Razones para implementar IA en el borde: protección de datos
A medida que la inteligencia artificial (IA) madura, su adopción continúa en aumento. Según investigaciones recientes, el 35% de las organizaciones están utilizando IA, y el 42% está explorando su potencial. Si bien la IA se comprende bien y se implementa ampliamente en la nube, sigue siendo incipiente en el borde y presenta algunos desafíos únicos.
Muchas personas utilizan la IA a lo largo del día, desde navegar en automóviles hasta realizar un seguimiento de los pasos o hablar con asistentes digitales. Aunque un usuario accede a estos servicios a menudo desde un dispositivo móvil, los resultados de computación residen en el uso de IA en la nube. Específicamente, una persona solicita información y esa solicitud es procesada por un modelo de aprendizaje central en la nube, que luego envía los resultados de vuelta al dispositivo local de la persona.
La IA en el borde se comprende y se implementa con menos frecuencia que la IA en la nube. Desde sus inicios, los algoritmos e innovaciones de IA se basaron en una suposición fundamental: que todos los datos se pueden enviar a una ubicación central. En esta ubicación central, un algoritmo tiene acceso completo a los datos. Esto permite que el algoritmo construya su inteligencia como un cerebro o un sistema nervioso central, con plena autoridad en computación y datos.
Pero la IA en el borde es diferente. Distribuye la inteligencia en todas las células y nervios. Al llevar la inteligencia al borde, otorgamos a estos dispositivos del borde su propia agencia. Esto es fundamental en muchas aplicaciones y dominios, como el cuidado de la salud y la fabricación industrial.
Razones para desplegar IA en el borde
Existen tres razones principales para desplegar IA en el borde.
Protección de información de identificación personal (PII)
En primer lugar, algunas organizaciones que manejan PII o propiedad intelectual sensible prefieren dejar los datos donde se originan, ya sea en la máquina de imágenes en el hospital o en una máquina de fabricación en el suelo de la fábrica. Esto puede reducir el riesgo de "excursiones" o "filtraciones" que pueden ocurrir al transmitir datos a través de una red.
Aruba revoluciona con nuevas capacidades de AIOpsMinimización del uso de ancho de banda
En segundo lugar, está el problema del ancho de banda. Enviar grandes cantidades de datos desde el borde hasta la nube puede saturar la red y, en algunos casos, resulta impráctico. No es raro que una máquina de imágenes en un entorno de salud genere archivos que son tan masivos que no es posible transferirlos a la nube, o llevaría días completar dicha transferencia.
Puede ser más eficiente procesar los datos en el borde, especialmente si los conocimientos se dirigen a mejorar una máquina patentada. En el pasado, el procesamiento era mucho más difícil de mover y mantener, lo que justificaba que los datos se movieran al lugar de procesamiento. Este paradigma ahora está siendo desafiado, donde ahora los datos a menudo son más importantes y más difíciles de gestionar, lo que lleva a casos de uso que justifican trasladar el procesamiento al lugar donde se encuentran los datos.
Evitar la latencia
La tercera razón para desplegar la IA en el borde es la latencia. Internet es rápido, pero no es en tiempo real. Si hay casos en los que los milisegundos importan, como un brazo robótico que ayuda en una cirugía o una línea de fabricación sensible al tiempo, una organización puede decidir ejecutar la IA en el borde.
Desafíos de la IA en el borde y cómo resolverlos
A pesar de los beneficios, aún existen algunos desafíos únicos para desplegar la IA en el borde. Aquí hay algunos consejos que se deben considerar para abordar esos desafíos.
Buenos resultados frente a malos resultados en el entrenamiento del modelo
La mayoría de las técnicas de IA utilizan grandes cantidades de datos para entrenar un modelo. Sin embargo, esto a menudo se vuelve más difícil en casos de uso industrial en el borde, donde la mayoría de los productos fabricados no son defectuosos y, por lo tanto, no están etiquetados o anotados como buenos. El desequilibrio resultante entre los "buenos resultados" y los "malos resultados" dificulta que los modelos aprendan a reconocer problemas.
Las soluciones de IA puras que se basan en clasificar datos sin información contextual a menudo no son fáciles de crear e implementar debido a la falta de datos etiquetados e incluso la aparición de eventos raros. Agregar contexto a la IA, o lo que se conoce como enfoque centrado en los datos, a menudo da resultados positivos en cuanto a precisión y escala de la solución final. La verdad es que si bien la IA a menudo puede reemplazar tareas mundanas realizadas manualmente por humanos, se beneficia enormemente de la perspicacia humana al construir un modelo, especialmente cuando no hay muchos datos con los que trabajar.
