Un futuro prometedor para el mercado de software TinyML

  • Inteligencia Artificial

IA machine learning

El aprendizaje automático integrado en dispositivos está ganando presencia en ciertos entornos digitales basados en la informática distribuida y las redes IoT. Esto está generando un mercado incipiente de software TinyML, que seguirá expandiéndose a hasta alcanzar un valor de 1.000 millones de dólares para finales de esta década.

Recomendados: 

Innovación tecnológica.
II
 Foro IT User,
28 septiembre Regístrate

¿Cómo optimizar
los costes IT? Informe

El "Headless" CMS en la empresa Leer

La tecnología de aprendizaje automático está desarrollándose en diferentes caminos, pasando de las arquitecturas informáticas de alta potencia a los dispositivos inteligentes vinculados a la computación perimetal. Esto ha dado lugar a la tecología TinyML, en la que estos aparatos integran ciertas capacidades de machine learning y trabajan conjuntamente para ejecutar aplicaciones inteligentes de una forma más inteligente, conformando redes de inteligencia distribuida.

Esta innovación tiene muchas aplicaciones potenciales que están empezando a despegar, impulsando un mercado emergente de software TinyML que tiene un gran potencial de desarrollo en el futuro. Según las estimaciones de ABI Research, este año el software TinyML entregado como SaaS generará unos ingresos de más de 220 millones de dólares, y pronostican que este mercado ganará mucha tracción a partir de 2025, pudiendo alcanzar un valor de 1.000 millones para el año 2030.

En este tiempo la categoría tecnológica vinculada a TinyML más importante será la de chipsets, que irá creciendo a medida que se desarrollan más dispositivos y casos de uso para esta tecnología. Pero el mercado de SaaS y servicios profesionales irá creciendo con fuerza desde mediados de esta década, gracias a aplicaciones innovadoras como la detección de incendios forestales o la detección inteligente de formas, que permitirá una gran evolución de los sistemas de reconocimiento inteligente de imágenes.

Otros casos de uso muy interesantes y con grandes posibilidades de futuro están vinculados a la monitorización ambiental. Como explica David Lobina, analista de investigación de inteligencia artificial y aprendizaje automático de ABI Research, “cualquier dato sensorial de un entorno probablemente pueda tener un modelo ML aplicado a esos datos. Algunas de las aplicaciones más comunes incluyen la detección de palabras (la identificación de palabras clave en texto o expresiones), el reconocimiento de objetos (la detección de una persona por un sensor), el recuento de objetos (un sensor que cuenta el número de personas dentro de un edificio) y la detección de audio o voz”, que forman parte de los asistentes virtuales.

Las estimaciones de ABI Research son que la detección ambiental y el procesamiento de audio, y las arquitecturas de sonido alcanzarán una participación del 50% en el mercado TinyML. Estos sistemas se basan en un microcontrolador (MCU) o un circuito integrado ASIC, tecnologías que experimentarán un gran crecimiento en los próximos años dentro del ámbito del hardware para IA. Aunque existen muchas posibilidades y riesgos potenciales en el mercado TinyML, Lobina señala que existen casos de negocio bien identificados.

Explica que “las limitaciones físicas de los dispositivos TinyML son genuinas. Estos dispositivos favorecen modelos ML pequeños y compactos, que requieren innovación a nivel de soluciones de software para casos de uso específicos. Y los proveedores de software serán los más activos en el mercado de TinyML”. Y recomienda a los proveedores que antes de lanzarse a la fase de producción se centren en las aplicaciones de TinyML con una propuesta de valor clara. 

Concluye su informe diciendo que “el papel del software es crucial, y los proveedores deben desarrollar herramientas de software para automatizar el propio TinyML, un proceso recursivo que requiere el uso de aplicaciones TinyML para automatizar otras aplicaciones TinyML”. Para lograrlo será necesario desarrollar una nueva tecnología capaz de generar modelos de TinyML más sofisticados, y apunta hacia la computación y los chips neuromórficos y a la tecnología emergente de Spiking Neural Networks.