Principales Tendencias de IA en el Edge en el 2022

26 de enero de 2022, by David Purón

Edge AI o IA en el Edge se ha situado como la tecnología que cambiará las reglas del juego en el entorno industrial. Las industrias con activos críticos muy distribuidos, serán las grandes beneficiarias de llevar la computación avanzada al Edge.

Desde que se añadiera como una disciplina universitaria en 1956, la Inteligencia Artificial (por sus siglas en inglés AI) ha sufrido períodos de optimismo y pesimismo a partes iguales. No hay duda de que hoy vivimos en uno de los primeros.

Data Science es la tercera posición laboral más demandada a nivel mundial (de hecho, en nuestro reciente estudio, el Barómetro del Edge Computing Industrial, vemos que es el perfil que más necesitan y quieren incorporar las empresas industriales españolas), para un mercado que se encuentra en crecimiento exponencial y alcanzará los 190 billones de dólares en 2025. La pandemia mundial del COVID-19 no sólo no ha frenado estas inversiones, sino que las ha acelerado en muchos casos. Un 30% de las empresas encuestadas por Gartner han declarado su intención de incrementar su inversiones en IA.

Descarga el Barómetro del Edge Computing Industrial

Tal es la prominencia de la IA en la industria, que ya no tiene sentido hablar de ellos como una tecnología, sino de muchas ramificaciones que dan servicio a casos de uso e industrias diferentes. Esto se ve perfectamente reflejado en la curva de ciclo de “Hype” en AI elaborada por Gartner en 2021.

Entre las tendencias identificadas como más maduras y muy cerca de la etapa de la productividad, están aspectos que seguro identificamos con nuestro día a día. Por ejemplo, el procesamiento de lenguaje natural que nos hace que hablemos con chatbots cada vez más humanos, la visión por computación que permite automatizar el procesamiento de vídeo en tiempo real, o las búsquedas semánticas que habilitan cada vez mejor resultados más adecuados en los motores de búsqueda. 

En el otro extremo, tenemos aspectos más futuristas que tardarán en consolidarse al menos 10 años. Ejemplos interesantes son las tecnologías de AI TRISM (Trust, Risk and Security Management) que permitan gobernar los modelos de AI para hacerlos más resilientes ante ataques a la seguridad y la privacidad, o los Transformers, que permiten adaptar las decisiones de los modelos de AI a sus contexto y que tendrán altos niveles de impacto en la mejora de aplicaciones como traductores, generación automática de documentos o análisis de secuencias biológicas.

Entre ambos extremos, se sitúan aquellos habilitadores tecnológicos que se encuentran a 2-5 años de desplegarse masivamente, y que podríamos catalogar como el “Futuro Próximo de la AI”. Aquí encontramos la AI centrada en los humanos, la AI generativa, la orquestación y automatización de IA o, a la cabeza de todas ellas en la curva de maduración, la IA en el extremo, también conocida como “Edge AI”. Edge AI o IA en el extremo se ha situado en 2021 como la tecnología de IA en fase de explosión que antes madurará en el futuro próximo. 

Edge AI y la revolución de la inteligencia distribuida en el sector industrial

Edge AI o IA en el Edge, se resume como la capacidad de ejecutar algoritmos de inteligencia artificial fuera del Cloud, y más concretamente en dispositivos que se encuentran cerca de los puntos que generan los datos.

Esta tecnología está proliferando sobre todo en los sectores industriales al amparo de una estadística abrumadora: más del 60% de las organizaciones industriales no tienen una infraestructura Cloud preparada para poder innovar de manera eficiente.

Pero, si ponemos una lupa en los proyectos de Edge AI, ¿cuáles son las tendencias y aspectos más disruptores que veremos desarrollarse durante 2022 y 2023?

A continuación resumimos nuestro top 5:

1. Industrias críticas como principales tractores: del SCADA al Edge AI

En Barbara IoT estamos encontrando patrones repetitivos en aquellas industrias que son tractoras del Edge AI: todas ellas manejan muchos activos, muy distribuidos, y muy críticos. En otras palabras, industrias que tienen retos de fragmentación tecnológica, escalabilidad y ciberseguridad, que pueden ser minimizados con el uso de Edge AI en la ejecución de algoritmos. Son estas industrias las que vaticinamos que desarrollen los casos de uso con un propósito transformador más ambicioso.

En cierta medida, estas industrias no han sido ajenas a conceptos como el IoT y Edge Computing. Los sistemas SCADA que se han utilizado desde los años ochenta tienen propósitos similares en cuanto a captura y procesamiento de datos.

Sin embargo, los sistemas SCADA necesitan complementarse con tecnologías más modernas para poder dar respuesta a unos requisitos cada vez más exigentes en cuanto a interoperabilidad, apertura y seguridad, y es ahí donde el Edge AI puede ayudar multiplicar el valor de estos sistemas tal y como contábamos en uno de nuestro blog posts recientemente: IoT y los sistemas SCADA obligados a convivir y entenderse.

