En el campo en rápida evolución de la inteligencia artificial, la Visión por Computadora se destaca como una tecnología transformadora con el potencial de revolucionar diversas industrias. Este artículo aclara varios aspectos del potencial de la Visión por Computadora, centrándose en los beneficios y desafíos de procesar datos cerca de la fuente. Para obtener conocimientos más profundos, Torsten Reidt, Ingeniero de IA del equipo Cactai, comparte su experiencia en el tema.
En los últimos años, una de las principales tendencias en el desarrollo de la Inteligencia Artificial (IA) se puede resumir como «cuanto más grande, mejor«. Los modelos aumentaron de tamaño (número de parámetros) debido a la disponibilidad de cantidades masivas de datos, el desarrollo de hardware especializado como GPU y TPU, y la disponibilidad de recursos informáticos. Recientemente, hemos observado una tendencia diferente y muy interesante: modelos más pequeños que requieren menos potencia computacional permiten la inferencia «en el borde» (edge).
Este blog explicará qué significa esto cuando se aplica a la visión por computadora. También daremos una visión general rápida de las diferencias entre la IA en la nube y la IA en el borde. Para refrescar la memoria, la visión por computadora es un subcampo del aprendizaje automático (ML) que se centra en interpretar y comprender información a partir de datos de imagen, como detectar un automóvil en una imagen tomada por una cámara de vigilancia de tráfico.
Entrenamiento o Inferencia
El entrenamiento y la inferencia son dos fases críticas en el ciclo de vida de un modelo de IA. La elección de dónde realizar estas fases—ya sea en la nube o en el borde—depende de varios factores como los requisitos computacionales, la privacidad de los datos, las necesidades de latencia y los costes de infraestructura. Mientras que el entrenamiento (alimentar grandes cantidades de datos a un modelo de aprendizaje automático y ajustar los parámetros del modelo para mejorar su precisión) requiere un uso intensivo de computación, necesita una potencia de procesamiento, memoria y almacenamiento significativos. Por lo tanto, a menudo se realiza en la nube.
La inferencia es la fase en la que el modelo entrenado hace predicciones o decisiones basadas en nuevos datos. Esta fase requiere menos recursos que el entrenamiento, pero aún necesita un procesamiento eficiente. En este caso, la IA en el borde (Edge AI) es una opción plausible para habilitar un gran número de aplicaciones.
IA en el borde vs IA en la nube
En términos generales, «nube» y «en el borde» o «IA en el borde» se refieren a dónde se implementan y ejecutan los modelos de IA. Un ejemplo de un dispositivo de borde sería una cámara de inspección industrial. Estas cámaras suelen detectar características específicas en los productos, procesando los datos visuales en tiempo real para permitir una toma de decisiones rápida en un entorno de producción.
La IA en el borde es a menudo preferible para aplicaciones que requieren respuestas inmediatas, mientras que la IA en la nube es adecuada para tareas menos sensibles al tiempo. Además de eso, la IA en el borde es ventajosa cuando se manejan datos sensibles, ya que mantiene los datos locales.
Ahora que hemos aclarado el término «en el borde», comparamos la IA en el borde con la IA en la nube para algunas características con el fin de destilar aún más la idea de «en el borde»:
| Características | En el borde | Implementación en la nube |
| Procesamiento | Procesamiento en tiempo real en dispositivos locales | Procesamiento centralizado en centros de datos en la nube |
| Latencia | Milisegundos a segundos | Segundos a minutos (dependiendo de la conectividad de red) |
| Ancho de banda | Se requiere transmisión de datos mínima | Grandes cantidades de datos transmitidos a la nube |
| Consumo de energía | Optimizado para bajo consumo de energía | Alto consumo de energía en centros de datos en la nube |
| Seguridad / Privacidad | Datos procesados localmente, reduciendo el riesgo de violaciones de datos | Datos transmitidos a la nube, aumentando el riesgo de violaciones de datos |
| Mantenimiento | Se requiere mantenimiento y actualizaciones a nivel de dispositivo | Mantenimiento y actualizaciones centralizados en la nube |
| Capacidad fuera de línea | Puede operar sin conexión o con conectividad intermitente | Requiere conectividad constante a Internet |
Ventajas y desventajas de la IA en el borde
¿Cuáles son las razones para implementar un sistema de visión por IA en el borde y cuáles son las limitaciones o desafíos que uno podría encontrar al hacerlo? Ya hemos visto las diferencias entre la IA en el borde y la IA en la nube, destaquemos algunas ventajas de la IA en el borde:
- Procesamiento en tiempo real: Al procesar los datos de imagen más cerca de la fuente, se reducen los tiempos de transmisión de datos, lo que reduce la latencia general.
- Mayor autonomía: Los dispositivos con sistemas de IA pueden operar de forma independiente, incluso en ausencia de una conexión de red, lo que los hace adecuados para aplicaciones remotas o fuera de línea.
Hacer inferencia en el borde implica, por otro lado, ciertos desafíos:
- Recursos informáticos limitados: Los dispositivos de borde suelen tener recursos informáticos limitados, lo que restringe la selección del modelo.
- Mantenimiento y actualizaciones: Los dispositivos de borde pueden ser difíciles de mantener y actualizar, especialmente cuando se implementan en ubicaciones remotas o de difícil acceso.
Modelos y frameworks disponibles para sistemas de visión por IA en el borde
Antes de echar un vistazo al hardware disponible, queremos centrarnos en algunas de las opciones de software. El enfoque principal aquí es el uso de software o modelos de IA optimizados para menos potencia computacional, menor consumo de energía o disponibilidad de memoria reducida. En cuanto a los modelos, queremos mencionar algunas opciones populares:
- YOLO (You Only Look Once) viene en diferentes tamaños. Esto facilita la elección del modelo adaptado al hardware disponible.
