Inteligencia artificial para aparatos con poca capacidad de computación
CIENCIAS DE LA COMPUTACIÓN.
No solo los grandes ordenadores pueden albergar un sistema de inteligencia artificial. Unos científicos han descubierto un modo de dotar de inteligencia artificial también a dispositivos modestos.
Los científicos del proyecto E-MINDS han conseguido dotar de inteligencia artificial a dispositivos con una capacidad de computación muy modesta. Foto: Lunghammer / TU Graz.
La inteligencia artificial requiere muchos recursos informáticos y energéticos, lo que supone un reto para la Internet de los objetos (IoT), donde pequeños sensores integrados tienen que arreglárselas con una potencia de cálculo limitada, poca memoria y baterías pequeñas. En el proyecto E-MINDS, un equipo de investigación de la Universidad Tecnológica de Graz (TU Graz), en Austria, y la Universidad de San Galo, en Suiza, ha encontrado formas de ejecutar programas de inteligencia artificial de forma local y eficiente en los dispositivos más pequeños, sin tener que depender de potencia de cálculo externa. Por ejemplo, ha sido posible ejecutar modelos especializados de inteligencia artificial en un dispositivo de localización de banda ultraancha con solo 4 kilobytes de memoria, que calcula fuentes de interferencia a partir de datos de localización.
Por supuesto, estas inteligencias artificiales solo saben hacer la tarea específica para la que cada una ha sido diseñada. No se trata de inteligencias artificiales capaces de hacer casi de todo, como por ejemplo lo son ChatGPT, Copilot, DeepSeek y otras.
El resultado conseguido por Michael Krisper (TU Graz) y sus colegas es una especie de sistema modular formado por diversos componentes que, al combinarse, ofrecen el resultado deseado. En vez de un modelo universal, se dispone de varios modelos pequeños y especializados.
Otra estrategia empleada por estos científicos es una clase de redes reconfigurables que se adaptan a los datos de entrada en vez de tener un modelo distinto para cada caso. Estas redes se han utilizado para tareas de reconocimiento de imágenes como la clasificación de objetos y han demostrado ser extremadamente productivas. Para tareas como por ejemplo clasificar frutas, probadas en dispositivos IoT, fue posible trabajar con las imágenes hasta 7,8 veces más rápido que utilizando recursos externos, aunque los modelos eran más pequeños y con menor consumo energético. Se consiguen más reducciones plegando la estructura matemática del modelo de un modo que solo provoca una pequeña pérdida de precisión.
También han dado buen resultado la estrategia de cuantificación y la de poda. Con la cuantificación, los investigadores simplificaron los números utilizados por el modelo. En vez de números de coma flotante, se utilizaron números enteros, lo que de nuevo ahorró energía y tiempo de cálculo con una pérdida aceptable de precisión para las aplicaciones deseadas. La poda, por su parte, consiste en examinar un modelo acabado y eliminar las partes que no son importantes para el resultado final deseado. Esto puede hacerse porque el modelo seguirá siendo capaz de cumplir la tarea principal, incluso cuando se descarten muchas partes, siempre y cuando estas sean de poca relevancia. Para los investigadores, la clave era encontrar el equilibrio adecuado entre miniaturización y precisión para todos los casos.
Por: Redacción.
Sitio Fuente: NCYT de Amazings