Ir al contenido principal
SECO
  • AI
  • Clea

Más allá del despliegue: cómo mantener el aprendizaje de los modelos de Edge AI sobre el terreno

La Edge AI permite un nivel de toma de decisiones en tiempo real verdaderamente transformador. Sin embargo, todo el potencial de la Edge AI solo se aprovecha cuando los modelos pueden aprender y mejorar con el tiempo.

Aprendizaje de los modelos de IA

La mejora continua de los modelos de IA es crucial para adaptarse a entornos dinámicos, corregir la deriva y los errores de los modelos, y habilitar nuevos servicios, funciones y una personalización más profunda. Este aprendizaje continuo garantiza que las soluciones de IA sigan siendo pertinentes y eficaces mucho después de su despliegue.

El problema de los entornos edge

El entrenamiento posterior al despliegue resulta especialmente difícil en el edge por varios motivos, y los recursos son la principal limitación. Aunque el entrenamiento de modelos es una tarea notoriamente intensiva en recursos, debe ejecutarse en sistemas embebidos sin comprometer el rendimiento. La dificultad inherente reside en que, por limitaciones de tamaño, el hardware embebido suele tener una capacidad de cómputo, una potencia y una memoria limitadas.

Más allá de las limitaciones de recursos, la privacidad y la seguridad de los datos plantean obstáculos importantes. Utilizar para el entrenamiento datos que no se han anonimizado o cifrado correctamente puede crear un campo minado legal y normativo, sobre todo cuando se trata de información sensible o de identificación personal.

Además, los entornos edge no siempre cuentan con un ancho de banda fiable. Si un modelo depende de internet para su entrenamiento, cualquier interrupción de la conectividad puede perturbar su funcionamiento.

Aunque estos retos son técnicamente complejos, pueden superarse adoptando los métodos de aprendizaje, las técnicas de entrenamiento y la pila tecnológica adecuados.

Cómo aprende la Edge AI

En términos generales, el entrenamiento posterior al despliegue en el edge se lleva a cabo de una de estas tres formas: en el propio dispositivo, en la nube o mediante un ecosistema de aprendizaje compartido. Al combinar estos métodos con las técnicas de adaptación de modelos adecuadas, las organizaciones pueden garantizar que su IA siga aprendiendo mucho después del despliegue.

Aprendizaje en el dispositivo: con el aprendizaje en el dispositivo, los modelos de IA se entrenan o se actualizan directamente en el hardware edge. El modelo se ajusta con los datos recopilados por sus propios sensores o por las interacciones del usuario, que luego preprocesa e incorpora.

Este enfoque es muy adecuado para la personalización dinámica en tiempo real y preserva la privacidad del usuario al no transmitir ni compartir datos. Su principal inconveniente, sin embargo, es el riesgo de sobreajuste: como los conjuntos de datos locales son pequeños, un modelo puede "memorizar" los datos en lugar de aprender un patrón general, lo que le impide generalizar a datos nuevos.

Aprendizaje federado: como alternativa al aprendizaje puramente en el dispositivo, el aprendizaje federado introduce un servidor central que coordina el entrenamiento entre varios dispositivos. En este modelo, un servidor central comparte un modelo de IA con una flota de dispositivos edge. Cada dispositivo entrena entonces el modelo con su conjunto de datos local y devuelve al servidor los resultados de su entrenamiento, no los datos en bruto. El servidor agrega estos resultados y publica una actualización consolidada del modelo para todos los dispositivos.

Como solo se transmiten las actualizaciones del modelo, este método es eficiente en ancho de banda y seguro. Un reto clave, sin embargo, es que sincronizar estas actualizaciones entre tipos de dispositivos edge muy diversos suele requerir software especializado.

Reentrenamiento en la nube: el tercer enfoque, el reentrenamiento en la nube, es el más parecido al entrenamiento de modelos tradicional. Este método consiste en que una plataforma en la nube recopila datos de los dispositivos edge y los transmite a la nube para reentrenar un modelo de IA centralizado. Una vez terminado el entrenamiento, el modelo actualizado se transmite de vuelta a cada dispositivo.

Aunque este enfoque puede dar soporte a tareas de reentrenamiento más complejas y a actualizaciones de modelo exhaustivas, depende en gran medida de la conectividad y puede verse afectado por la latencia. Además, la transmisión de datos en bruto plantea problemas de privacidad, ya que la información sensible podría quedar expuesta si no se cifra correctamente.

