A FONDO

Qué es Edge AI: funcionamiento, arquitectura y ventajas de la inteligencia artificial en el edge


Dirección copiada

Descubre qué es Edge AI, cómo funciona la IA en el edge y sus diferencias con la nube. Claves de arquitectura, casos de uso reales y ventajas de la IA edge

Publicado el 16 nov 2026



Edge computing modern IT technology on virtual screen concept.
Edge computing modern IT technology on virtual screen concept.



Durante la última década, la inteligencia artificial ha vivido una época dorada sustentada casi en su totalidad por la computación en la nube (cloud computing). Grandes centros de datos han sido los responsables de entrenar y ejecutar los algoritmos que han transformado muchas industrias.

Sin embargo, este modelo empieza a mostrar síntomas evidentes de desgaste para el entorno actual y las necesidades que se presentan a los nuevos desarrollos. Y es que, cada vez se hace más difícil enviar gigabytes de información continua a través de Internet para que un servidor a cientos o miles de kilómetros devuelva una respuesta.

Este modelo de actuar cada vez es menos viable cuando hablamos de nuevas tecnologías como los vehículos autónomos, las líneas de producción industriales automatizadas o los dispositivos médicos de soporte vital.

Y es en este punto de inflexión cuando surge con fuerza la Edge AI (o IA edge), un concepto que traslada la capacidad analítica y la toma de decisiones al perímetro de la red. A continuación, analizamos a fondo qué es la inteligencia artificial en el edge o AI edge, cómo funciona su arquitectura interna, en qué se diferencia de la IA tradicional y por qué se está convirtiendo en una de las tecnologías más disruptivas del panorama digital.

Índice de temas

¿Qué es la Edge AI o Inteligencia Artificial en el borde?

La Edge AI —también conocida como IA perimetral, edge IA, IA en el edge o IA en el borde— consiste en desplegar y ejecutar modelos de inteligencia artificial y machine learning directamente sobre dispositivos físicos locales o servidores perimetrales cercanos, prescindiendo de la necesidad de enviar datos en bruto a un centro de datos en la nube para procesar la información.

En un esquema de Edge AI, los dispositivos como una cámara industrial, un sensor IoT, un smartphone o un ordenador no actúan únicamente como meros recolectores de datos, sino como unidades inteligentes y autónomas capaces de percibir su entorno, clasificar información, predecir comportamientos y reaccionar en una fracción de segundo.

Del Cloud Computing al Edge: definición y concepto de computación perimetral

Para entender la IA en el borde, es imprescindible comprender el concepto de Edge Computing (computación en el borde o perimetral).

El Edge o borde de la red representa la frontera donde el mundo físico se encuentra con el ecosistema digital. Tradicionalmente, la arquitectura cliente-servidor o la arquitectura en la nube operaban bajo el siguiente flujo de transmisión de información:

  1. Un sensor periférico captaba una señal analógica o digital (temperatura, imagen, vibración).
  2. La señal se empaquetaba y se transmitía por la red local e Internet hacia un servidor central.
  3. El servidor central procesaba los datos, ejecutaba la lógica de negocio o el algoritmo analítico y enviaba un comando de vuelta.

El Edge Computing rompe con este cuello de botella reubicando los recursos de procesamiento, almacenamiento y conectividad lo más cerca posible del sensor original que enviaba o recogía la primera interacción. De esta manera, la IA en el borde no busca sustituir por completo a la nube, sino más bien complementarla, descargando a la infraestructura central y a los servidores de tareas repetitivas y ofreciendo soportes locales y más rápidos.

¿Cómo ha evolucionado el procesamiento de datos hacia el extremo de la red?

La evolución hacia la IA en el edge se ha visto impulsada por la convergencia de tres factores tecnológicos críticos:

  1. La explosión de datos en el Internet de las Cosas (IoT): los millones de dispositivos conectados de IoT generan continuamente flujos inmanejables de datos. Subir semejante volumen a la nube satura los anchos de banda corporativos y dispara las facturas de almacenamiento y transferencia.
  2. La miniaturización del hardware y la eficiencia energética: la aparición de microchips especializados con un consumo de apenas unos vatios ha hecho posible integrar potencia de cálculo neuronal en dispositivos del tamaño de una moneda, mejorando al mismo tiempo la eficiencia energética.
  3. La maduración de los algoritmos: las redes neuronales profundas, que tradicionalmente requerían de grandes tarjetas gráficas industriales para funcionar, hoy se han optimizado y comprimido para operar en procesadores de más bajo consumo, optimizando de esta manera los algoritmos que se encargan de desplegar las soluciones de IA.

