Construyendo productos inteligentes en el «Edge»

Según el estudio anual realizado por IoT Analytics, la organización de estudio de mercado de la industria IoT, ya en 2018 se estimaba un crecimiento de más de un 150% en el número de dispositivos IoT conectados con un horizonte temporal hasta 2025.

Esta proyección presenta una enorme oportunidad de mercado que mediante la innovación y el avance de tecnologías como el 5G y la inteligencia artificial impulsan una tendencia al alza en el despliegue de dispositivos inteligentes (smart devices).

La inteligencia artificial y Machine Learning (ML) son un factor determinante a la hora de impulsar el despliegue de esta red de dispositivos, y se postulan como habilitadores fundamentales.

Este círculo de innovación-aceleración de la industria, así como las mejoras encontradas en los modelos de ML en los últimos tiempos en cuanto a precisión y modo de trabajo, plantean la necesidad de disponer de mecanismos, procesos y tecnología que faciliten el despliegue de modelos de ML diseñados, construidos, entrenados y catalogados en entornos de trabajo “local” al dispositivo inteligente. El objetivo se centra por tanto en disponer de plataformas que permita construir productos inteligentes en el edge.

¿Porqué debemos considerar el despliegue de ML en el edge?

  • Mayor performance: cualquier operación se computa directamente en el dispositivo, no es necesario realizar ningún envío de información a la nube, resultando por tanto en tiempos de respuesta más cortos y eficientando el conjunto de la operación realizada.
  • Mayor privacidad: el dato permanece en todo momento en el dispositivo y no se realiza ninguna transferencia de información a otro lugar (a menos que sea explícitamente requerido). Esto hace a las soluciones que manejan datos de carácter sensible mucho más seguras en términos de privacidad.
  • La información local de “contorno” está accesible puesto que se trata de un entorno seguro y localizado. Cualquier información recogida por los sensores de la solución AI/ML Edge estarán disponibles en caso de ser requeridos para ciertas operaciones.
  • Algunas soluciones AI/ML Edge pueden funcionar en modooffline”: si bien los despliegues IoT mantienen conexión de telemetría o de envío de información a la nube, ante caídas temporales de la red, el sistema Edge AI/ML puede continuar en funcionamiento pues el cómputo se realiza de manera local. Esto es extremadamente relevante en aplicaciones que deban disponer de alta disponibilidad incluso en escenarios de caída de red.
  • Son energéticamente eficientes (y por tanto también genera un impacto medioambiental menor): El hecho de no realizar constantes envíos de información a la nube para su procesado y posterior recepción de resultados, hace más eficiente el consumo de energía de los dispositivos y de la instalación en su totalidad. Cuando se trata de conectar 21.5B de dispositivos en cinco años, aspectos relativos al consumo energético son muy relevantes para la toma de decisiones.
  • Pueden suponer un importante ahorro de costes de infraestructura de las soluciones IoT. La ausencia de continuos flujos de datos para la realización de operaciones en el entorno nube, plantea de entrada un ahorro de costes de computación, red y transferencia de datos.

Las industrias más beneficiadas por el Edge Computing

Smart Cities: para alcanzar el verdadero potencial del concepto “smart city” el procesamiento mediante AI/ML debe desplazarse a entornos “locales” seguros que aseguren la privacidad del dato y al mismo tiempo reduzcan la transferencia de datos a la nube con el fin de conseguir tiempos de reacción de máxima rapidez para sistemas críticos.

Industria manufacturera: el uso de soluciones ML/AI Edge en la industria es aplicable a multitud de casos de uso como mantenimiento, seguridad o productividad. Estas soluciones requieren módulos con capacidad de inferencia muy rápida, baja latencia y sin perder en precisión dado que lo que está en juego puede ser extremadamente valioso.

Telemedicina: en un sector donde la privacidad del dato es innegociable, las soluciones AI/ML Edge con un acceso al dato local son la herramienta perfecta para el cuidado del paciente y el diagnóstico de enfermedades a distancia.

Agricultura: las soluciones AI/ML Edge cuentan con una alta eficiencia de procesado incluso en entornos remotos y offline que puede aportar grandes beneficios en casos de uso de agricultura.

AI/ML + Edge para transformar la industria

La computación AI/ML Edge está definiendo una transformación de importante calado en distintas industrias, los primeros actores en lanzarse a una estrategia AI/ML Edge podrán beneficiarse de contar con soluciones robustas, eficientes, de alto rendimiento y con la mentalidad de ahorro de costes, ahorro energético y alta disponibilidad, hasta en escenarios remotos y offline.

En Keepler somos especialistas en el diseño, planificación y construcción de soluciones Machine Learning en la nube. Identificamos el nivel de adopción de la organización y las necesidades del caso de uso, sector y equipo en concreto. Diseñamos y construimos estrategias MLOps para que el trabajo de los equipos de ciencia de datos se vean reflejados en entornos productivos como soluciones AI/ML Edge y siempre bajo una metodología y aspectos de gobierno y seguridad establecidos. 

TE PUEDE GUSTAR

EVENTOS

RECIBE NUESTRA NEWSLETTER

*Email:

*Nombre:

*Empresa:

Cargo:

Sector:
     

Please don't insert text in the box below!

ESCUCHA NUESTRO PODCAST

SÍGUENOS EN RRSS

MÁS COMENTADOS

Scroll al inicio