2. El Thin Edge complementará al Thick Edge

Existen diferentes interpretaciones sobre cuál es el “extremo” al que nos referimos cuando hablamos de Edge AI. Tradicionalmente este extremo ha sido identificado como la infraestructura del operador de red más cercana al usuario. Por ejemplo, si hablamos de redes 5G, los operadores están desplegando multitud de nodos llamados “Multiaccess Edge Computing” que sirven para este tratamiento cercano del dato. Estos nodos se instalan en servidores muy similares a los que podemos encontrar en un centro de datos orientado a albergar servicios de cloud, y tiene una alta potencia y capacidad de recursos para procesar algoritmos de AI complejos. Es lo que algunos analistas están llamando el “Thick” Edge (o extremo “grueso”)

www.arcweb.com

Sin embargo, recientemente se está comenzando a desarrollar otra tipología de nodos Edge, conectados directamente a los sensores y actuadores, que instalados sobre dispositivos de menor potencia tales como gateways o concentradores, sirven para correr algoritmos de AI más sencillos con tiempos de respuesta menores, cercanos al tiempo real. Este nuevo tipo de Edge, denominado “Thin” Edge, permitirá abordar de manera rápida y ágil proyectos de mayor escala que incluyen ubicaciones remotas o requisitos de alta seguridad y aislamiento de los datos.

3. El Edge Mesh como nuevo paradigma para la distribución de Inteligencia Artificial

La Edge AI se basa tradicionalmente en modelos de decisión entrenados con conjuntos de muchos datos. El modelo, que se trata de una serie de fórmulas matemáticas para tomar dicha decisión, se instala en los nodos Edge. Desde ese momento, cada nodo es capaz de tomar sus propias decisiones en función de los datos que recibe y el modelo instalado. 

El nuevo paradigma denominado Edge Mesh, permite que la decisión de un nodo pueda estar condicionada por la de otros nodos, como si de una red mallada se tratara. Un ejemplo que sirve muy bien para entender la potencia de esta nueva arquitectura es un sistema inteligente de tráfico. Un nodo Edge puede tomar decisiones sobre la duración de los semáforos mediante algoritmos de AI que tomen como entradas el número de coches y personas detectados por sensores de presencia. Sin embargo, esta decisión podría ser perfectamente complementada por las decisiones que estén tomando nodos de calles adyacentes.

El objetivo de Edge Mesh es distribuir la inteligencia entre varios nodos para tener mejor rendimiento, tiempos de respuesta y tolerancia a fallos que con las arquitecturas más tradicionales.

El equipo de I+D de Barbara IoT se encuentra actualmente centrado en desarrollar las capacidades de comunicación, gestión de tareas y coordinación entre nodos, que permitan el despliegue de AI sobre Edge Mesh. 


Lectura relacionada: La Inteligencia Distribuida como catalizador del cambio en el sector Industrial

4. La gestión del ciclo de vida a través de las MLOps, cada vez más importante 

A medida que la industria se vaya moviendo a despliegues de Edge AI con nodos más distribuidos y algoritmos de entrenamiento más complejos, la capacidad de mantener el ciclo de vida de estos modelos entrenados, así como los dispositivos que los ejecutan, será clave para el futuro de esta tecnología. En este sentido, se potenciarán aquellos proyectos y empresas que apliquen las filosofías de DevOps al desarrollo, despliegue y mantenimiento de los algoritmos de AI.

Esta manera de trabajar se denomina MLOps, combinación de Machine Learning con DevOps. ¿En qué consiste? Básicamente se trata de conseguir reducir los tiempos de desarrollo, pruebas e implantación de los modelos de AI en el Edge a través de la integración continua entre equipos y entornos de desarrollo, pruebas y operaciones.

La suite de productos de Barbara IoT, y en particular nuestros productos Control Room y Edge Orchestrator, están orientados especialmente a habilitar las filosofías de MLOps.


Lectura relacionada: Cómo usar Orquestadores Edge para desplegar Inteligencia Artificial

5. El Edge AI habilita el intercambio soberano de datos

Edge Computing y Soberanía de Datos

No hay duda de que la compartición de datos es clave para la mejora de procesos en entornos con una cadena de valor compuesta por muchos agentes. Tomemos como ejemplo la nueva red eléctrica: para poder recibir u ofrecer un mejor servicio, es fundamental que los proveedores puedan analizar y procesar información en tiempo real de prosumidores (consumidores que producen su propia energía), distribuidores, comercializadores, reguladores, mantenedores, etc. Sin este intercambio lícito y ágil de datos, será complicado llegar a los objetivos de optimización de la red que se esperan para una red descarbonizada y renovable en 2030.

Las arquitecturas Edge AI permitirán el tratamiento de datos NO centralizado, lo cual podrá desbloquear algunas barreras con las que se encuentra la industria actualmente como la seguridad, privacidad y soberanía de los datos.

Si te ha interesado este artículo te animamos a contactar con nosotros para conocer cómo podemos ayudarte en tu proyecto de Edge Computing.

Si buscas desarrollar un proyecto IoT, contáctanos