- MobileNet, adaptado para su uso en hardware con recursos computacionales limitados.
- ShuffleNet, diseñado para dispositivos móviles.
- SqueezeNet, modelo optimizado y muy ligero.
Frameworks:
- PyTorch Mobile, entrenamiento e implementación para dispositivos móviles iOS y Android.
- TensorFlowLite, una versión ligera de TensorFlow, optimizada para dispositivos de borde.
- OpenVino, para optimizar e implementar modelos de aprendizaje profundo en diferentes hardware.
- OpenCV, una librería de visión por computadora ampliamente utilizada que proporciona muchas funcionalidades para el procesamiento de imágenes y video.
Hardware disponible para sistemas de visión por IA en el borde
Con hardware, nos referimos a los componentes necesarios para la implementación y uso de los modelos de IA. Otros dispositivos necesarios, como almacenamiento de datos o modelos de conectividad, no se consideran en la siguiente descripción general de dispositivos.
- Módulos NVIDIA Jetson. Una serie de módulos que ofrecen alto rendimiento y bajo consumo de energía.
- ASUS Tinker Edge T que utiliza módulos Google Coral.
- Kits de Desarrollo Fundamentales de Intel
- Raspberry PI, probablemente uno de los dispositivos más populares para aplicaciones en el borde
Además del hardware mencionado anteriormente, las crecientes capacidades de cálculo de los teléfonos inteligentes modernos hacen posible implementar modelos de IA directamente en estos dispositivos. Los teléfonos inteligentes capaces de usar IA en dispositivos son, entre otros, el iPhone 15 Pro o el iPad Pro. La mayoría de los teléfonos inteligentes de gama alta de los principales fabricantes son capaces de implementar modelos de IA en el dispositivo. ¡Echa un vistazo a nuestro artículo relacionado sobre IA en dispositivos móviles!
Otros componentes clave
Tecnologías como las cámaras CMOS han permitido la Visión por Computadora en el borde en diversas aplicaciones. Las cámaras CMOS (Complementary Metal-Oxide-Semiconductor) son un tipo prevalente de tecnología de imagen digital, ampliamente utilizada en dispositivos que van desde teléfonos inteligentes hasta sistemas de visión artificial industriales. El componente central de estas cámaras es el sensor CMOS, que convierte la luz en señales eléctricas para crear imágenes digitales. Estas cámaras ofrecen:
- Bajo consumo de energía: Los sensores CMOS usan menos energía en comparación con otros sensores, lo que los hace adecuados para dispositivos alimentados por batería.
- Rentabilidad: La fabricación de sensores CMOS es menos costosa debido a la integración de circuitos adicionales en el mismo chip (por ejemplo, amplificadores, convertidores analógico-digitales), lo que reduce los costes generales de producción.
- Operación de alta velocidad: Estos sensores pueden leer datos a altas velocidades, lo que es beneficioso para aplicaciones que requieren captura y procesamiento de imágenes rápidos.
- Rango dinámico y sensibilidad: Los avances en la tecnología CMOS han mejorado su rango dinámico y sensibilidad, haciéndolos adecuados para una gama más amplia de condiciones de iluminación.
Conclusión
La visión por computadora y la IA en el borde ofrecen múltiples beneficios y se convierten en una característica clave para varias aplicaciones. La latencia reducida para tomar decisiones, la privacidad mejorada al evitar el intercambio de información a través de múltiples redes, y el menor ancho de banda requerido son características clave para diversas aplicaciones:
- Vehículos autónomos: La computación en el borde permite el procesamiento en tiempo real de datos visuales de cámaras y sensores en automóviles autónomos, permitiendo una toma de decisiones más rápida y mejorando la seguridad.
- Vigilancia inteligente: Los sistemas de visión por computadora basados en el borde pueden analizar feeds de video localmente, detectando actividades sospechosas y alertando a las autoridades sin necesidad de transmitir datos constantemente a un servidor central.
- Automatización industrial: En la fabricación, los dispositivos de borde equipados con visión por computadora pueden inspeccionar productos, identificar defectos y garantizar el control de calidad en tiempo real, mejorando la eficiencia y reduciendo el tiempo de inactividad.
- Análisis minorista: La computación en el borde se puede utilizar en entornos minoristas para monitorear el comportamiento del cliente, gestionar el inventario y optimizar la distribución de las tiendas procesando datos de cámaras y sensores en la tienda.
- Agricultura: En la agricultura de precisión, los dispositivos de borde pueden analizar imágenes de drones o sensores terrestres para monitorear la salud de los cultivos, detectar plagas y optimizar el uso de recursos.
- Edificios inteligentes: La computación en el borde puede mejorar los sistemas de gestión de edificios procesando datos de cámaras y sensores en tiempo real para monitorear la ocupación, optimizar el uso de energía, mejorar la seguridad y gestionar los sistemas HVAC (Calefacción, Ventilación y Aire Acondicionado) de manera eficiente. Por ejemplo, los dispositivos de borde pueden detectar habitaciones desocupadas y ajustar la configuración de iluminación y temperatura para ahorrar energía.
¿Sientes curiosidad por las últimas tendencias en IA? Sigue este enlace para descubrir más artículos fascinantes en nuestro blog. ¡En Cactus, sobresalimos en todas estas capacidades y estamos listos para satisfacer tus necesidades!
Por Torsten Reidt, Ingeniero de IA del equipo Cactai. 🌵
