Contar con grandes cantidades de datos no siempre es ventajoso, ya que puede agobiar a las empresas y además presenta exigencias importantes para su administración y aprovechamiento. Por ejemplo, big data requiere de grandes algoritmos de machine learning para procesar los datos y cuando se trabaja con sistemas basados en la Nube con ancho de banda ilimitado, esto no representa ningún problema. Sin embargo, cuando se necesita o se desea trabajar directamente en el borde, puede traer inconvenientes.
Por ello una de las tendencias que se observa para el 2022 es no dejar que se acumulen todos los datos en la Nube o en el data center propio y en cambio trabajarlos en donde se captan, es decir, en los dispositivos de computación en el borde. De allí que se esté hablando cada vez más de “datos pequeños”: este concepto surgió como un nuevo modelo “para facilitar el análisis cognitivo rápido de los datos más vitales en situaciones donde el tiempo, el ancho de banda o el gasto de energía son esenciales”.
El concepto de datos pequeños (small data) va de la mano con el de TinyML / aprendizaje automático pequeño –que refiere al machine learning en el borde, es decir, a los algoritmos de aprendizaje automático diseñados para ocupar el menor espacio posible para que puedan ejecutarse en el hardware de baja potencia comúnmente desplegado en el perímetro de las redes-.
TinyML es una técnica que integra aplicaciones de aprendizaje automático reducidas y optimizadas que requieren soluciones de "pila completa" (hardware, sistema, software y aplicaciones) y que permiten realizar un análisis de datos automatizados en el dispositivo en el mismo borde.
O sea que la técnica sigue siendo ML, pero con menos exigencia de energía, costos más reducidos y sin conexión a Internet. Bajo este concepto se producen e implementan modelos de aprendizaje automático lo suficientemente pequeños como para facilitar la gestión de datos en el borde.
|
Se espera que lleguen al mercado unos 2.500 millones de dispositivos mediante técnicas TinyML, con el principal beneficio de crear dispositivos de Internet de las Cosas (IoT) inteligentes y más baratos. Fuente: prnewswire.com |
El informe asegura que los sectores que impulsarán la necesidad de los conjuntos de chips TinyML serán la industria manufacturera, las ciudades inteligentes y las aplicaciones de consumo.
Al utilizar programas de ML en dispositivos de borde se obtienen varias ventajas importantes:
Otro beneficio es el bajo consumo de energía: TinyML opera en microcontroladores o microprocesadores que consumen mucha menos energía que las GPU y CPU, con lo cual los dispositivos pueden funcionar con baterías durante semanas o incluso meses. Además, este modelo permite una recopilación de datos más eficiente, ya que los dispositivos de IoT habilitados por la tecnología TinyML se pueden programar para recopilar solo los datos relevantes.
|
Se espera que los algoritmos TinyML aparezcan en un número cada vez mayor de sistemas integrados, desde dispositivos portátiles hasta electrodomésticos, automóviles, equipos industriales y maquinaria agrícola, haciéndolos más inteligentes y útiles. Fuente: Forbes |
TinyML y los consiguientes datos pequeños o small data abrirán nuevas posibilidades para aplicaciones en dispositivos IoT, ya que permitirá que estos últimos cuenten con funcionalidades inteligentes que hoy están restringidas a las computadoras y teléfonos inteligentes logrando que se trabajan los datos y se pueda acceder a la información relevante de forma más económica y ecológica como vimos anteriormente. Además, puede ayudar a reducir los problemas de seguridad asociados con los modelos tradicionales de ML.
¿Está tu organización lista para hacer del aluvión de datos un mundo de posibilidades para la competitividad del negocio?