La Inteligencia Artificial y Edge Computing
Edge Computing y Cloud Computing son tecnologías complementarias al permitir que las prestaciones generales de los servicios crezcan sin suponer excesivas cargas a la red. Como ya sabemos, Edge Computing es aquella solución en la que el procesamiento se realiza en la fuente de los datos, o cerca de ella. Esto significa que, para muchas aplicaciones, no es necesario transmitir todos los datos al Cloud, ni realizar allá la tarea que se deba emprender con esos datos. Se prescinde, de este modo, de la latencia obligada fruto de la transmisión de la información.
Esta computación perimetral tiene unas posibilidades inmensas para incorporar nuevos servicios y, sobre todo, para afrontar retos como el IoT masivo o la introducción de dispositivos cada vez más inteligentes, pero con un coste en cuanto a ancho de banda necesario mucho menor. Además, el aumento de la capacidad de procesamiento en el perímetro de la red modificará necesariamente las redes empresariales.
Inteligencia Artificial en el Edge
Cada vez es más sencillo llevar la Inteligencia Artificial y el Machine Learning al Edge, dependiendo siempre de la escala y de la capacidad de dicho Edge. Es verdad que los sistemas de cómputo en el Edge son más pequeños en prestaciones y capacidad que los que se encuentran en los Centros de Datos en el Cloud. Sin embargo, han madurado y son capaces de ejecutar con éxito muchas cargas de trabajo gracias al crecimiento en la potencia de procesamiento de los servidores básicos x86 actuales.
Lo que podemos llamar «Edge IA» se centra en mover la parte de inferencia del flujo de trabajo de AI al dispositivo perimetral, manteniendo los datos restringidos en el propio dispositivo. Los factores que impulsan principalmente la elección del procesamiento en la Nube o el procesamiento perimetral son ya bien conocidos: privacidad, seguridad, coste, latencia y ancho de banda.
Como ya hemos adelantado en otro artículo, las aplicaciones de conducción automatizada y autónoma tienen requisitos de latencia menores al milisegundo, mientras que otras, como el reconocimiento de voz, deben tener en cuenta las preocupaciones acerca de la privacidad. Al llevar el procesamiento de la IA al dispositivo perimetral se evitan esas preocupaciones de privacidad y reduce considerablemente las necesidades de ancho de banda, latencia y costes asociados al Cloud Computing.
Analizamos las razones principales para llevar la IA al Edge
- Privacidad. Es una de las razones principales para llevar la IA hasta el dispositivo perimetral, especialmente si hablamos de smartphones, altavoces inteligentes, cámaras de seguridad domésticas y robots. Sobre este tema existe una cierta dicotomía en relación con los datos y la privacidad. Por un lado, los consumidores han consentido en compartir ciertos datos para obtener servicios y prestaciones nunca vistas; por otro, la preocupación acerca de la recopilación de datos y la privacidad ha repuntado recientemente.
- Latencia. Este punto afecta directamente a la capacidad de movilidad autónoma en drones, robots y automóviles autónomos, para los que los requisitos de latencia son inferiores al milisegundo. Además de esto, la latencia es importante desde la perspectiva de la experiencia del cliente, puesto que cuanto menor sea, mejor será el servicio. En ciertos servicios, la latencia no es tan crítica porque depende de nuestra propia capacidad de procesamiento (en servicios de búsqueda por voz, una latencia de 200 ms es una buena latencia, por ejemplo).
- Ancho de banda. Sin duda, afectará a las aplicaciones basadas en la visión como la realidad aumentada (AR), la realidad virtual (RV) y la realidad mixta (RM). Cuantas más prestaciones se ofrezcan, mayor ancho de banda será necesario. Un ejemplo es la transmisión de vídeo 4K, que puede requerir hasta 50 Mbps para una transmisión ágil.
- Seguridad. Volvemos a mencionar las cámaras de seguridad, coches autónomos y drones, ya que actúan en cierto modo como elementos redundantes en un sistema de información.
- Coste. Trasladar el procesamiento de IA hacia el perímetro de la red reduce los costes generales. Hay que tener en cuenta diversos costes, como el del hardware del dispositivo de IA, el del ancho de banda y el costo del procesamiento en la Nube, pero la mayor parte de las veces el más importante es el de ancho de banda el factor determinante clave. Al quedarse en el Edge, dicho coste se reduce notablemente.
Como Responsable de Arsys Lab, lidera el equipo de innovación de la compañía, explorando y llevando a la práctica nuevas tecnologías y conceptos. Con un doctorado en Matemáticas y una amplia experiencia en gestión de proyectos y docencia universitaria, es conocida por su enfoque proactivo y su pasión por aprender y colaborar con personas de diversas culturas.