IA para dispositivos con recursos mínimos
La inteligencia artificial (IA) suele asociarse con grandes centros de datos y un elevado consumo energético. Pero, ¿qué ocurre cuando se necesita IA en dispositivos diminutos, como sensores o mandos a distancia? Un equipo de investigadores europeos ha logrado superar este reto con éxito.
El proyecto E-MINDS, desarrollado por el centro COMET K1 Pro2Future, la Universidad Técnica de Graz (TU Graz) y la Universidad de St. Gallen, ha conseguido ejecutar modelos de IA en aparatos con tan solo 4 kilobytes de memoria. Esto permite que sistemas como sensores de localización o dispositivos del Internet de las Cosas (IoT) funcionen de forma autónoma, sin depender de servicios en la nube.
Pequeños modelos para grandes problemas
Michael Krisper, responsable del proyecto y científico en TU Graz, explica: “Estos pequeños dispositivos no ejecutan grandes modelos lingüísticos, sino modelos muy específicos, por ejemplo, para estimar distancias”. Para lograrlo, el equipo recurrió a una estrategia modular: dividir los modelos según el tipo de tarea e interferencia.
Por ejemplo, en sistemas de localización ultra-ancha, un modelo específico se encarga de corregir errores provocados por paredes metálicas, otro por personas, y otro por estanterías. Un modelo de orquestación en el propio chip detecta el tipo de interferencia y carga el modelo adecuado desde el servidor en unos 100 milisegundos, lo cual es suficientemente rápido para aplicaciones industriales.
Redes adaptativas y técnicas de compresión
Entre los métodos utilizados, destacan las redes configurables en subespacios (subspace configurable networks o SCNs), que se adaptan al tipo de entrada sin necesidad de múltiples modelos. Estas redes se probaron en tareas de reconocimiento de imágenes y clasificación de frutas, logrando un rendimiento hasta 7,8 veces más rápido que soluciones basadas en servidores externos, con menor consumo energético.
El equipo también aplicó técnicas de cuantificación, reemplazando números de coma flotante por enteros, lo que reduce el uso de energía sin sacrificar demasiado la precisión. Además, emplearon pruning para eliminar partes no esenciales del modelo, manteniendo su funcionalidad básica pero con menor carga computacional.
Aplicaciones más allá de la industria
Aunque el objetivo principal del proyecto fue mejorar la localización en entornos industriales, como en el posicionamiento de drones o robots dentro de almacenes, las posibilidades van mucho más allá. Según el equipo investigador, estas técnicas podrían aplicarse en:
- Mandos a distancia inteligentes con mayor duración de batería.
- Seguridad adicional en coches con apertura sin llave, comprobando si la llave realmente está cerca del vehículo.
- Bibliotecas que rastrean libros automáticamente.
“Con nuevos conocimientos y métodos, hemos puesto los cimientos para productos y aplicaciones futuras”, resume Krisper. En el desarrollo participaron además Olga Saukh, desde el Instituto de Informática Técnica de TU Graz, y Simon Mayer, de la Universidad de St. Gallen, con aportaciones clave en sistemas embebidos y técnicas de localización respectivamente.
IA más cerca del hardware
Un aspecto crucial del proyecto fue encontrar métodos de implementación eficiente, para que los modelos pudieran transferirse rápidamente a los dispositivos sin perder tiempo ni energía. El éxito de E-MINDS demuestra que, con creatividad y nuevas técnicas, es posible acercar la IA al hardware, incluso en los casos más extremos de limitación de recursos.
Este avance promete revolucionar sectores como la automatización industrial, la electrónica de consumo y la seguridad digital, permitiendo que cada vez más dispositivos funcionen de manera autónoma, eficiente y sin conexión permanente a la nube.