Inteligencia Artificial en el edge vs. Edge Computing clásico. ¿En qué se diferencian?

Aunque a menudo se utilizan como términos intercambiables, Edge Computing y Edge AI no son exactamente lo mismo; más bien, el segundo es una evolución altamente especializada del primero:

  • El Edge Computing clásico se centra en la infraestructura y la distribución del cómputo de los datos. Su cometido es realizar operaciones en local como filtrar datos redundantes, transformar formatos, ejecutar reglas sencillas basadas en umbrales o almacenar en caché contenidos para acelerar entregas.
  • El Edge AI da un salto cualitativo al dotar a los dispositivos perimetrales de capacidades cognitivas y predictivas. En lugar de depender de reglas fijas programadas en teoría los dispositivos podrían ejecutar por sí solos redes neuronales y algoritmos de aprendizaje automático capaces de interpretar patrones complejos. Esto puede permitir cuestiones como la visión artificial para detección de defectos superficiales, el procesamiento de voz natural sin conexión, acciones de reconocimiento facial en tiempo real o detecciones de todo tipo. 

¿Cómo funciona la tecnología de Edge AI paso a paso?

El ciclo operativo de un sistema de IA en el edge combina captura física, procesamiento de señales e inferencia matemática en un flujo continuo optimizado. En todos estos pasos:

Paso 1: Captura, ingestión y preprocesamiento de datos en el propio sensor

El proceso se inicia en los sensores del equipo (ya sea una cámara, un micrófono, un acelerómetro, sensores o sondas térmicas). Nada más capturar la señal física, el procesador local ejecuta un preprocesamiento inmediato:

  • Normalización y escalado de valores.
  • Reducción de ruido ambiental o filtrado digital.
  • Recorte, redimensionamiento y ajuste de contraste en el caso de imágenes o frames de vídeo.

Este paso descarta artefactos inservibles y prepara los tensores de entrada con la estructura exacta que requiere el modelo.

Paso 2: Modelo de IA en local con aceleradores de hardware

Aquí reside el núcleo de la Edge AI. El dispositivo carga en su memoria un modelo de inteligencia artificial que ha sido previamente entrenado. Utilizando unidades de aceleración de hardware dedicadas (como NPUs o GPUs integradas), el sistema pasa los datos preprocesados a través de las capas de la red neuronal realizando millones de multiplicaciones para calcular probabilidades o clasificaciones. Esta operación concluye en cuestión de milisegundos.

Paso 3: Toma de decisiones en tiempo real y ejecución inmediata

Con el resultado anterior disponible de forma instantánea, el sistema actúa sin intermediarios. Por ejemplo, si una cámara con IA en una línea de montaje detecta un componente defectuoso con una certeza del 99 %, envía una señal eléctrica a otra herramienta neumática para expulsar la pieza de la cinta transportadora antes de que avance al siguiente tramo. Y en principio, todo esto sucede en un lapso temporal inferior a 20 milisegundos.

Paso 4: Sincronización y retroalimentación con la nube

A diferencia de los sistemas aislados antiguos, la IA en el edge es inteligente en el uso de las redes. En lugar de transmitir horas de vídeo continuo, el dispositivo solo envía a la nube algunos datos sintetizados, resúmenes estadísticos o muestras de casos donde el modelo tuvo dudas. La nube utiliza esa información seleccionada para reentrenar y perfeccionar el modelo global. Este entrenamiento luego se distribuirá posteriormente al resto de dispositivos perimetrales.

¿Qué arquitectura y componentes técnicos hacen posible la IA en el borde o Edge AI?

Para que un dispositivo con recursos de alimentación y espacio reducidos ejecute redes neuronales complejas con la IA, es necesario la coordinación de los siguientes apartados:

Aceleración de hardware

El auge de la Edge AI ha sido impulsado por procesadores diseñados específicamente como «cerebros» electrónicos especializados para cada necesidad. Algunos ejemplos:

  • NPUs (Neural Processing Units): son chips diseñados exclusivamente para tareas de inteligencia artificial. Su gran ventaja es que hacen cálculos muy complejos consumiendo poquísima batería, por lo que son ideales para teléfonos móviles.
  • TPUs perimetrales (como Google Edge TPU): Circuitos creados con un único objetivo en mente, hacer funcionar herramientas de IA muy concretas (como las de Google) a la máxima velocidad posible y sin gastar recursos extra. 
  • GPUs embebidas y móviles: son pequeñas tarjetas gráficas pensadas para procesar imágenes en tiempo real. Son las que permiten a drones, robots industriales o coches autónomos «ver» y esquivar obstáculos sobre la marcha. 
  • Microcontroladores con aceleración (MCUs): básicamente son chips minúsculos y muy económicos que pueden ejecutar tareas básicas de IA —como detectar una vibración anómala en una máquina o reconocer una palabra clave— funcionando durante meses con una simple pila de reloj.

