Inteligencia en el Edge
En el mundo de la informática se entiende ‘Edge’ como el extremo o dispositivo final.
La realidad es que esa definición es muy vaga, y puede cubrir tanto sistemas completos que sirvan ‘de pasarela’ a otros dispositivos, como a elementos embarcados de mínimo consumo y muy bajo coste.
Lo que está claro es que en un mundo cada vez más dominado por los datos, hay una tendencia a dotar de capacidades de inteligencia avanzadas a dichos dispositivos, el Edge Computing.
En este artículo vamos a ver tres líneas claras de futuro en ese sentido.
Evolución del concepto de inteligencia en el Edge.
Para entender estas líneas de futuro, hay que ver primero cómo ha evolucionado el concepto de inteligencia en el extremo.
Debido a los requerimientos de bajo consumo, tamaño y fiabilidad, los primeros dispositivos de extremo tenían capacidades extremadamente limitadas de inteligencia.
En general, se trataba de dispositivos aislados, que aplicaban reglas muy básicas y conocidas de antemano. Aunque nos parezca increíble, la mayoría de los dispositivos desplegados en el mundo se circunscriben a esta primera generación.
La aparición del concepto de computo en la nube y sobre todo la proliferación de tecnologías de comunicación económicas y/o de bajo consumo llevan a la siguiente generación: el dispositivo conectado. En ésta surge la idea de extender las capacidades de los dispositivos primigenios mediante la inteligencia disponible en la nube (que no tiene limitaciones ni de consumo ni de capacidad), para lo cual, se mandan los datos a ese nodo central para que tome una decisión más compleja (las básicas siguen siendo locales) y se actúe sobre el dispositivo conectado.
Pero claro, este concepto tiene dificultades evidentes:
- El volumen de datos a enviar puede ser simplemente inasumible (pensemos en video, pero también en miles de series temporales), especialmente en redes de muy bajo consumo como puede ser Sigfox, LoraWAN o Bluetooth LE.
- El tiempo en tomar esa decisión está afectado por la latencia y el retardo que imponen esas redes de comunicaciones, y muchas veces la decisión debe ser inmediata.
Así que surge la tercera generación, la del dispositivo inteligente que, de una forma u otra, será capaz de tomar decisiones ‘avanzadas’ por sí mismo.
Pero claro, el consumo eléctrico, tamaño, perfil térmico y coste de las soluciones habituales para machine learning (GPUs) es directamente inasumible para la mayoría de estos dispositivos, a no ser que sean de tipo ‘pasarela’.
Tendencias de inteligencia en el Edge.
Soluciones del tipo Nvidia Jetson Nano o Google Coral han sido las reinas hasta ahora en este ámbito, permitiendo crear dispositivos pasarela inteligentes, con un perfil cercano al embarcado, con una potencia de cómputo razonable y un precio asequible si pensamos en un dispositivo único capaz de actuar como intermediario de decenas de dispositivos “tontos”. Pero éstas, están recibiendo mucha presión en tres escenarios muy concretos, llamados a revolucionar el futuro de la inteligencia en el extremo. A saber:
Alta potencia de cómputo por W
Frente al mundo de las GPUs, interesadas únicamente en la potencia bruta al coste que fuera (para inmortalizar la presentación de Jen-Hsun Huang, CEO de Nvidia, sacando su nueva placa GPU de un horno de cocina), surgen nuevos contenders interesados en optimizar al máximo la potencia de cálculo alcanzable por watio de consumo eléctrico.
Esto nos permite acceder a niveles de rendimiento hasta ahora desconocidos en el Edge manteniendo su integridad térmica y bajo consumo eléctrico. Esencialmente, como una Jetson Nano, pero a lo bestia.
Una de las más interesantes en ese sentido, especialmente por los acuerdos a los que está llegando con players muy importantes es Hailo. Soluciones de este tipo acercan las capacidades hasta ahora sólo disponibles en el servidor a este tipo de dispositivos.
Micro inteligencia
Hablamos de la capacidad de ejecutar modelos de machine learning en dispositivos embarcados ultra limitados.
Estamos hablando de dispositivos que cuestan unos pocos euros, y que por supuesto tienen un perfil de hardware extremadamente restringido.
Pese a esas limitaciones, existen soluciones de machine learning enfocadas a ese tipo de dispositivos, o incluso surgen versiones mejoradas de los mismos que incorporan aceleradores para redes neuronales. Entre los primeros, TinyML es un claro referente, con la empresa Edge Impulse como una de sus mejores valedoras. Entre los segundos, STMicroelectronics acaba de anunciar su línea de microcontroladores ISPU.
Inteligencia visual
El vídeo es, con diferencia, uno de los mayores consumidores de ancho de banda. Por tanto, es muy difícil, por no decir imposible, tratarlo de manera centralizada en este tipo de dispositivos.
Por otro lado, existen infinidad de opciones para aplicar inteligencia a una cámara (pensemos en el caso evidente de las cámaras de seguridad, pero también en el control de procesos industriales).
Además, el tamaño de estas imágenes requiere de una elevada potencia de cálculo para poderlas decodificar y procesar.
Es aquí donde surgen procesadores específicos orientados al procesamiento de video, ya sea como parte de un stack completo (Ambarella), o como un addon (Intel Movidius).
Veremos muchísima evolución en este ámbito ya que, se quiera o no, se beneficia enormemente de los avances en los teléfonos móviles.
Desde OGA tenemos experiencia en el desarrollo y explotación de algunas de estas tendencias. Si quiere que le ayudemos en su implantación, contáctenos y se lo contamos.
Últimos artículos
Acerca del autor
Jaime Nebrera
Consultor especializado en nuevas tecnologías y Big Data.
Pionero en España en la utilización de tecnologías tan de vanguardia como Apache Kafka y Druid, cuenta con un amplio bagaje en el diseño de productos tecnológicos innovadores.