Qué es la Ley de Responsabilidad AlgorítmicaObtener el compromiso de antemano de un experto en la materia experimentado para trabajar en estrecha colaboración con el científico(s) de datos que construyen el algoritmo proporciona un impulso inicial al aprendizaje automático.
La IA no puede resolver mágicamente todos los problemas ni proporcionar respuestas
A menudo hay muchos pasos que intervienen en una salida. Por ejemplo, puede haber muchas estaciones en una línea de producción y pueden ser interdependientes. La humedad en una zona de la fábrica durante un proceso puede afectar los resultados de otro proceso posterior en la línea de fabricación en una zona diferente.
Las personas a menudo asumen que la IA puede conectar mágicamente todas estas relaciones. Si bien en muchos casos puede hacerlo, es probable que también se requiera una gran cantidad de datos y mucho tiempo para recopilarlos, lo que resulta en un algoritmo muy complejo que no admite explicaciones y actualizaciones.
La IA no puede existir en un vacío. Capturar esas interdependencias ampliará los límites, pasando de una solución simple a una solución que puede escalar con el tiempo y en diferentes despliegues.
La falta de apoyo por parte de los interesados puede limitar la escala de la IA
Es difícil escalar la IA en una organización si muchas personas en la organización dudan de los beneficios que puede aportar. La mejor (y tal vez única) manera de obtener una aceptación generalizada es comenzar con un problema difícil y de alto valor, y luego resolverlo con IA.
En Audi, consideraron resolver la frecuencia con la que se deben cambiar los electrodos en las pistolas de soldadura. Pero los electrodos eran de bajo costo y esto no eliminaba ninguna de las tareas mundanas que los humanos estaban realizando. En cambio, eligieron el proceso de soldadura, un problema universalmente aceptado como difícil en toda la industria, y mejoraron enormemente la calidad del proceso mediante la IA. Esto luego despertó la imaginación de los ingenieros en toda la empresa para investigar cómo podrían usar la IA en otros procesos para mejorar la eficiencia y la calidad.
El valor de la inteligencia artificial estrechamente enfocada en aplicaciones específicasEquilibrando los beneficios y desafíos de la IA en el borde
Desplegar la IA en el borde puede ayudar a las organizaciones y sus equipos. Tiene el potencial de transformar una instalación en un borde inteligente, mejorando la calidad, optimizando el proceso de fabricación e inspirando a desarrolladores e ingenieros en toda la organización a explorar cómo podrían incorporar la IA o avanzar en el uso de casos de IA para incluir análisis predictivos, recomendaciones para mejorar la eficiencia o detección de anomalías. Pero también presenta nuevos desafíos. Como industria, debemos poder implementarla al tiempo que reducimos la latencia, aumentamos la privacidad, protegemos la propiedad intelectual y mantenemos la red en funcionamiento de manera fluida.
Con más de una década de experiencia iniciando y liderando líneas de productos tecnológicos desde el borde hasta la nube, Camille Morhardt humaniza y simplifica de manera elocuente conceptos técnicos complejos en conversaciones agradables. Camille es la anfitriona de What That Means, un podcast de Cyber Security Inside, donde conversa con destacados expertos técnicos para obtener las definiciones directamente de quienes las están definiendo. Forma parte del Centro de Excelencia en Seguridad de Intel y tiene un enfoque apasionado en el Aseguramiento del Ciclo de Vida de la Computación, una iniciativa de la industria para aumentar la transparencia y seguridad de la cadena de suministro.
Rita Wouhaybi es ingeniera principal de IA en la Oficina del CTO en el Grupo de Red y Borde de Intel. Lidera el equipo de arquitectura enfocado en los segmentos de mercado federal y de fabricación, y está ayudando a impulsar la entrega de soluciones de IA en el borde que abarcan arquitectura, algoritmos y evaluaciones utilizando los recursos de hardware y software de Intel. Rita también es una científica de datos de series temporales en Intel y arquitecta principal de Intel Edge Insights para la industria. Obtuvo su doctorado en Ingeniería Eléctrica en la Universidad de Columbia, tiene más de 20 años de experiencia en la industria y ha presentado más de 300 patentes y publicado más de 20 artículos en reconocidas conferencias y revistas de IEEE y ACM.
El mercado de software de automatización robótica de procesos (RPA) crecerá un 19En Newsmatic nos especializamos en tecnología de vanguardia, contamos con los artículos mas novedosos sobre Inteligencia artificial, allí encontraras muchos artículos similares a Razones para implementar IA en el borde: protección de datos , tenemos lo ultimo en tecnología 2023.
Artículos Relacionados