Optimización y compresión de modelos

Los modelos de IA originales son gigantescos. Ocupan tanto espacio y necesitan tanta potencia que solo caben en enormes centros de datos. Para que puedan funcionar directamente en un móvil o un sensor pequeño, los ingenieros utilizan tres trucos principales:

  • Cuantización: esto supone básicamente convertir los pesos de la red de 32 bits a enteros de 8 bits (INT8) o puntos flotante de 16 bits (FP16). En términos sencillos, consiste en simplificar los cálculos matemáticos internos de los modelos de IA y redondearlos a cifras más simples y fáciles de procesar. Esto reduce el peso del modelo hasta en un 75 % y hace que funcione mucho más rápido consumiendo menos batería.
  • Poda (Pruning): aquí se eliminan las conexiones internas de la IA que no aportan casi nada o son redundantes. El modelo queda más ligero y también la estructura de la red.
  • Destilación de conocimiento (Knowledge Distillation): es una técnica en la que una red neuronal compacta (llamémosla como “estudiante”) se entrena para replicar el comportamiento de un modelo enorme (llamémoslo “profesor”), heredando su rendimiento pero con muchos menos parámetros.

Los traductores. Cómo habla la IA con cada chip

Para que un modelo de IA funcione dentro de un dispositivo, necesita un programa intermediario llamado entorno de ejecución o runtime. Su trabajo es actuar como un traductor que toma el modelo y lo adapta al lenguaje exacto que entiende el chip de ese aparato para que responda al instante. Esos programas intermediarios o frameworks para Edge, son:

  • TensorFlow Lite (TFLite): es por así decirlo el traductor oficial de Google. Está pensado para que la IA funcione a toda velocidad y consumiendo los mínimos recursos posibles en teléfonos móviles y aparatos conectados (IoT), como altavoces inteligentes o cámaras de seguridad.
  • ONNX Runtime: es un motor universal creado por Microsoft y la comunidad de código abierto. Su gran ventaja es la versatilidad, ya que sirve de puente para casi cualquier tipo de chip y fabricante aprovechando al máximo la potencia de cada procesador.
  • Intel OpenVINO: es la herramienta especializada de Intel. Está calibrada para exprimir el máximo rendimiento cuando la IA se ejecuta en procesadores, tarjetas gráficas o aceleradores de la propia marca Intel.
  • TinyML: es todo un movimiento enfocado en llevar la IA a la mínima expresión. Permite que algoritmos inteligentes funcionen en chips microscópicos con memorias diminutas de menos de 1 MB, similar a la memoria de un mando a distancia o un marcapasos, por ejemplo.

Redes de interconexión y baja latencia

Este apartado trata de la infraestructura y los protocolos de telecomunicación que permiten a los dispositivos periféricos comunicarse entre sí y con los servidores. Para que esta comunicación sea instantánea y nunca falle, se combinan dos elementos clave:

  • Conexiones inalámbricas de última generación (5G privado y Wi-Fi 6/6E): son redes exclusivas de alta velocidad para la fábrica o empresa. Evitan interferencias y atascos, permitiendo que cientos de máquinas envíen y reciban avisos en tiempo real.
  • Lenguajes y protocolos industriales (TSN, Modbus TCP y OPC-UA): Son los estándares de comunicación que usan las máquinas para entenderse entre sí. Entre ellos destaca el TSN (Time-Sensitive Networking), una tecnología que garantiza que los mensajes más críticos (como una orden de parada de emergencia en un brazo robótico) lleguen con puntualidad matemática y sin perderse por el camino.

¿Cuáles son las principales diferencias entre Edge AI, IA Distribuida y Cloud AI?