Técnicas prácticas para la adaptación de modelos sobre el terreno

Para abordar las limitaciones específicas de los entornos edge, se pueden combinar varias técnicas de adaptación con los métodos de aprendizaje descritos anteriormente.

  • Aprendizaje incremental: en el aprendizaje incremental, el modelo asimila la nueva información a medida que llega. Estos datos se utilizan principalmente para afinar el modelo, gestionar la deriva y adaptarse a nuevos patrones de datos, mientras el modelo mantiene su enfoque en su función original. Un ejemplo habitual es una pulsera de actividad que se actualiza con nuevos datos sobre quien la lleva.
  • Aprendizaje por transferencia: mientras que el aprendizaje incremental afina un modelo, el aprendizaje por transferencia lo reutiliza para otro fin. Con esta técnica, un modelo preentrenado con un conjunto de datos genérico y de gran tamaño se adapta a una tarea específica con un conjunto de datos local mucho más pequeño. Esto reduce drásticamente la capacidad de cómputo, la memoria y la energía necesarias para el entrenamiento del modelo, lo que a su vez permite desplegar una IA más sofisticada en el edge. Por ejemplo, un sistema de conducción autónoma podría usar el aprendizaje por transferencia para entrenar su modelo de detección de objetos en un entorno nuevo.
  • Aprendizaje continuo: el aprendizaje continuo va un paso más allá en la adaptación y permite que un modelo aprenda funciones totalmente nuevas con el tiempo. Aquí, el modelo incorpora un flujo constante de datos que le ayuda a aprender nuevas tareas o a adaptarse a nuevas capacidades. A diferencia del aprendizaje incremental, que se centra en la tarea original, el aprendizaje continuo amplía el dominio del modelo y le permite adaptarse mejor a cambios importantes en su ecosistema. Un termostato inteligente, por ejemplo, podría usar el aprendizaje continuo para integrarse con un aire acondicionado inteligente recién instalado.

En la práctica, lo más eficaz suele ser adoptar un enfoque híbrido que aproveche varias técnicas, por ejemplo combinando el entrenamiento en el dispositivo con el aprendizaje continuo y un reentrenamiento periódico en la nube.

La importancia de encontrar la pila de IA adecuada

Estas técnicas avanzadas de aprendizaje y adaptación son potentes, pero dependen de una pila de hardware y software bien pensada para que las actualizaciones de los modelos puedan realizarse de verdad. Esto requiere, ante todo, hardware capaz de soportar las exigencias de recursos del modelo y software que pueda gestionar, coordinar, programar y proteger las actualizaciones de entrenamiento con una intervención mínima.

Es fundamental que el hardware y el software funcionen no como componentes individuales, sino como un todo unificado. Sin la infraestructura integrada adecuada, un modelo no puede aprender de forma eficaz después del despliegue y puede encontrarse con cuellos de botella críticos, desde la escasez de recursos hasta un fallo de hardware total.

Para resolverlo, SECO ofrece una pila completa de hardware, software y herramientas integrados, diseñada incluso para los despliegues de Edge AI más complejos. Muchos de nuestros dispositivos edge incorporan unidades de procesamiento neuronal (NPU) dedicadas y aceleradores de IA para gestionar cargas de trabajo exigentes, con soporte también para opciones de terceros como los aceleradores basados en hardware de la unidad de procesamiento de inteligencia artificial (AIPU) de Axelera.

Lo que une este potente hardware es Clea, nuestro framework de software modular, que ofrece el ecosistema completo para el aprendizaje posterior al despliegue. Le proporcionamos todo lo necesario para desarrollar primero un modelo de IA con el Clea AI Studio de arrastrar y soltar, desplegarlo en uno o varios dispositivos edge y garantizar después que el modelo siga aprendiendo, sea cual sea el dispositivo edge en el que se ejecute.

Reflexiones finales

El aprendizaje posterior al despliegue es esencial para cualquier implantación de Edge AI que funcione bien, ya que permite que un modelo ofrezca una mejor personalización, se adapte a entornos dinámicos y evolucione con las necesidades de su negocio y de sus clientes. Aunque elegir las técnicas de aprendizaje adecuadas es crucial para mantener la precisión y la eficacia del modelo, la pila de la solución subyacente es igual de importante. SECO le ofrece la pila integrada que necesita para tener éxito.

Póngase en contacto con nosotros para descubrir cómo podemos ayudarle a crear una Edge AI adaptable y dinámica.

Reciba la newsletter de SECO.

Suscríbase con su dirección de correo en seco.com.

Suscribirse