Comparación: IA de borde vs IA distribuida

Descubriendo la inteligencia artificial distribuida

Hola, soy Niru Desai de IBM y estoy aquí para hablarte sobre la inteligencia artificial distribuida. La inteligencia artificial distribuida es un paradigma de computación que te permite escalar tus datos y aplicaciones de inteligencia artificial en entornos de nube distribuidos. Estos entornos de nube distribuidos te permiten tener una gestión unificada del ciclo de vida de las aplicaciones en la nube pública, en las instalaciones y en los entornos periféricos.

El viaje hacia la inteligencia artificial distribuida

Antes de sumergirnos en la inteligencia artificial distribuida, es importante conocer el recorrido que nos llevó hasta allí. Todo comenzó con la inteligencia artificial basada en la nube, luego surgieron los sistemas de inteligencia artificial generalizada (AGI) y finalmente llegamos a la inteligencia artificial distribuida.

Para comprender mejor este recorrido, echemos un vistazo a un ejemplo concreto que involucra una planta. En este escenario, la planta representa cualquier ubicación donde tienes operaciones comerciales y tomas decisiones locales. Por otro lado, tienes una ubicación central, que podría ser tu centro de datos empresarial o la nube pública. En esta ubicación central, tienes un servicio de Kubernetes con tus datos y middleware de inteligencia artificial, y sobre eso, despliegas una o más aplicaciones. Estas aplicaciones, si están basadas en datos e inteligencia artificial, podrían realizar entrenamiento para tus flujos de trabajo de inteligencia artificial e inferencia también.

En el lado del proceso comercial en tu planta, a medida que ocurre el proceso, se genera una gran cantidad de datos que se envían a la ubicación central donde se toman las decisiones a través del flujo de trabajo de inteligencia artificial. Estas decisiones se comunican de vuelta a la planta, donde impulsan la automatización en cascada. Sin embargo, debido a que estás enviando todos los datos a la ubicación central, podrías enfrentar desafíos de conectividad intermitente y problemas de volumen de datos, especialmente si estos son datos confidenciales. Es aquí donde surge la necesidad de la inteligencia artificial periférica o «edge AI».

En el caso de la inteligencia artificial periférica, aún tienes tu planta, pero ahora la caja es un poco más grande porque ocurren más cosas allí. También tienes tu ubicación central, pero a diferencia de antes, donde la mayoría de las decisiones se tomaban en la ubicación central, ahora las decisiones se toman en la planta. Aprovechas las capacidades de plataformas distribuidas en la nube para gestionar el ciclo de vida de las aplicaciones y los flujos de trabajo de inteligencia artificial desde la ubicación central hasta todas tus plantas.

En este nuevo escenario, tienes una plataforma de contenedores con datos y middleware de inteligencia artificial desplegados en la planta, mientras que en la ubicación central, aún se sigue haciendo lo mismo, solo que ahora se encarga de implementar la aplicación y gestionar su ciclo de vida. En esta configuración, tienes datos e inteligencia artificial, así como aplicaciones desplegadas, y entrenas tus aplicaciones en la plataforma de nube distribuida utilizando una vista unificada desde la ubicación central. Estas aplicaciones realizan inferencias en la planta, lo que impulsa tus procesos comerciales y envía datos de regreso a tu pila de computación en la planta.

Gracias a esta configuración, hemos logrado localizar la toma de decisiones, lo que evita tener que enviar continuamente los datos a la ubicación central y esperar una respuesta para automatizar nuestros procesos comerciales. Sin embargo, aún necesitamos enviar algunos datos y utilizarlos para entrenar o volver a entrenar los flujos de inteligencia artificial y su futura implementación.

Aunque hemos logrado avances al pasar de la inteligencia artificial basada en la nube a la inteligencia artificial periférica, al intentar implementar este modelo en diferentes ubicaciones y con una amplia variedad de aplicaciones, nos encontramos con ciertos desafíos. Aquí es donde entran en juego las capacidades que describimos como «inteligencia artificial distribuida».