Es habitual confundir estos tres términos diferentes. Sin embargo, su propósito es sustancialmente diferente:

  • Cloud AI: es el modelo tradicional y centralizado. Todo viaja por internet hasta enormes centros de datos (como los de Google, Microsoft o Amazon), donde macroservidores superpotentes entrenan los modelos y hacen los cálculos pesados. 
  • IA Distribuida (Distributed AI): es un modelo de IA que trabaja en equipo. En lugar de procesar todo en un único sitio, la carga de trabajo y el entrenamiento se reparten entre múltiples puntos conectados (la nube, servidores intermedios y dispositivos periféricos).
  • Edge AI: es el modelo local e independiente. La IA se ejecuta directamente en el dispositivo final. No necesita mandar la información a internet para funcionar, lo que garantiza privacidad total y respuestas instantáneas.

Tabla comparativa: ¿Cómo funciona cada tipo de IA en la práctica?

A continuación se detallan las características operativas de cada tipo de IA:

Punto de valorCloud AI (En la nube)IA Distribuida (En equipo)Edge AI (En el dispositivo)
¿Dónde piensa la IA? (Punto de inferencia)En gigantescos centros de datos lejanosRepartido entre la nube, servidores intermedios y aparatosDirectamente dentro del aparato o en un servidor local cercano
Tiempo de respuesta (Latencia)Lento o con espera: tarda de décimas a varios segundosRápido pero variable: tarda apenas unos parpadeosInstantáneo: responde en tiempo real, sin retraso perceptible
Gasto de datos / internet (Ancho de banda)Muy alto: envía fotos, vídeos y datos sin pararMedio: solo intercambia resúmenes de datos y ajustesCasi nulo: solo manda alertas breves o resúmenes mínimos
¿Funciona sin conexión? (Autonomía sin red)No: si se cae internet, la IA se apaga por completoA medias: puede hacer tareas básicas, pero necesita reconectarTotal: sigue funcionando perfectamente aunque no haya cobertura
Privacidad de tu informaciónBaja: tus datos viajan por la red y se procesan fueraBuena: los datos se protegen y solo se comparte lo aprendidoMáxima: tu información nunca sale de tu aparato
Coste de la conexión (Tráfico de red)Caros y en aumento: mover tanta información cuesta dineroModerados: el flujo de datos está mucho más controladoPrácticamente gratis: apenas gasta datos de red

¿Cuáles son las mayores ventajas del Edge AI?

La adopción de la inteligencia artificial perimetral no responde solo a una moda tecnológica, sino que tiene unas grandes ventajas competitivas:

Respuestas en tiempo real con latencia de milisegundos

La ventaja más evidente es la erradicación de lo que se conoce como el tiempo de propagación por la red (Round Trip Time o RTT). Básicamente, esto lo que produce es una respuesta en tiempo real que evita catástrofes, como un accidente laboral o el choque de un vehículo autónomo.

Privacidad garantizada y cumplimiento estricto del RGPD

El Reglamento General de Protección de Datos (RGPD) en Europa y las normativas de privacidad más estrictas exigen proteger la información personal sensible. Al utilizar Edge AI, los datos en bruto se procesan en la memoria local del dispositivo y se descartan una vez utilizados sin necesidad de ser transmitidos ni almacenados en servidores externos, cumpliendo con el principio de minimización de datos del RGPD.

Autonomía total: continuidad operativa sin conexión a Internet

Por poner algunos ejemplos críticos, industrias como una mina subterránea, un buque mercante en alta mar, una explotación agrícola remota o una planta química no pueden detener su producción porque la conexión de fibra o por satélite a internet falle. La IA en el edge está preparada para seguir funcionando con total normalidad tenga o no acceso a la red.

Ahorro masivo en ancho de banda y reducción de costes de servicios en la nube

Transmitir flujos constantes de vídeo en 4K desde decenas de cámaras a la nube para analizarlos es técnica y económicamente inviable. Al procesar el vídeo en el borde y transmitir únicamente alertas cuando se detecta un incidente, las empresas reducen sus consumos de red y las facturas mensuales de almacenamiento en la nube.

Mayor eficiencia energética y sostenibilidad en infraestructuras distribuidas

Los centros de datos a gran escala consumen enormes cantidades de energía eléctrica y agua para refrigeración. Los aceleradores de IA en el edge están diseñados para operar con consumos que van desde unos pocos milivatios hasta varias decenas de vatios, lo que reduce la huella de carbono general de las operaciones tecnológicas corporativas.

Mayor resistencia y menor impacto ante ataques

Aunque el Edge amplía el número de puntos físicos expuestos. Sin embargo, la estructura del Edge AI también evita fugas masivas de información, porque los datos no se guardan todos juntos en un único servidor central. De esta manera, si un atacante logra entrar en un dispositivo solo accederá a lo que haya en ese aparato concreto, sin poder robar todo el historial ni los datos globales de la empresa.

