El proyecto DIME, liderado por el Instituto Madrileño de Estudios Avanzados (IMDEA) Networks, ha sentado las bases para aplicaciones de inteligencia artificial (IA) en el borde más rápidas, seguras y sostenibles. La inteligencia artificial en el borde está permitiendo que el procesamiento de datos y la toma de decisiones se tomen en tiempo real directamente en los dispositivos, reduciendo la latencia y el uso de ancho de banda a la vez que mejora la privacidad al minimizar la transmisión de datos a la nube.
El proyecto DIME ha concluido este año logrando un avance crucial para superar los desafíos de esta tecnología. Sus resultados allanan el camino hacia aplicaciones de inteligencia artificial en el borde más rápidas, seguras y sostenibles, con impacto en sectores clave, como, por ejemplo, la salud, el transporte y las ciudades inteligentes.
Una de las grandes limitaciones de los modelos de aprendizaje profundo en dispositivos como microcontroladores o smartphones ha sido entender cómo su implementación afecta al rendimiento en términos de consumo de energía, latencia y precisión. El proyecto DIME ha realizado un estudio exhaustivo que ha medido estas variables en cinco dispositivos IoT, desde microcontroladores básicos hasta computadoras de placa única con capacidades avanzadas, como el Jetson Orin Nano. Este análisis permitió identificar estrategias para optimizar el rendimiento sin comprometer la calidad de las decisiones.
Corrección de errores en tiempo real
Además, DIME abordó la falta de mecanismos para verificar la precisión de los modelos de IA en tiempo real en las aplicaciones críticas como dispositivos médicos e infraestructuras IoT. El equipo desarrolló un innovador algoritmo de aprendizaje online que compara de manera intermitente las decisiones de los modelos en los dispositivos con modelos más robustos en servidores periféricos.
Este enfoque de inferencia jerárquica permite corregir errores en tiempo real y solo recurre al servidor cuando es estrictamente necesario, mejorando la eficiencia y reduciendo los costes de transmisión de datos.
Al reducir la dependencia de servidores en la nube, las tecnologías derivadas de este proyecto no solo aumentan la fiabilidad de la toma de decisiones, sino que también alinean la innovación tecnológica con objetivos de sostenibilidad energética. Esto es especialmente relevante en áreas remotas o desatendidas, donde la conectividad a Internet es limitada.
Los datos y herramientas desarrollados en DIME se han puesto a disposición de la comunidad científica a través de GitHub y serán propuestos como un estándar de referencia en tinyML por MLCommons, un organismo dedicado a acelerar la innovación en aprendizaje automático.