Ir al contenido principal
SECO
  • AI
  • Edge Computing

Cómo elegir y entrenar los modelos de IA adecuados para el edge

Las aplicaciones de Edge AI representan un enorme potencial de ingresos. Realizar la inferencia directamente en los dispositivos locales abre una amplia gama de potentes aplicaciones, entre ellas la detección de objetos, el control por voz y por gestos, el mantenimiento predictivo y los sistemas autónomos.

Los modelos de IA adecuados

Sin embargo, desplegar estas aplicaciones no es tarea fácil. En comparación con el hardware tradicional, los sistemas embebidos con limitaciones de tamaño disponen de pocos recursos. El éxito depende, por tanto, de seleccionar la arquitectura de modelo adecuada y de utilizar las técnicas de entrenamiento correctas para equilibrar los requisitos operativos con las limitaciones técnicas del hardware edge.

El camino de los datos en bruto al modelo entrenado

Desarrollar un modelo de Edge AI eficaz requiere un pipeline bien definido que transforme la información en bruto en una solución desplegable.

Este camino empieza con la recopilación de datos. Antes de poder entrenar nada, un modelo de IA necesita datos de alta calidad, representativos y completos. Es crucial tener en cuenta no solo de dónde procederán los datos, sino también cómo se preprocesarán, almacenarán y protegerán. Una vez recopilados, hay que dar sentido a estos datos mediante el etiquetado, en el que se anotan de forma manual o semiautomática con etiquetas o categorías. Este proceso permite al modelo entender sus entradas y ayuda a mitigar el sesgo y a mejorar la precisión.

Con los datos etiquetados preparados, la atención se centra en seleccionar la arquitectura de modelo que mejor se ajuste al hardware y al caso de uso. Entre las opciones principales se encuentran:

  • Redes neuronales convolucionales (CNN), especializadas en datos espaciales y utilizadas sobre todo para el procesamiento de imágenes, la visión artificial y la detección de objetos.
  • Las redes neuronales recurrentes (RNN) están diseñadas para procesar datos secuenciales o temporales. La capacidad de una RNN para recordar entradas anteriores la hace ideal para tareas como el procesamiento del lenguaje natural (NLP) y la previsión.
  • TinyML, que utiliza diversas arquitecturas para crear modelos construidos específicamente para funcionar en dispositivos con muy poca memoria y energía, como los microcontroladores. Suelen utilizarse para el mantenimiento predictivo o la detección de objetos y sonidos en tiempo real.

La arquitectura seleccionada cobra vida durante la fase de entrenamiento, un proceso iterativo en el que el modelo aprende poco a poco a reconocer y extrapolar patrones a partir de los datos etiquetados. Esto le permite ser cada vez más preciso al clasificar o tomar decisiones a partir de información nueva.

Sin embargo, el entrenamiento no es el último paso. Para garantizar que el modelo pueda rendir en el mundo real, se somete a una validación, un ajuste y unas pruebas rigurosos. Una parte de los datos se reserva durante el entrenamiento para evaluar la capacidad de generalización del modelo y ajustarlo frente a problemas como el sobreajuste. Por último, se prueba con otro conjunto de datos no vistos que sirve como medida final de su rendimiento, su precisión y su sesgo.

El papel fundamental de los datos de alta calidad

Un modelo de IA vale tanto como los datos con los que se entrena, un principio que se cumple especialmente en la Edge AI. Debido a la limitación de memoria, potencia de procesamiento y recursos energéticos, los modelos edge suelen ser más pequeños y tienen una tolerancia al error mucho menor que los modelos tradicionales. Los datos pertinentes y de alta calidad permiten al modelo aprender patrones significativos y hacen posible entrenar modelos compactos, ideales para las limitaciones del hardware edge.

Lograrlo requiere un enfoque riguroso de la preparación de los datos. Este proceso continuo implica definir estrategias de recopilación, identificar todos los escenarios posibles para el modelo y evaluar los datos de forma iterativa a medida que se recopilan.

