¿Qué es Tiny ML? ¿Cuáles son sus aplicaciones empresariales?

A pesar de los increíbles avances que se han logrado gracias al desarrollo y el uso de algoritmos de inteligencia artificial y aprendizaje automático, los procesos necesarios para crear adecuadamente estas aplicaciones pueden ser extremadamente costosos y llevar mucho tiempo en la práctica.

Para ilustrar aún más este punto, grandes empresas tecnológicas multinacionales como Google y Microsoft han encabezado la creación de productos y servicios que utilizan modelos de IA y aprendizaje automático en los últimos años, como las representaciones codificadoras bidireccionales de transformadores (BERT) de Google, entre otras, ya que estas empresas cuentan con los recursos y los datos en bruto necesarios para desarrollar dichas aplicaciones.

Por estas razones, muchos desarrolladores e ingenieros de software se han fijado en Tiny ML a la hora de crear nuevas aplicaciones y servicios. Tiny ML se refiere a “un campo de estudio en Machine Learning y Embedded Systems que explora los tipos de modelos que se pueden ejecutar en dispositivos pequeños y de baja potencia, como los microcontroladores”.

Como resultado, la pequeña naturaleza de los modelos Tiny ML significa que pueden funcionar utilizando mucha menos potencia computacional, latencia y ancho de banda que los algoritmos típicos de aprendizaje automático. Además, estos modelos también pueden ejecutarse utilizando la computación en la nube y en los bordes, lo que significa que los datos personales que se utilizan para entrenar dichos modelos no necesitarán almacenarse en un servidor.

Las ventajas de Tiny ML

En relación con este último punto, el enfoque Tiny ML ofrece muchas ventajas a los desarrolladores de software en lo que respecta a los costes y las velocidades que suelen asociarse a la creación de un modelo de aprendizaje automático. Por ejemplo, como ya se ha señalado, el hecho de que los modelos Tiny ML puedan ejecutarse utilizando menos recursos computacionales que los enfoques más tradicionales del aprendizaje automático significa que estos modelos pueden funcionar durante semanas, si no meses, simplemente utilizando baterías.

Del mismo modo, los asistentes inteligentes de IA como Alexa de Amazon y Google Now son quizás algunos de los ejemplos más comunes de Tiny ML dentro de nuestro panorama empresarial actual.

Dicho esto, un asistente inteligente como Alexa no necesita una CPU o GPU para funcionar eficazmente, ya que los consumidores que adquieren este tipo de dispositivos pueden simplemente cargar el asistente inteligente como lo harían con cualquier otro electrodoméstico.

Además, el bajo nivel de latencia que caracteriza a los modelos Tiny ML permite a los consumidores recibir una respuesta rápida y expeditiva cuando hablan con un asistente inteligente como Alexa, a diferencia de muchas otras aplicaciones de software que funcionan de acuerdo con un servidor de inferencia que debe enviar y recibir datos para que el sistema funcione correctamente.

Además, los modelos de Tiny ML son mucho menos costosos de producir en comparación con las redes neuronales artificiales, los algoritmos de aprendizaje supervisado, los modelos de aprendizaje por refuerzo, etc. Como referencia, el entrenamiento de un gran modelo lingüístico como el BERT de Google o el Generative Pre-trained Transformer (GPT) 3 de Open AI puede costar cientos de miles de dólares, incluso sin tener en cuenta los datos y dispositivos necesarios para facilitar dicho entrenamiento.

Debido a este hecho, la inmensa mayoría de los desarrolladores de software no podrán permitirse entrenar modelos similares, ya que no podrán acceder al mismo nivel de recursos del que disponen los desarrolladores empleados por las grandes empresas tecnológicas.

Aplicaciones de Tiny ML en el mundo empresarial

Dicho todo esto, aunque los asistentes de IA como Alexa de Amazon y Google Now son algunas de las aplicaciones más comunes de Tiny ML dentro del mundo empresarial actual, hay innumerables otras formas en las que este enfoque se puede implementar dentro de una amplia gama de otros modelos de negocio.

Por ejemplo, Tiny ML se está utilizando actualmente en el campo de la sanidad para ayudar a reducir la propagación de enfermedades transmitidas por mosquitos como la malaria, el virus del Zika y el dengue, entre otras. Para ello, los dispositivos se colocan en fuentes de agua específicas y se entrenan en función de los datos que se han observado sobre las condiciones de reproducción de los mosquitos. Posteriormente, estos dispositivos se alimentan con energía solar y, como resultado, pueden funcionar indefinidamente.

Por otro lado, otra forma en la que Tiny ML se está utilizando actualmente en el panorama empresarial es en el mundo de la agricultura. Por ejemplo, la aplicación Nuru, descrita como “una aplicación de desarrollo público que utiliza un asistente digital para ayudar a los agricultores a diagnosticar enfermedades de los cultivos en el campo, sin conexión a Internet”, está siendo utilizada por agricultores de todo el mundo para combatir las malas cosechas.

Para ello, la aplicación “utiliza la herramienta de aprendizaje automático Tensorflow de Google y una base de datos de imágenes recopiladas por expertos en enfermedades de cultivos de todo el mundo”. Además, dado que la aplicación no necesita conexión a Internet para funcionar, puede utilizarse sin problemas en distintos climas y condiciones meteorológicas.

Mientras que los asistentes inteligentes de IA, la sanidad y la agricultura son solo algunos de los sectores del mundo empresarial en los que Tiny ML se utiliza actualmente para ayudar al desarrollo de nuevos productos y servicios, existen innumerables aplicaciones de esta innovadora tecnología también en otros campos empresariales.

Esto se debe en gran parte a la forma en que Tiny ML ha hecho la inteligencia artificial más accesible al público en general, ya que el enfoque se presta a los ingenieros de software que pueden estar trabajando con recursos limitados, relativamente hablando. Por este motivo, es probable que Tiny ML siga utilizándose en el mundo empresarial en los próximos años.