La inteligencia artificial está en todas partes. Esta rama de la inteligencia artificial cura tus redes sociales y te muestra los resultados de búsqueda en Google. Pronto, la inteligencia artificial también podría controlar tus signos vitales o regular el termostato de tu hogar. Los dispositivos del Internet de las Cosas (IoT, por sus siglas en inglés) – investigadores del MIT han desarrollado un sistema que podría llevar las redes neuronales de aprendizaje profundo a lugares nuevos y mucho más pequeños, como los diminutos chips de computadora en dispositivos médicos portátiles, electrodomésticos y los otros 250 mil millones de objetos que constituyen el IoT. El sistema, llamado MCUNet, diseña redes neuronales compactas que ofrecen una velocidad y precisión sin precedentes para el aprendizaje profundo en dispositivos del IoT, a pesar de la memoria y la capacidad de procesamiento limitadas. Esta tecnología podría facilitar la expansión del universo del IoT al mismo tiempo que ahorra energía y mejora la seguridad de los datos. El autor principal es Ji Lin, un estudiante de doctorado en el laboratorio de Song Han en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) del MIT.

El IoT nació a principios de la década de 1980. Estudiantes de posgrado de la Universidad Carnegie Mellon, incluido Mike Kazar ’78, conectaron una máquina de Coca-Cola a Internet. La motivación del grupo era simple: la pereza. Querían usar sus computadoras para confirmar que la máquina estaba abastecida antes de ir desde su oficina a realizar una compra. Fue el primer electrodoméstico conectado a Internet del mundo. “Esto fue tratado prácticamente como el remate de una broma”, dice Kazar, ahora ingeniero de Microsoft. “Nadie esperaba miles de millones de dispositivos en Internet”. Desde esa máquina de Coca-Cola, los objetos cotidianos se han vuelto cada vez más conectados a medida que crece el IoT. Esto incluye desde monitores cardíacos portátiles hasta refrigeradores inteligentes que te avisan cuando te quedas sin leche. Los dispositivos del IoT a menudo funcionan con microcontroladores, chips de computadora simples sin sistema operativo, con una capacidad de procesamiento mínima y menos de una milésima parte de la memoria de un teléfono inteligente típico. Por lo tanto, las tareas de reconocimiento de patrones como el aprendizaje profundo son difíciles de ejecutar localmente en los dispositivos del IoT. Para análisis complejos, los datos recopilados por el IoT a menudo se envían a la nube, lo que los hace vulnerables a los ataques informáticos.

“¿Cómo implementamos redes neuronales directamente en estos dispositivos diminutos? Es un nuevo campo de investigación que se está volviendo muy popular”, dice Han. “Empresas como Google y ARM están trabajando en esta dirección”. Han también lo está haciendo. Con MCUNet, el grupo de Han ha codiseñado dos componentes necesarios para el “aprendizaje profundo en miniatura”: el funcionamiento de las redes neuronales en microcontroladores. Un componente es TinyEngine, un motor de inferencia que dirige la gestión de recursos, similar a un sistema operativo. TinyEngine está optimizado para ejecutar una estructura de red neuronal en particular, que es seleccionada por el otro componente de MCUNet: TinyNAS, un algoritmo de búsqueda de arquitectura neuronal.

Diseñar una red neuronal profunda para microcontroladores no es fácil. Las técnicas existentes de búsqueda de arquitectura neuronal comienzan con un gran conjunto de posibles estructuras de red basadas en una plantilla predefinida, y luego gradualmente encuentran la que tiene alta precisión y bajo costo. Si bien el método funciona, no es el más eficiente. “Puede funcionar bastante bien para las GPU o los teléfonos inteligentes”, dice Lin. “Pero ha sido difícil aplicar directamente estas técnicas a los microcontroladores diminutos, porque son demasiado pequeños”. Por lo tanto, Lin desarrolló TinyNAS, un método de búsqueda de arquitectura neuronal que crea redes de tamaño personalizado. “Tenemos muchos microcontroladores que vienen con diferentes capacidades de energía y tamaños de memoria”, dice Lin. “Así que desarrollamos el algoritmo [TinyNAS] para optimizar el espacio de búsqueda para diferentes microcontroladores”.

En resumen, el futuro de la inteligencia artificial en los dispositivos del Internet de las Cosas es prometedor. Gracias a avances como MCUNet y TinyNAS, será posible ejecutar redes neuronales de aprendizaje profundo en dispositivos del IoT, lo que permitirá un procesamiento más rápido y preciso de los datos recopilados. Esto no solo facilitará la expansión del IoT, sino que también mejorará la eficiencia energética y la seguridad de los datos. Estamos presenciando una nueva era en la que la inteligencia artificial se integra cada vez más en nuestra vida cotidiana, brindando beneficios y oportunidades sin precedentes.