El proyecto E-Minds propone soluciones innovadoras que permiten que sensores y hardwares pequeños utilicen modelos de inteligencia artificial (IA) de manera local, reduciendo la dependencia de servicios externos y el consumo de energía. Usando menos de 4 KB de memoria, algunos de estos sistemas han logrado ejecutar modelos especializados capaces de corregir errores de ubicación y detectar interferencias en tiempo real. Este enfoque resulta especialmente significativo en el contexto de IoT, donde las restricciones de memoria y potencia son habituales, y la eficiencia debe maximizarse sin sacrificar la capacidad para realizar tareas críticas.
Gestionado por un equipo multidisciplinar de investigadores procedentes de la Universidad Tecnológica de Graz (Austria), la Universidad de St. Gallen (Suiza) y la empresa austriaca Pro2Future, el proyecto E-Minds ha obtenido avances en su sistema modular. La clave de esta arquitectura está en dividir las tareas complejas en pequeños modelos independientes que se combinan según el desafío que enfrenta el dispositivo. Por ejemplo, en entornos industriales donde la señal puede verse afectada por paredes metálicas, personas o estanterías, existen modelos específicos que abordan cada tipo de interferencia.
La orquestación de estos modelos se realiza mediante un sistema que identifica la causa principal de las perturbaciones y selecciona el modelo idóneo desde un servidor. Todo este proceso se lleva a cabo en apenas 100 milisegundos, lo que posibilita usos en sistemas industriales como la logística de almacenes, donde la respuesta ágil es fundamental.
Otra contribución relevante está en la adopción de redes subespaciales configurables (SCN), capaces de ajustarse dinámicamente a la entrada de datos sin exigir un modelo distinto por cada variación. Esto ha resultado práctico, por ejemplo, en reconocimiento de imágenes o clasificación de objetos, donde los dispositivos ejecutan modelos miniaturizados que ofrecen tiempos de procesamiento hasta casi ocho veces más rápidos que los enfoques convencionales. La eficiencia no solo se alcanza, sino que también se mantiene la precisión necesaria para aplicaciones reales en dispositivos IoT con capacidades acotadas.
Optimización de los procesos para ahorrar energía
En el proceso de optimización, los expertos apostaron por la cuantificación y poda de modelos. La cuantificación simplifica la representación de los parámetros del modelo reemplazando los números de punto flotante por números enteros. Eso lleva a una reducción apreciable del consumo energético sin un impacto notable en la calidad de los resultados. En paralelo, la técnica de poda consiste en eliminar del modelo las conexiones que apenas influyen en la tarea final, lo que contribuye a mantenerlo aún más compacto y eficiente.
Si bien la aplicación principal de E-Minds se orienta hacia la localización inalámbrica de banda ultraancha en automatización industrial—como el posicionamiento exacto de drones o robots, incluso frente a obstáculos—, el potencial de estas metodologías se extiende a otros sectores. Por ejemplo, los controles remotos domésticos inteligentes ahorrarían energía y las bibliotecas podrían gestionar mejor sus activos mediante rastreo automatizado.