Avances en el aprendizaje automático integrado en dispositivos
- Inteligencia Artificial
En los próximos años llegará al mercado una nueva generación de dispositivos electrónicos con capacidades de aprendizaje automático integradas, que permitirán trasladar la ejecución de algoritmos al entorno de los consumidores. Esta tecnología dará sus primeros pasos en vehículos autónomos y robots, pero posteriormente se expandirá a dispositivos con capacidades de computación limitadas, como portátiles, smartphones y ciertas categorías de IoT, proporcionando nuevas capacidades y servicios de IA a los usuarios a nivel local.
<La inteligencia artificial está expandiéndose más allá de las infraestructuras de computación centrales, trascendiendo incluso los entornos perimetrales para llegar a los propios dispositivos de los usuarios. Los nuevos modelos y marcos de Aprendizaje Federado, Aprendizaje Distribuido y Few-shot Learning se pueden implementar directamente en los dispositivos finales que disponen de menos capacidad de computación que un servidor, lo que permite brindar servicios basados en la IA mejorados a los usuarios.
En un informe publicado por los expertos de ABI Research, David Lobina, analista de investigación, comenta que el mercado se está moviendo cada vez más hacia esta dirección, aunque opina que todavía falta algún tiempo para estos enfoques se conviertan en el estándar establecido. Y esto es particularmente importante en el caso del Few-Shot Learning donde, por ejemplo, un smartphone sería capaz de aprender por sí mismo de los datos que recopila. Dice que “esto bien podría resultar una propuesta atractiva para muchos, ya que no implica cargar datos en un servidor en la nube, lo que hace que los datos sean más seguros y privados. Además, los dispositivos pueden ser altamente personalizados y localizados, ya que pueden poseer un alto conocimiento de la situación y una mejor comprensión de los entornos locales”.
Las estimaciones de ABI Research son que todavía llevará unos 10 años que el aprendizaje y la inferencia realizada en los propios dispositivos se expandan masivamente, algo que requiere la adopción de tecnologías emergentes como los chips neuromórficos, que por el momento solo se utilizan en ciertas infraestructuras específicamente diseñadas para la IA. Este cambio comenzará a verse primero en los dispositivos de consumo más potentes, como los vehículos autónomos y los robots, que tienen la IA en su ADN.
Posteriormente estas tecnologías se expandirán a los laptops, smartphones y dispositivos inteligentes para el hogar. Y, en un futuro se logrará que otros dispositivos conectados como los de la categoría wearable integren este tipo de chips para llevar a cabo la ejecución de modelos de aprendizaje automático a nivel interno y en colaboración con otros dispositivos de la red. Los expertos explican que por ahora estas tecnologías no son comunes, pero tienen un gran potencial disruptivo para el mercado de cara a los próximos cinco años y más allá.
Lobina dice que “de hecho, estos modelos de aprendizaje tienen el potencial de revolucionar una variedad de sectores, muy probablemente los campos de la conducción autónoma y el despliegue de robots en espacios públicos, los cuales actualmente son difíciles de lograr, particularmente en coexistencia con otros usuarios”. En su investigación pronostica que para el año 2027 los envíos de dispositivos con capacidades de aprendizaje automático integrado podrían alcanzar los 2.000 millones de unidades en todo el mundo.
Finalmente, explica que estas variantes del machine learning (Aprendizaje Federado, Aprendizaje Distribuido y Few-Shot Learning) mitigarán la dependencia actual de la infraestructura en la nube, permitiendo a los desarrolladores e implementadores de inteligencia artificial crear una IA de baja latencia, que trabaje a nivel más local y que preserve mejor la privacidad, todo ello proporcionando una mejor experiencia de usuario.
