Al implementar más informática periférica, esto está impulsando una mayor demanda de capacidades integradas de memoria, almacenamiento y procesamiento para admitir opciones más avanzadas de inteligencia artificial y aprendizaje automático que se realicen localmente a nivel del dispositivo.
Al implementar más informática periférica, esto está impulsando una mayor demanda de capacidades integradas de memoria, almacenamiento y procesamiento para admitir opciones más avanzadas de inteligencia artificial y aprendizaje automático que se realicen localmente a nivel del dispositivo.
Si bien los primeros casos de uso de IA en la periferia incluían tareas simples como identificación y detección con fines de seguridad y acceso, los dispositivos de Internet de las cosas están haciendo más inferencias localmente: ya no solo recopilan datos para enviarlos a una nube central, la cual realiza el trabajo de IA/ML más difícil. En cambio, estos dispositivos llevan a cabo el aprendizaje automático (ML) de forma local y esto se puede compartir y redistribuir a otros dispositivos.
Opciones de IA y ML más complejas equivalen a más potencia de cálculo, y eso incluye un mayor rendimiento de la memoria y más capacidades de almacenamiento de datos.
Los dispositivos en la periferia están tomando decisiones más complejas
Hasta hace poco, gran parte de la IA de borde se reducía a sensores que detectaban que había un problema: alguien en el edificio que no debería estar o una máquina en la línea de producción se estaba sobrecalentando y estaba a punto de fallar. Estos sistemas fueron lo suficientemente inteligentes como para entender que algo andaba mal y alertar a alguien para que hiciera algo.
La IA actual en la periferia se está volviendo mucho más inteligente a medida que el hardware permite que los dispositivos de IoT hagan más. Esto, a su vez, aumenta las expectativas de lo que se puede hacer en el borde y, por lo tanto, impulsa la demanda de hardware. Gracias a los avances en los procesadores, la memoria y los medios de almacenamiento, la IA en el borde puede realizar tareas de inferencia/ML más complejas, cada vez más sin la necesidad de enviar datos a una nube central y viceversa.
Más allá de la evolución de las memorias emergentes y de turno, incluidas las tecnologías flash para almacenamiento, existen otros avances tecnológicos que permiten tareas de inteligencia artificial y aprendizaje automático en la periferia. Las GPU altamente paralelas se han adaptado para ejecutar redes neuronales, lo que permite el aprendizaje automático generalizado que se puede implementar en el borde, mientras que la proliferación de dispositivos de IoT, incluidos sensores, cámaras e incluso robots para recopilar datos, revela de manera constante nuevas oportunidades para capacidades de IA/ML que admitan una amplia gama de objetivos comerciales. En general, las redes neuronales y la infraestructura de IA para respaldarlas han madurado, incluida la conectividad 5G que elimina la latencia para admitir la comunicación local entre dispositivos y de retorno a la nube.
La alta disponibilidad de los dispositivos informáticos de última generación junto con las capacidades fuera de línea y la descentralización significan que ya no se necesita un acceso constante a Internet para procesar datos y realizar operaciones de IA/ML. Las aplicaciones de IA de borde ahora son más potentes y pueden proporcionar información en tiempo real porque los datos se pueden analizar localmente y es posible procesar diversas entradas, como texto, voz y video, y hacer inferencias de manera independiente. No solo están entrenadas para responder una pregunta específica, sino que también pueden responder nuevas preguntas de cierto tipo. Esto reduce la necesidad de comunicarse con una nube central, pero también permite que un grupo de dispositivos periféricos realicen operaciones locales de ML y compartan esas lecciones para que se distribuyan más ampliamente. Además, cuanto más se entrena un modelo en el borde, más preciso se vuelve ese modelo de IA.
Una IA sólida en el borde permite aplicaciones más complejas en una amplia gama de industrias. El mantenimiento predictivo en entornos de fabricación fue una de las primeras aplicaciones de la IoT industrial y se está volviendo aún más sólido gracias a las capacidades locales de inteligencia artificial/aprendizaje automático (IA/ML) porque los sensores pueden detectar problemas incluso con más anticipación y predecir fallas con más precisión, no solo debido al desgaste, sino también por errores de configuración o uso indebido.
La gestión y el acceso a las instalaciones se pueden controlar mejor a través de la IA, y no solo por motivos de seguridad. Los edificios inteligentes pueden ajustar la temperatura y la iluminación según la cantidad de personas que haya en el interior, así como permitir una gestión más remota de los sistemas de HVAC. Otras aplicaciones de energía para la IA incluyen el uso de modelos de borde para hacer que la generación, la distribución y la gestión sean más eficientes en función de los patrones climáticos, el estado de la infraestructura y la red, y los datos históricos.
