Gestión de Identidades y Gobernanza Leer 

El concepto de TinyML se basa en aparatos con capacidades integradas de machine learning, con los que se pueden crear redes de dispositivos IoT con inteligencia artificial. Esta tecnología proporciona nuevas oportunidades a industrias como la manufacturera, la sanitaria, la automovilística y cualquier otra con un gran número de puntos finales, y los expertos esperan que los envíos de este mercado crecerán hasta unos 2.500 millones de unidades para el año 2030, un gran aumento desde los 15,2 millones de envíos de 2020.

Según la última investigación realizada por ABI Research, la cantidad de conexiones IoT casi se triplicará entre 2020 y 2026, alcanzando unos 23,6 millones en todo el mundo. Y cada una de estas nuevas conexiones representa una nueva oportunidad para aprovechar la inteligencia artificial y el aprendizaje automático, una combinación que tomará la forma de nuevos dispositivos y casos de uso basados en el concepto de TinyML.

Según Lian Jye Su, analista principal de inteligencia artificial y aprendizaje automático en ABI Research, “la proliferación y democratización de la IA ha impulsado el crecimiento de la analítica de Internet de las cosas (IoT). Los datos recopilados de los dispositivos de IoT se utilizan para entrenar modelos de aprendizaje automático (ML), generando nuevos conocimientos valiosos sobre el IoT en general. Estas aplicaciones requieren soluciones potentes y costosas que se basan en chipsets complejos”.

Con la llegada de los chipsets diseñados para los entornos Edge, se ha abierto la puerta a proporcionar capacidades de IA y aprendizaje automático en puntos finales, por ejemplo, en dispositivos móviles, automóviles, altavoces equipados con asistente digital, cámaras inalámbricas y un volumen cada vez mayor de dispositivos. Aunque, en opinión de Su, “estos dispositivos a menudo tienen poca potencia para hacer uso de todos los datos que fluyen a través de ellos y luchan por soportar un alto rendimiento informático y un alto rendimiento de datos, lo que causa problemas de latencia, lo que es un golpe de gracia para la IA”.

Ante estas dificultades, los chipsets basados en el concepto de TinyML ofrecen una nueva forma de resolver los problemas de eficiencia energética y costes. Esto se debe a que permiten el análisis de datos empleando hardware con baja potencia de procesamiento y memoria limitada, aprovechando un software diseñado para cargas de trabajo de inferencia limitadas. Y además mejorando la seguridad y la protección de los datos generados en entornos IoT, algo que preocupa mucho a la industria.

Como explica Su, la proliferación de esta tecnología conducirá a la expansión de inteligencia artificial en el borde, más allá de los mercados tradicionales. Afirma que “al llevar el análisis de IA más allá de la visión artificial, más usuarios finales pueden beneficiarse de los sensores inteligentes conectados y los dispositivos de IoT basados en ondas sonoras, temperatura, presión, vibración y otras fuentes de datos”. Con todas estas nuevas posibilidades, TinyML se postula como uno de los futuros más viables para las tecnologías IoT, lo que impulsará su mercado en la próxima década.

Su concluye que “dado que la IA de borde existe en un entorno un poco más especializado en comparación con la IA de borde general, los usuarios finales deben preparar su equipo, infraestructura de conectividad y experiencia interna para capturar los beneficios reales de la IA de borde. Al conocer la demanda y los requisitos de los usuarios para TinyML, los proveedores de chipsets de TinyML AI deben diferenciarse a través de casos de uso clave y centrarse en el software y los servicios”.