Resumen generado por IA
Las soluciones de inteligencia artificial (IA) enfrentan desafíos relacionados con el gran volumen de datos y la alta demanda de potencia computacional, lo que genera una significativa huella de carbono. Por ejemplo, una sola aplicación de IA puede emitir hasta 284 toneladas de CO2, equivalente a cinco veces las emisiones de un coche promedio durante su vida útil. Ante esta problemática, surge la Tiny AI o IA diminuta, que busca reducir el tamaño de los modelos, acelerar la inferencia y mantener la precisión, permitiendo que los algoritmos se ejecuten directamente en dispositivos IoT en lugar de depender de la nube.
La Tiny AI se desarrolla en tres áreas clave: Tiny Data, que optimiza la recopilación y gestión de datos mediante conjuntos minúsculos y estrategias de compresión; Tiny Hardware, que investiga en arquitecturas de tamaño nanométrico y nuevas tecnologías como chips orgánicos; y Tiny Algorithms, que trabajan con algoritmos embebidos y redes neuronales adaptativas para mejorar la eficiencia computacional. Entre las aplicaciones más prometedoras destacan los dispositivos médicos wearables, capaces de monitorear la salud en tiempo real y personalizar tratamientos, así como tecnologías de reconocimiento de voz y gestos para smartphones.
Finalmente, startups como la sueca Imagimob impulsan el desarrollo de IA en dispositivos IoT mediante edge computing, y expertos como Pete Warden promueven el aprendizaje automático diminuto como el futuro de la IA sostenible y eficiente.
Una de las ramas de la inteligencia artificial (IA) que más interés despierta es la tiny AI, es decir, la miniaturización de los algoritmos para poder ejecutarse en todo tipo de dispositivos. Te contamos en qué consiste esta tendencia y lo ilustramos con algunos ejemplos.
Las soluciones basadas en la inteligencia artificial (IA) se han convertido en una parte integral de nuestras vidas, sin embargo, tienen sus retos, como el gran tamaño de los datos de muestra y la complejidad de los algoritmos, que necesitan una gran potencia de cálculo para ejecutarse. Esto también conlleva que tengan una huella de carbono elevada.
Hoy en día, para que cualquier tecnología nos ayude a avanzar, debe ser sostenible medioambientalmente. Y la IA, por ahora, no lo es. Según investigadores de la Universidad de Massachusetts Amherst, una sola aplicación de IA puede emitir hasta 284 toneladas de CO2, lo que equivale a cinco veces la emisión de carbono durante la vida de un coche medio.
La denominada Tiny AI, o IA diminuta, pretenden resolver estos retos. Veamos en qué consiste.
La Tiny AI o IA diminuta: qué es
El concepto de Tiny AI surge de los esfuerzos de los investigadores de IA por reducir el tamaño de los algoritmos, especialmente los que requieren grandes cantidades de conjuntos de datos y de potencia de cálculo. También se denomina Tiny ML, haciendo referencia al aprendizaje automático diminuto (ML, del inglés Machine Learning).
La IA diminuta se basa en métodos que persiguen:
- Reducir el tamaño de los modelos.
- Acelerar la inferencia.
- Mantener los niveles de precisión.
La idea fundamental es que los algoritmos puedan ejecutarse en dispositivos IoT, en lugar de tener que hacerlo en la nube.
Para ello, se está innovando en los siguientes campos:
Tiny Data -conjuntos minúsculos de datos
Para un uso óptimo de los datos, se requiere una recopilación y gestión inteligente de los mismos.
Reduciendo su número con el modelado de sustitutos y utilizando fuentes de datos alternativas, por ejemplo, con sistemas de detección por radar. También se está trabajando en nuevas estrategias de compresión de los datos.
Tiny Hardware – Hardware diminuto
Reducir el tamaño del hardware es un requisito imprescindible para embeber IA en dispositivos IoT. En este ámbito, se investiga en nuevas arquitecturas de tamaño de pocos nanómetros.
Además, la impresión 3D de transistores y chips y la investigación con nuevos materiales, con los denominados chips orgánicos, hacen prever una revolución en las soluciones de harware para Tiny AI.
Tiny Algorithms – Algoritmos diminutos
Se está trabajando en lo que se denominan algoritmos en el chip (on-chip algorithms), y algoritmos basados en redes neuronales artificiales (ANN, del inglés artificial neural networks), en concreto, con las denominadas redes neuronales de impulso, como los que se pueden desarrollar con la aplicación EDLUT desarrollada desde la Universidad de Granada.
También se trabaja en la optimización de algoritmos con las denominadas estrategias de fusión de sensores, que pretenden repartir y balancear la carga de trabajo de un algoritmo, optimizando los datos y resultados entre diferentes dispositivos IoT para aumentar la fiabilidad y la precisión. Además, se están desarrollando técnicas de inferencia adaptativa, que pretenden mejorar la eficiencia computacional de los modelos de aprendizaje profundo (deep learning) como el utilizado para GPT-3, ajustando dinámicamente su estructura en función de cada entrada.
Aplicaciones de la inteligencia artificial diminuta
Uno de los ámbitos de aplicación más prometedores es el de la medicina.
Introducir IA en dispositivos weareables médicos permitiría recopilar datos y que los algoritmos supervisen constantemente las condiciones de salud de los pacientes, proporcionando automáticamente el medicamento o el tratamiento personalizado oportuno. Se pretende trasladar el conocimiento de los profesionales de la medicina a aquellas funciones que puedan automatizarse y proporcionar tratamientos en tiempo real.
Y donde quizás se está avanzando más es en aplicaciones de reconocimiento de voz (para clasificar eventos sonoros, detectar palabras clave y reconocer el entorno sonoro), y de reconocimiento de gestos (para detectar los gestos de la mano mediante radares de bajo consumo, sensores táctiles capacitivos o acelerómetros), para embeber las aplicaciones en los smartphones.
La startup sueca imagimob ha desarrollado todo un entorno de desarrollo de soluciones de IA a dispositivos IoT, llevando la potencia de la IA desde la nube hacia lo que se denomina edge computing. Esta startup ha conseguido una financiación de casi 4 millones de dólares.
Si quieres profundizar en Tiny AI, te recomendamos leer el libro TinyML: Machine Learning with Tensorflow Lite on Arduino and Ultra-Low-Power Microcontrollers de Pete Warden, ingeniero de investigación de Google durante siete años y que acaba de montar la startup Useful Sensors. Según Pete, el futuro del aprendizaje automático es el aprendizaje automático diminuto.
