¿Qué es la IA en las redes del Edge?

Los rápidos avances tecnológicos han convertido a la inteligencia artificial (IA) en una de las tecnologías más prometedoras e importantes del siglo XXI. A medida que las demandas informáticas de la IA siguen creciendo a un ritmo exponencial, muchos flujos de trabajo de IA están pasando ahora de los entornos de nube a las redes del Edge, lo que permite que la computación se realice más cerca del lugar donde se recopilan los datos, en lugar de en centros de datos en la nube distantes y centralizados. Esta proximidad permite que los sistemas de IA mejoren drásticamente las velocidades de procesamiento al tiempo que hacen que los datos de IA sean más seguros. Es probable que la transición de la nube al Edge desempeñe un papel fundamental a la hora de permitir que la IA alcance nuevas capacidades interesantes y audaces.

Las redes del Edge son una arquitectura de TI en la que las funciones informáticas, como el procesamiento, el almacenamiento de datos, las redes y la seguridad, tienen lugar en el Edge de la red, más cerca de los usuarios, los dispositivos y las aplicaciones que generan y consumen datos. Este modelo ofrece un contraste con el cloud computing, que proporciona acceso bajo demanda a recursos informáticos virtualizados a través de Internet desde centros de datos que pueden residir en cualquier parte del mundo. Mediante el procesamiento, el almacenamiento y la distribución de datos desde ubicaciones más cercanas a donde se generan los datos, las redes del Edge ayudan a minimizar la latencia, mejorar la seguridad, aumentar la disponibilidad y mejorar las experiencias de usuario.

En los primeros días de la IA, la mayoría de las funciones informáticas se realizaban en centros de datos basados en la nube que ofrecían la enorme potencia informática, capacidad y escalabilidad necesarias para esta tecnología en auge. A medida que la tecnología madura y las fuentes de recopilación de datos se expanden al Internet de las cosas (IoT) y a miles de millones de smartphones y dispositivos conectados, la enorme cantidad de datos resultante ha aumentado la latencia y el uso del ancho de banda de red en las operaciones de IA basadas en la nube. Como resultado, las tecnologías de IA se están desplazando hacia el Edge y procesan conjuntos de datos mucho más cerca de los dispositivos, las aplicaciones y los usuarios donde se generan los datos. La ejecución de la IA en servidores del Edge permite que las tecnologías emergentes, como el aprendizaje automático, la aceleración de la red neuronal y el aprendizaje profundo, se amplíen de forma más sencilla y proporcionen información y análisis en tiempo real para fomentar una toma de decisiones más inteligente y rápida.

La ejecución de la IA en redes del Edge cambia el marco tradicional de los sistemas de inteligencia artificial. En el pasado, los datos generados por fuentes relacionadas con la IA se enviaban a un entorno de cloud computing central donde enormes cantidades de potencia informática podían agregar, analizar, interpretar y comunicar información sobre los datos recopilados de las fuentes de IA. Hoy en día, en lugar de ejecutarse de forma centralizada, los modelos de IA se configuran en procesadores conectados o dentro de los dispositivos en el Edge de la red, incluidos dispositivos IoT, teléfonos móviles, vehículos autónomos, relojes inteligentes, dispositivos inteligentes y dispositivos médicos, además de dispositivos del Edge estándar como portátiles, PC y servidores físicos.

Las aplicaciones de la IA en el Edge ofrecen enormes ventajas para este campo en rápida evolución.

• Menor latencia. El procesamiento de cargas de trabajo de IA en dispositivos del Edge minimiza o elimina los retrasos que se producen cuando los datos deben viajar hacia y desde servidores en la nube distantes.
• Aumento de la fiabilidad. Las operaciones de la IA en el Edge pueden seguir funcionando incluso cuando los centros de datos centrales se desconectan. Las redes del Edge son bastante expertas en enrutar el tráfico para evitar cuellos de botella y congestión de la red con el fin de mantener la fiabilidad y la disponibilidad.
• Mayor privacidad y seguridad. Al procesar los datos más cerca de donde se generan, las redes del Edge reducen el riesgo de que los datos confidenciales queden expuestos en la red pública de Internet o sean interceptados por los ciberdelincuentes a medida que se transmiten a centros de nube distantes.
• Reducción del ancho de banda. La gestión local de los datos de IA reduce el consumo de ancho de banda en las redes, lo que aumenta el rendimiento y la disponibilidad generales de la red.
• Ahorros de costes. Al utilizar una infinidad de dispositivos del Edge en lugar de una base de datos central en la nube para CPU, GPU y memoria, las operaciones de la IA en el Edge pueden reducir significativamente el coste del ancho de banda para la transmisión de datos.

La IA en las redes del Edge está impulsando nuevas capacidades en prácticamente todos los sectores.

• Energía. Los modelos de IA en el Edge utilizan datos en tiempo real relacionados con los patrones meteorológicos, el consumo de energía y el estado de la red para generar y entregar energía de forma más eficiente.
• Atención sanitaria. Los instrumentos médicos inteligentes dependen de la tecnología de IA en el Edge para escanear imágenes médicas, ayudar en la cirugía y comunicar información vital sobre la salud del paciente a los médicos.
• Seguridad. El reconocimiento facial, la detección de objetos y la visión artificial están mejorando drásticamente la seguridad en muchos sectores. En muchas aplicaciones, estas tecnologías requieren una latencia ultrabaja proporcionada por el procesamiento de la IA en el Edge para tomar decisiones de seguridad oportunas.
• Fabricación. Las redes del Internet industrial de las cosas (IIoT) dependen de algoritmos de IA para supervisar la calidad de la producción y la seguridad en el lugar de trabajo, así como para realizar ajustes en tiempo real en los procesos de producción.
• Reconocimiento de voz. La capacidad de ejecutar la IA en dispositivos del Edge es esencial para habilitar los algoritmos que impulsan el reconocimiento de voz en teléfonos móviles y asistentes virtuales.