Expansión del aprendizaje automático perimetral

  • Inteligencia Artificial

Cada vez más organizaciones utilizan el machine learning para impulsar sus aplicaciones y servicios, y están trasladando estas capacidades al perímetro de su red para mejorar la experiencia de usuario y la privacidad. Esta tendencia está dando fuerza al mercado de soluciones de habilitación de aprendizaje automático en el borde, cuyos ingresos seguirán creciendo en los próximos cinco años.

El aprendizaje automático es una de las tecnologías que las organizaciones están utilizando para dotar de más automatización e inteligencia a sus aplicaciones y servicios. Y las capacidades de ML están acompañando a la descentralización que se está llevando a cabo hacia las infraestructuras en el borde, lo que permite a las empresas brindar una mejor experiencia de usuario y reforzar la privacidad de los datos de sus clientes.

Para lograrlo, muchas organizaciones están recurriendo a soluciones de habilitación de machine learning en entornos perimetrales, que ofrecen desde plataformas de desarrollo a herramientas, bibliotecas y otras soluciones pensadas para ML en el borde. Según las estimaciones de ABI Research, este mercado va a crecer intensamente en los próximos cinco años, pudiendo alcanzar un valor de 5.000 millones de dólares para el año 2027.

Las principales ventajas que proporcionan estas soluciones son una mejora de la experiencia de usuario, ya que al operar desde el perímetro las aplicaciones son más ágiles, una mayor protección de la privacidad al trabajar con la información a nivel local y una optimización de costes para los usuarios finales. A todo esto se suma la capacidad del propio aprendizaje automático para impulsar aplicaciones como el reconocimiento de imágenes y voz, el mantenimiento predictivo y otras soluciones enfocadas a mejorar la seguridad o aumentar la capacidad de los humanos para desempeñar sus tareas en numerosos puestos de trabajo.

La contrapartida es que para disfrutar de estas ventajas las empresas que utilizan machine learning deben invertir en la capacitación de sus trabajadores en un buen número de áreas tecnológicas, lo que eleva los costes iniciales. Lian Jye Su, directora de investigación de ABI Research, explica que “para beneficiarse verdaderamente de las ventajas que ofrecen las aplicaciones de ML perimetrales, las empresas deben asegurarse de que sus aplicaciones de ML perimetrales sean precisas, optimizadas y monitoreadas de cerca para evitar sesgos y desviaciones del modelo. Esto significa que las empresas deben crear un equipo de científicos de datos, ingenieros integrados y de dispositivos y gerentes de proyectos, lo que puede volverse muy costoso muy rápidamente”.

Aunque destaca que los proveedores de habilitación de ML en el borde ofrecen una gran ayuda a las empresas que quieren seguir este camino hacia la inteligencia artificial perimetral, a través de herramientas y bibliotecas que facilitan el trabajo y reducen las barreras de adopción. Entre sus servicios están el permitir a las empresas administrar y controlar sus datos para la capacitación e inferencia de ML, seleccionar los modelos adecuados, capacitar y probar el modelo, crear un motor de inferencia e implementar y monitorizar el aprendizaje automático a través de operaciones de ML perimetral (MLOps).

Y cada vez hay más proveedores enfocados en campos específicos, como el análisis de audio, el mantenimiento predictivo, el reconocimiento e imágenes y gestos o la detección de materiales, entre otros muchos. Los investigadores de ABI Research diferencian cuatro categorías principales, que son proveedores de la nube pública, proveedores de silicio de ML perimetral, proveedores centrados en plataformas y proveedores centrados en tecnología.

Su opina que el mercado todavía se encuentra en una fase incipiente, y la mayoría de proyectos de ML perimetral todavía no han superado la fase de pruebas. Y dice que “los proveedores de habilitación de Edge ML deben continuar mejorando su experiencia de usuario de low code/no code para los que no son expertos en IA, ampliar el soporte de hardware de Edge ML, proporcionar soluciones y servicios específicos de la aplicación y garantizar un alto nivel de explicabilidad de ML para garantizar el cumplimiento legal”.