Los desafíos de la inteligencia artificial distribuida

El modelo de inteligencia artificial distribuida se parece mucho al de la inteligencia artificial periférica, pero vamos a apartarnos de los términos «periférico», «nube» y «ubicación central» para hablar realmente de lo que importa más: dónde se encuentran los datos y dónde necesitan ser analizados.

Imaginemos que tienes una gran cantidad de datos en una nube pública y quieres aprovechar las capacidades de inteligencia artificial de otra nube. En este caso, la primera nube sería lo que llamamos un «radio» y es donde se encuentran tus datos, mientras que la nube donde tienes las capacidades de inteligencia artificial sería el «centro». Aquí es donde está tu plano de control. Fíjate cómo nos permite hablar de «centro» y «radios» sin tener en cuenta si se trata de una nube, periferia o si es un vehículo móvil o un centro de datos estático. Lo que importa aquí son tus datos en un lugar y el plano de control en otro. Quieres gestionar la implementación de aplicaciones desde el centro hacia los radios y también quieres tener el control del ciclo de vida de los datos y la inteligencia artificial desde el centro.

Ahora que hemos establecido este modelo de «centro» y «radios», que no tiene una connotación estricta sobre nube o periferia, es importante comprender los desafíos que surgen al intentar escalara esta configuración a un gran número de radios y aplicaciones.

El primer desafío es la «gravedad de los datos». Recolectar todos los datos de todos los radios puede ser innecesario y contraproducente. Por eso es importante contar con una recolección inteligente de datos que permita identificar qué datos son realmente importantes. Esto es especialmente crítico cuando tienes una gran cantidad de radios con gran variedad de modalidades de datos y aplicaciones.

El segundo desafío es la «heterogeneidad». Es posible que cada radio esté produciendo una mezcla ligeramente diferente de productos o esté atendiendo a una demografía ligeramente distinta. Esto significa que un modelo de inteligencia artificial entrenado o un flujo de trabajo no será adecuado para todos los radios. Por lo tanto, es importante poder adaptarse a cada radio y monitorear su rendimiento de manera automática para abordar este desafío de heterogeneidad.

El siguiente desafío es la «escala». No solo se trata de lidiar con el gran número de radios, sino también con la complejidad computacional de entrenar diferentes modelos y desplegar aplicaciones en muchas ubicaciones. Además, también debemos considerar la variedad de aplicaciones y datos, ya que estos pueden venir en diferentes tipos, como imágenes, sonidos, datos de sensores, información de redes LIDAR y series temporales.

El último desafío que quiero mencionar es el de las «limitaciones de recursos». Aunque los radios y el centro pueden tener recursos disponibles, es común que algunos radios, como las plantas o las tiendas minoristas, tengan recursos más limitados. Por lo tanto, es importante respetar un presupuesto de recursos al implementar los flujos de datos e inteligencia artificial en estos radios, lo que plantea nuevos desafíos.

Superando los desafíos con la inteligencia artificial distribuida

Estamos emocionados de decirte que en IBM hemos abordado estos desafíos de frente y hemos desarrollado capacidades que hacen posible la inteligencia artificial distribuida, que puede escalar en entornos de nube distribuidos, en diferentes ubicaciones y con diferentes aplicaciones.

Entonces, ¿cómo abordamos la gravedad de los datos? La clave está en no recolectar todos los datos, sino únicamente aquellos que son relevantes. La recolección inteligente de datos es una capacidad fundamental que ofrecemos y que puedes probar de forma gratuita a través de IBM API Hub. Muchos datos en los radios son repetitivos o ruidosos y no es necesario recolectarlos todos. Identificar qué datos son importantes, especialmente cuando hay una gran variedad de modalidades de datos y aplicaciones, es un problema desafiante a resolver.