¿Qué casos de uso de la IA en el Edge hay hoy en día?

La inteligencia artificial perimetral ya está desplegada y operando en multitud de sectores económicos de alta exigencia. Por ejemplo:

Vehículos autónomos y sistemas ADAS

Los coches autónomos y los sistemas avanzados de ayuda a la conducción (ADAS) representan el ejemplo más clásico de Edge AI. Las cámaras, radares y los sensores LiDAR procesan decenas de fotogramas por segundo a bordo del vehículo mediante procesadores neuronales para reconocer peatones, señales viales y marcas de carril, activando el freno de emergencia en milisegundos.

Industria 4.0

En el sector manufacturero y en la industria 4.0, la IA edge puede hacer cosas como:

  • Control de calidad por visión artificial: detección de imperfecciones en piezas que circulan a gran velocidad por cintas transportadoras.
  • Hacer un mantenimiento predictivo: para anticipar roturas antes de que provoquen una parada imprevista de la planta.

Sector sanitario y telemedicina

Las aplicaciones en el sector salud van desde dispositivos médicos implantables o portátiles (wearables) que monitorizan señales vitales como electrocardiogramas (ECG), niveles de glucosa o saturación de oxígeno en tiempo real.

Al incorporar algoritmos locales de detección de arritmias, estos sistemas pueden emitir alarmas al paciente y a los servicios de urgencia.

Ciudades inteligentes (Smart Cities)

En entornos urbanos como las smart cities, la IA en el borde puede ayudar a gestionar la movilidad sostenible sin comprometer la intimidad ciudadana:

  • Cámaras inteligentes en cruces que regulan los ciclos de los semáforos en función del volumen de tráfico en tiempo real.
  • Detección de anomalías acústicas para alertar a los cuerpos de seguridad.

Electrónica de consumo y smartphones

Cualquier teléfono inteligente moderno cuenta con una NPU integrada. Con este sistema, los smartphones ya hacen cosas como:

  • Procesar imágenes de forma autónoma según el escenario o la necesidad. 
  • Reconocimiento biométrico facial avanzado mediante visión computacional en tiempo real. 
  • Modelos de lenguaje reducidos (SLMs) que permiten transcripción de audio a texto, traducción simultánea y resumen de notas sin conexión.

Agricultura de precisión y sector logístico

En el sector primario, la IA en el Edge se puede implantar en tractores autónomos o drones agrícolas, que pueden analizar imágenes en tiempo real para aplicar herbicidas únicamente sobre las malas hierbas detectadas, reduciendo el uso de químicos hasta en un 90 %.

En otro sector como es el de logística, la Edge AI puede controlar carretillas autónomas (AGVs) mientras hacen sus labores por los almacenes, detectando obstáculos dinámicos en tiempo real.

Otros casos: retail inteligente y redes energéticas (Smart Grids)

Se detallan otros casos de uso de la IA en el Edge:

  • Tiendas autónomas sin cajas de cobro que registran los artículos que los clientes toman de los estantes mediante sensores periféricos de visión y peso.
  • Redes eléctricas inteligentes: capacidades de monitorización de subestaciones y parques de generación renovable.

¿Cuáles son los principales desafíos y retos de la IA en el edge?

A pesar de sus virtudes, la ingeniería del Edge AI se enfrenta a importantes restricciones físicas y de gestión. Como son:

Limitaciones térmicas, restricciones de batería y memoria reducida

Los dispositivos en el edge suelen carecer de ventiladores y operan dentro de otros dispositivos, en postes exteriores, en máquinas o bajo las condiciones climáticas. Mantener las temperaturas de trabajo bajo control mientras se ejecutan millones de operaciones de IA con consumos de batería muy limitados afecta directamente al tamaño de los modelos que pueden desplegarse.

Seguridad física de los dispositivos y ciberataques

Un servidor en un centro de datos cuenta con controles de seguridad muy estrictos. Sin embargo, un sensor de Edge AI puede estar instalado en un poste público. El problema tras esto es que los atacantes pueden tener acceso físico directo al dispositivo, lo que exige protegerlo contra extracción de memoria, manipulaciones, ciberataques o robos.

Gestión del ciclo de vida y despliegue masivo

A diferencia de la nube, donde actualizar un modelo centralizado es un proceso inmediato y controlado, en Edge AI una empresa puede tener desplegados 50.000 dispositivos de diferentes generaciones y arquitecturas. Gestionar el ciclo de vida y los despliegues de software es uno de los mayores desafíos de ingeniería actuales.

