Acepto

COOKIES

Esta web utiliza cookies técnicas, de personalización y de análisis, propias y de terceros, para anónimamente facilitarle la navegación y analizar estadísticas del uso de la web. Obtener más información

El mercado de chips para Machine Learning se disparará de aquí a 2030

  • Vídeos

Las aplicaciones industriales y de fabricación, las ciudades inteligentes y el consumidor están impulsando la venta de dispositivos TinyML (Tiny Machine Learning). Estos chips realizan inferencias de IA y análisis de datos sin apenas necesitar dispositivos externos.

Recomendados: 

La persistencia del ransomware Webinar

La era de la conectividad: SD-WAN, 5G, Wifi, networking, redes seguras... Leer 

2.500 millones de dispositivos con un chipset Tiny Machine Learning (TinyML) serán vendidos en 2030, según ABI Research. Unos datos justificados por el creciente enfoque en la baja latencia, la automatización avanzada y la disponibilidad de conjuntos de chips de inteligencia artificial (IA) de bajo coste y ultraeficiencia energética. 

Estos conjuntos de chips, también conocidos como IA muy avanzada o IA integrada, resultan muy atractivos porque son capaces de realizar inferencias de inteligencia artifical de forma casi independiente, aunque sigan necesitando recursos externos, como puertas de enlace, servidores locales o la nube para la capacitación. Por eso les resultan tan útiles a las empresas que buscan soluciones de este tipo en áreas de activación por voz, detección de imágenes o videos y seguimiento de personas.

Sin embargo, esta nueva tecnología adolece de un problema, y es que, a menudo, los sensores y dispositivos de borde necesitan manejar grandes cantidades de datos y, debido a la naturaleza de baja potencia de los dispositivos, el usuario tiene dificultades para conseguir un alto rendimiento informático y de datos. “Dado que la inteligencia artificial se implementa para tomar decisiones críticas inmediatas, como la inspección de calidad, la vigilancia y la gestión de alarmas, cualquier latencia dentro del sistema puede resultar en la parada o desaceleración de la máquina, lo que ocasiona daños graves o pérdida de productividad. Mover la IA al borde mitiga la vulnerabilidad y los riesgos potenciales, como la conectividad poco confiable y las respuestas demoradas ”, explica Lian Jye Su, analista principal de ABI Research.

Imbuidos con modelos de IA cuantificados, los conjuntos de chips TinyML permiten que los sensores inteligentes realicen análisis de datos en hardware y software dedicados a sistemas de baja potencia, generalmente en el rango de milivatios, utilizando algoritmos, redes y modelos de hasta 100kB. Por ejemplo, Arm y CEVA han lanzado una solución IP de chipset que admite la inferencia de IA de baja potencia con bibliotecas de software, cadenas de herramientas y modelos compatibles. De forma similar, los proveedores de conjuntos de chips de inteligencia artificial de baja potencia, como GreenWaves Technologies, Lattice Semiconductor, Rockchip, Syntiant y XMOS, lanzaron sus productos de conjuntos de chips de inteligencia artificial integrados en 2019. Otros proveedores de CMOS como Sony y HiMax, también están integrando los TinyML en sus sensores CMOS, "lo que significa que el mercado pronto comenzará a ver múltiples conjuntos de chips de IA en un solo dispositivo".

Pero no es sólo el desarrollo de hardware lo que acelera la democratización de TinyML, ya que, por ejemplo, el progreso en la tecnología de software de código abierto de Google a través de TensorFlow Lite para microcontroladores y las soluciones propietarias de SensiML, ofrecen bibliotecas y herramientas de software fáciles de desarrollar, lo que permite crear modelos capaces de admitir aplicaciones muy avanzadas. 

Así que desarrollar hardware competente y diferenciado ya no es suficiente. Los fabricantes de chipsets TinyML deben enfocarse también en evolucionar su ecosistema de desarrollo de IA o ser parte de ecosistemas existentes, adoptar el código abierto y articular sus puntos de venta únicos a los usuarios finales. Sin estas condiciones, los proveedores de chipsets tendrán dificultades para escalar sus productos en lo que se espera sea un mercado muy competitivo.

“Por el momento, la mayoría de estas soluciones aún se encuentran en las primeras etapas de implementación comercial en ciudades inteligentes, utilizadas principalmente para el seguimiento de activos y detección de anomalías. Si bien pueden ofrecer mejores capacidades de procesamiento, los sensores con TinyML son hoy demasiado costosos. Los usuarios finales también deberán diseñar e introducir un nuevo conjunto de procedimientos y protocolos para aprovechar la información y los conocimientos derivados de estos sensores ”, concluye Su.