La heterogeneidad se aborda mediante la adaptación y el monitoreo automático en cada uno de los radios donde se despliegan los flujos de datos e inteligencia artificial. Al adaptarnos a cada radio y asegurarnos de que estén funcionando correctamente, podemos abordar el desafío de la heterogeneidad sin tener que realizar un trabajo manual excesivo.

Para solucionar el desafío de la escala, se requiere una mayor automatización en el control del ciclo de vida de los datos y la inteligencia artificial. Automatizar el ciclo de vida de los datos implica tomar decisiones basadas en políticas sobre qué datos deben permanecer en cada ubicación, cuándo deben eliminarse y cuándo deben replicarse. Esta automatización nos permite lidiar con el gran número de radios mencionados anteriormente. De manera similar, también es posible automatizar el ciclo de vida de la inteligencia artificial, desde el entrenamiento de los modelos hasta su despliegue y monitoreo. Al automatizar todo este ciclo de vida, podemos lidiar con cientos, e incluso miles, de modelos y flujos de trabajo de inteligencia artificial que impulsan varios aspectos de nuestro negocio a medida que escalamos.

Finalmente, el desafío de las limitaciones de recursos se aborda a través de la optimización de los flujos de datos e inteligencia artificial. Esto implica técnicas como extracción de características, compresión y reducción de modelos, entre otras. Al aplicar estas técnicas, podemos asegurarnos de que los recursos de cada radio se respeten en todo momento durante la ejecución de los flujos de datos e inteligencia artificial.

Resumen y próximos pasos

En resumen, te hemos presentado un nuevo paradigma llamado inteligencia artificial distribuida y te hemos compartido algunas capacidades que permiten hacerlo realidad. La inteligencia artificial distribuida te permitirá escalar aplicaciones a un gran número de ubicaciones y radios, abarcando una amplia variedad de aplicaciones.

Gracias por ver este artículo y estar interesado en este tema. Si deseas seguir aprendiendo sobre inteligencia artificial distribuida, te invitamos a dar like y suscribirte a nuestro canal. También puedes consultar los enlaces en la descripción para probar las APIs de inteligencia artificial distribuida en IBM API Hub. ¡Hasta pronto y no te pierdas nuestros próximos artículos relacionados!

Tabla: Resumen de la inteligencia artificial distribuida

Preguntas frecuentes

¿Qué es la inteligencia artificial distribuida?

La inteligencia artificial distribuida es un paradigma de computación que permite escalar datos y aplicaciones de inteligencia artificial en entornos de nube distribuidos, incluyendo ubicaciones periféricas y centros de datos.

¿Cuáles son los desafíos de la inteligencia artificial distribuida?

Los desafíos incluyen la gravedad de los datos, la heterogeneidad de las ubicaciones, la escala en términos de aplicaciones y ubicaciones, y las limitaciones de recursos en radio.

¿Cómo se abordan estos desafíos en la inteligencia artificial distribuida?

Estos desafíos se abordan a través de la recolección inteligente de datos, la adaptación y el monitoreo automatizado en cada ubicación, la automatización del ciclo de vida de los datos y la inteligencia artificial, y la optimización de los flujos de datos e inteligencia artificial para cumplir con las limitaciones de recursos.

¿Cómo puedo probar la inteligencia artificial distribuida en IBM?

Puedes probar la inteligencia artificial distribuida de forma gratuita a través de IBM API Hub. Consulta los enlaces en la descripción para obtener más información.

¡Gracias por leer!

Gracias por leer este artículo sobre la inteligencia artificial distribuida. Esperamos que hayas encontrado esta información útil y te invitamos a consultar nuestros próximos artículos relacionados. ¡Nos vemos pronto!

Mila y César

Hola, somos Mila Jiménez y César Sánchez. Dos apasionados de la ciberseguridad con muchos años de experiencia. Hemos trabajado en muchas empresas del mundo TI y ahora nos apetece compartir nuestro conocimiento con cualquiera que lo necesite.

¡Si te gusta nuestro contenido puedes invitarnos a un café AQUÍ!