Otros sectores que se benefician de las capacidades de IA de borde más avanzadas incluyen la atención médica, el comercio minorista y la agricultura. Pero no importa cuál sea el caso de uso o la ubicación, las opciones de IA/ML más avanzadas están ejerciendo presión sobre el propio hardware informático, sobre todo en la memoria, por lo que se puede hacer más localmente.
La omnipresencia de la IA favorece las tecnologías de memoria comprobadas
Se están considerando y utilizando muchas memorias diferentes en dispositivos de borde que realizan operaciones de IA/ML, lo que refleja la diversidad de aplicaciones de IA en la periferia.
En los últimos años, ha habido mucho debate sobre las memorias emergentes, como la RAM resistiva (ReRAM) y la RAM magnetorresistiva (MRAM) para dispositivos de IoT de borde que han creado una gran cantidad de nuevos requisitos de memoria. No obstante, es cada vez más evidente que las memorias resistentes y heredadas tienen que desempeñar un papel cada vez más importante para habilitar los dispositivos de IA en la periferia.
El atractivo de MRAM para IA en la periferia radica en su consumo de energía porque funciona con tensiones más bajas en aplicaciones en las que no es necesaria una alta precisión, pero la resistencia de la memoria y la eficiencia energética son fundamentales. La no volatilidad de MRAM también significa que puede almacenar datos sin energía, lo que la convierte en un reemplazo adecuado para SRAM y las memorias flash incorporadas al mismo tiempo, ya que funcionaría como una memoria unificada. El atractivo de ReRAM para la IA en el borde deriva de su capacidad para imitar la forma en que el cerebro humano aprende y procesa la información a nivel neuronal y sináptico. Los dispositivos ReRAM son significativamente más pequeños y más eficientes en términos de energía que DRAM y HBM, las cuales se emplean en centros de datos para operaciones de IA/ML.
Pero a pesar de que MRAM y ReRAM tienen características que las hacen adecuadas para muchas aplicaciones de IA de borde, la creciente ubicuidad de la IA puede significar que las tecnologías de memoria comprobadas triunfarán a medida que incluso las operaciones de inferencia básicas se vuelvan más complejas, con memorias DRAM de baja potencia (LPDDR) como la opción más natural. Incluso las iteraciones más antiguas, como LPDDR3, pueden admitir el procesamiento de imágenes de video mediante sensores en formato 4K, Full HD o 3D en tiempo real para soportar aplicaciones de inteligencia artificial, como el reconocimiento facial en cámaras de seguridad o el control de gestos en quioscos públicos, además de procesar lenguaje natural. Del mismo modo, NOR flash seguirá siendo la alternativa para algunos casos de uso de IA de borde debido a su confiabilidad y longevidad mientras se opere en entornos hostiles, tanto para tareas de procesamiento como para almacenamiento de datos.
Otras opciones para el almacenamiento de datos de IA de borde incluyen el almacenamiento flash universal (UFS), incluidas las tarjetas extraíbles, gracias a la alta confiabilidad de la especificación y las características favorables de estabilidad y consumo de energía. Una tarjeta UFS también permite que un host envíe comandos de manera continua, incluso mientras transfiere datos para procesar comandos anteriores, lo que significa que una aplicación de borde de IA puede realizar operaciones de E/S con otras aplicaciones simultáneamente y sin afectar el rendimiento.
En general, existen muchas oportunidades para que las memorias comerciales satisfagan las necesidades de la IA de borde. Después de todo, las memorias de las supercomputadoras de ayer ahora están en los teléfonos inteligentes, que también son una especie de dispositivos de borde. Los primeros modelos de IA que necesitaban hardware de gama alta ahora se pueden manejar utilizando memorias más convencionales en un dispositivo de IoT gracias a las empresas de miniaturización y semiconductores que continúan reduciendo los costos del hardware.
Aunque algunas operaciones de IA/ML siempre necesitarán informática centralizada de alto rendimiento, las tareas computacionales y de inferencia que se realizan en la periferia, así como el tipo de dispositivo, determinarán qué memorias son las más adecuadas. Además, las características térmicas y las limitaciones de energía tienen una fuerte influencia. En última instancia, se necesitará una cantidad finita de memorias para respaldar la IA en el borde, ya sea emergente o con los modelos de turno ya conocidos.