Soluciones de hardware y software de la IA Edge

El mercado cuenta hoy con una madura oferta de componentes y herramientas para hacer realidad los proyectos de Edge AI. A continuación se destacan las soluciones líderes del sector:

Mercado de ecosistemas y aceleradores de Hardware

Aquí se encuentran soluciones antes mencionadas como:

  • NVIDIA Jetson (Orin Nano, Orin NX, AGX Orin): son módulos de computación ideales para robótica autónoma, inspección visual y analítica de vídeo.
  • Google Coral (Edge TPU): chips y aceleradores especializados en ejecutar modelos con consumos muy bajos.
  • Intel Core Ultra (con NPU integrada): procesadores para PCs industriales y estaciones periféricas.
  •  Procesadores móviles con NPU integrada (Apple Neural Engine, Qualcomm Snapdragon, MediaTek NPU): son motores NPU dedicados al procesamiento local en teléfonos inteligentes, tabletas y ordenadores portátiles de última generación.
  • Silicon Labs y STMicroelectronics (STM32 con TinyML): microcontroladores de un consumo energético muy bajo diseñados para ejecutar modelos sobre sensores industriales y wearables.
  •  Raspberry Pi AI Kit (con acelerador Hailo-8L): plataforma accesible para desarrolladores e integradores.

Plataformas y Frameworks de Software

En el mercado de plataformas y marcos de referencia de software se pueden encontrar:

  •  TensorFlow Lite y TFLite Micro: herramientas de optimización y ejecución de modelos orientadas a dispositivos móviles y sistemas embebidos sin sistema operativo.
  •  ONNX Runtime Mobile & IoT: Motor de ejecución abierto y de alto rendimiento que permite correr modelos desarrollados en PyTorch, TensorFlow o Scikit-Learn sobre cualquier acelerador perimetral.
  •  Intel OpenVINO y VPU Movidius: soluciones de aceleración para visión artificial integradas en entornos comerciales e industriales.
  •  PyTorch ExecuTorch: la nueva arquitectura de Meta diseñada específicamente para desplegar modelos de lenguaje sobre dispositivos on-device con mínima sobrecarga.
  • AWS IoT Greengrass: servicio en la nube de Amazon que extiende capacidades de AWS al borde.
  •  Azure IoT Edge: plataforma de Microsoft para trasladar cargas de trabajo de la nube a los nodos locales.
  •  Edge Impulse: plataforma de desarrollo integral en el borde que facilita la captura de datos y el entrenamiento de modelos diminutos hasta su compilación en microcontroladores.
  •  Red Hat Device Edge y KubeEdge: soluciones de infraestructura basadas en Kubernetes que trabajan en la seguridad del DevOps empresarial.

Preguntas frecuentes sobre Edge AI

¿Qué es exactamente la Edge AI y en qué se diferencia del Edge Computing?

La Edge AI es la aplicación específica de algoritmos de inteligencia artificial y aprendizaje automático directamente en dispositivos perimetrales locales. Por su parte, el Edge Computing traslada el almacenamiento y la capacidad de cómputo tradicional cerca del origen de los datos. El Edge Computing proporciona la infraestructura base sobre la que se despliega la Edge AI.

¿Se pueden entrenar modelos de IA directamente en el edge?

En la inmensa mayoría de despliegues actuales, los dispositivos en el edge aplican modelos que ya han sido previamente entrenados en potentes centros de datos o en la nube. No obstante, existen técnicas punteras como el aprendizaje federado que ya permiten realizar pequeños ajustes locales y entrenamientos sobre el propio dispositivo.

¿Funciona la Edge AI sin conexión a Internet?

Sí. Una de las mayores virtudes de la Edge AI es su total autonomía. Y es que, al residir el modelo y el procesador neuronal dentro del propio hardware del equipo, el análisis de datos, el cálculo predictivo y la activación de órdenes se llevan a cabo localmente sin conexión directa a la red.

¿Qué industrias están liderando la adopción de la IA en el edge en España?

En España, el despliegue de Edge AI está encabezado por el sector industrial y la automoción (para inspección de piezas y mantenimiento), las empresas de telecomunicaciones (antenas 5G), las compañías energéticas (para la monitorización remota de parques eólicos y redes) y el sector de la agricultura tecnificada (en regiones con cultivos de alto valor), entre otros.

Artículos relacionados