Los conjuntos de datos limpios y equilibrados son también esenciales para evitar que el modelo aprenda características irrelevantes o sesgadas. Los datos deben preprocesarse para eliminar duplicados, errores y ruido, y corregir al mismo tiempo las incoherencias. A partir de ahí, se aíslan las características más relevantes, se estandarizan las entradas y se amplía y equilibra el conjunto de datos mediante técnicas como el aumento de datos.

El difícil equilibrio al elegir una arquitectura de modelo

Seleccionar la arquitectura de un modelo de Edge AI es un delicado ejercicio de equilibrio entre precisión, velocidad de inferencia, disponibilidad de recursos, flexibilidad y especialización. Una arquitectura compleja, como una CNN de gran tamaño, puede ofrecer una gran precisión, pero a costa de más potencia de cálculo y memoria. A la inversa, las arquitecturas ligeras como los modelos TinyML son rápidas y eficientes, pero pueden exigir sacrificar parte del rendimiento del modelo. Del mismo modo, un modelo de propósito general puede ser más ampliamente aplicable pero requerir más recursos que un modelo especializado, que es más eficiente pero menos adaptable.

Estas contrapartidas deben sopesarse teniendo siempre presentes las limitaciones del hardware. Por ejemplo, un modelo como YOLO está diseñado específicamente para la visión artificial y ofrece tamaños escalables, desde el completo YOLOv8 hasta el ligero YOLOv10-Nano, adecuados para distintas capacidades de hardware. En cambio, los modelos de Hugging Face, una plataforma de código abierto de modelos de lenguaje de gran tamaño, destacan en NLP y son muy adecuados para aplicaciones multimodales. Otra opción, Mistral, ofrece una gran flexibilidad con soporte para muchos lenguajes de desarrollo, lo que lo hace ideal para el análisis contextual.

Tener presentes las limitaciones del hardware

Las limitaciones del hardware deben tenerse siempre presentes al tomar decisiones, ya que los dispositivos edge y los modelos tienen que ajustarse adecuadamente en cuanto a memoria, potencia de procesamiento y consumo de energía. Nuestro blog anterior sobre Choosing the Right AI for Video Security ilustra cómo funciona este proceso en la práctica.

SECO simplifica este equilibrio al ofrecer una amplia cartera de plataformas de hardware y software de Edge AI adaptadas a una gama de requisitos de rendimiento, consumo y factor de forma. Desde módulos de alta eficiencia hasta potentes ordenadores industriales, SECO permite a los desarrolladores hacer coincidir el modelo de IA adecuado con el sistema adecuado.

Los kits de desarrollo, los diseños de referencia y las soluciones listas para integrar agilizan el camino del concepto al despliegue, lo que hace más rápido y sencillo llevar al mercado productos basados en IA.

Optimizaciones finales para un rendimiento máximo en el edge

Como los entornos edge tienen recursos limitados, optimizar el tamaño y la complejidad de un modelo es esencial para que funcione con eficacia. Varias técnicas habituales ayudan a lograrlo:

  • La cuantización reduce el tamaño de un modelo y mejora su velocidad al disminuir la precisión de sus valores numéricos; por ejemplo, convirtiendo valores de coma flotante de 32 bits en enteros de 8 bits.
  • La poda reduce aún más la complejidad al identificar y eliminar los segmentos redundantes o inactivos de la red neuronal.
  • Las herramientas especializadas de compresión y despliegue, como TensorFlow Lite, ONNX y PyTorch, ayudan a convertir, optimizar y desplegar estos modelos ligeros en los dispositivos edge.

Conclusión

El potencial de la Edge AI es enorme, pero para aprovecharlo hacen falta los datos de entrenamiento, la arquitectura de modelo y el hardware adecuados. Las organizaciones deben equilibrar con cuidado sus objetivos de negocio y sus necesidades operativas con las limitaciones de recursos inherentes al edge computing.

Sea cual sea su caso de uso, SECO puede ayudarle a implantar la IA en el edge de forma rápida, eficiente y eficaz. Póngase en contacto con nosotros hoy mismo para saber cómo puede acceder a este mercado de rápido crecimiento.

Reciba la newsletter de SECO.

Suscríbase con su dirección de correo en seco.com.

Suscribirse