Las 5 principales tendencias de IA en el edge

La AI en el edge continúa desarrollándose. Las aplicaciones de AI en el edge son numerosas: vehículos autónomos, arte, atención médica, publicidad personalizada y servicio al cliente podrían hacer uso de ella. Idealmente, la arquitectura en el edge ofrece baja latencia debido a su cercanía a las solicitudes.

Astute Analytica predice que el mercado de AI en el edge crecerá de $1.4 millones en 2021 a $8 millones para 2027, con una tasa de crecimiento anual compuesta del 29.8%. Esperan que este crecimiento provenga en gran parte de la AI para el Internet de las Cosas, dispositivos de consumo portátiles y la necesidad de una computación más rápida en las redes 5G, entre otros factores. Estos brindan tanto oportunidades como reservas, ya que los datos en tiempo real del edge AI son vulnerables a los ciberataques.

Echemos un vistazo a cinco tendencias que probablemente moldearán el campo del edge AI en el próximo año.

Principales tendencias de edge AI

Separando la AI de la nube

Uno de los cambios radicales de hoy en día es la capacidad de ejecutar el procesamiento de AI sin una conexión a la nube. Arm lanzó recientemente dos nuevos diseños de chips que pueden ofrecer potencia de procesamiento en el edge para dispositivos de IoT, sin necesidad de un servidor remoto o la nube. Su procesador Cortex-M actual puede manejar el reconocimiento de objetos, y otras habilidades como el reconocimiento de gestos o de voz entran en juego con la adición de Ethos-U55 de ARM. Coral de Google, un conjunto de herramientas para desarrollar productos con AI local, también promete un procesamiento de AI "sin conexión".

Operaciones de aprendizaje automático

NVIDIA predice que las mejores prácticas en las operaciones de aprendizaje automático serán un proceso comercial valioso para el edge AI. Requiere un nuevo ciclo de vida para la producción de TI, o al menos ese es el especulación a medida que se desarrollan las MLOps. Las MLOps pueden ayudar a organizar y impulsar el flujo de datos hacia el edge. Un ciclo continuo de actualizaciones puede resultar efectivo a medida que más organizaciones descubren lo que mejor funciona para ellas en lo que respecta al edge AI.

Tendencias fintech 2023: aceleración e innovación en la transformación digital

Los científicos de datos que trabajan en el diseño de algoritmos, la elección de las arquitecturas de modelos y su implementación y monitoreo en el día a día pueden beneficiarse de métodos de aprendizaje automático simplificados.

Esto significa que "es posible que las redes neuronales diseñen redes neuronales", dijo el CEO de Google, Sundar Pichai.

El aprendizaje automático automático requiere mucha memoria y capacidad computacional, por lo que su implementación en el edge va de la mano con otras consideraciones de procesamiento en curso.

Chips especializados

Para realizar más procesamiento en el edge, las empresas necesitan chips personalizados que ofrezcan suficiente potencia. El año pasado, la startup DeepVision llamó la atención con una ronda de financiación de la serie B de $35 millones para su chip de análisis de video y procesamiento de lenguaje natural para el edge.

"Esperamos que se envíen 1.9 mil millones de dispositivos edge con aceleradores de aprendizaje profundo en 2025", explicó Linley Gwennap, analista principal de Linley Group.

El chip acelerador de AI de DeepVision se combina con un conjunto de software que básicamente transforma los modelos de AI en gráficos de cálculo. IBM lanzó su primer hardware acelerador en 2021, destinado a combatir el fraude.

Beneficios del cómputo en el borde: optimización

Nuevos casos de uso y capacidades para la visión por computadora

La visión por computadora sigue siendo uno de los usos principales de edge AI. La red de partners de NVIDIA para su marco de aplicaciones y conjunto de herramientas de desarrollo incluye más de 1,000 miembros en la actualidad.

Un desarrollo importante en este ámbito es la AI multimodal, que utiliza múltiples fuentes de datos para ir más allá de la comprensión del lenguaje natural y analizar posturas, realizar inspecciones y visualizaciones. Esto podría ser útil para la AI que interactúa de manera fluida con las personas, como los asistentes de compras.

Los algoritmos de visión de orden superior ahora pueden clasificar objetos utilizando características más detalladas. En lugar de reconocer un automóvil, pueden ir más profundo y señalar la marca y el modelo.

Entrenar un modelo para reconocer qué características detalladas son únicas para cada objeto puede ser difícil. Sin embargo, enfoques como representaciones de características con información detallada, segmentación para extraer características específicas, algoritmos que normalizan la postura de un objeto y redes neuronales convolucionales de múltiples capas son formas actuales de habilitar esto.

Los casos de uso empresariales que están en sus inicios incluyen control de calidad, seguimiento en vivo de la cadena de suministro, identificación de una ubicación interior utilizando una foto y detección de deep fakes.

Incremento del crecimiento de AI en 5G

El 5G y más allá están casi aquí. Las redes satelitales y el 6G esperan en el horizonte para los proveedores de telecomunicaciones. Para el resto de nosotros, aún tenemos tiempo para hacer la transición entre las redes 4G principales que funcionan con algunos servicios 5G antes de dar el salto completo a la próxima generación.

Qué es un desarrollador de edge y qué habilidades necesita

¿Cómo afecta esto a la AI en el edge? La AI en el 5G podría brindar un mejor rendimiento y seguridad a las aplicaciones de AI. Podría proporcionar parte de esa baja latencia que el edge AI requiere, además de abrir nuevas aplicaciones como la automatización de fábricas, peajes y telemetría de vehículos y proyectos de una cadena de suministro inteligente. En noviembre de 2021, Mavenir presentó AI en el edge con 5G para análisis de video.

Hay más tendencias emergentes en el edge AI que no podemos incluir en una sola lista. En particular, su proliferación podría requerir algunos cambios también en el lado humano. NVIDIA predice que la gestión del edge AI se convertirá en una tarea para el departamento de TI, probablemente utilizando Kubernetes. Utilizar recursos de TI en lugar de que el área de negocios gestione las soluciones de edge puede optimizar los costos, según informó Gartner.

En Newsmatic nos especializamos en tecnología de vanguardia, contamos con los artículos mas novedosos sobre Borde, allí encontraras muchos artículos similares a Las 5 principales tendencias de IA en el edge , tenemos lo ultimo en tecnología 2023.