Resumen de Estrategia de selección de hardware y algoritmos de inteligencia artificial en entornos 'Edge computing'

Nerea Gómez Larrakoetxea, Borja Sanz Urquijo , Jon García Barruetabeña , Iker Pastor López

• Actualmente la mayoría de los datos que se recogen en las empresas y en los entornos de fabricación industrial a través de dispositivos IoT se procesan en la nube [1]. Dado el gran volumen de datos que cada empresa gestiona debido a la aparición del IoT, la computación en la nube no es la mejor opción para ciertos sectores como es el de la automoción [3]. Dentro de este sector, la calidad que el cliente final percibe está directamente relacionada con la cadena de montaje. Estas cadenas de montaje recogen una cantidad elevada de variables (temperaturas, presiones, bombas, etc.) y una predicción en tiempo real mediante pequeños gemelos digitales en este proceso evitaría costes tanto de material como de mano de obra. Hoy en día, realizar esa anticipación mediante modelos de inteligencia artificial en tiempo real es inviable debido a la latencia existente con el procesamiento en la nube. Es por eso, que existe una necesidad inminente de desarrollar aplicaciones que se desplieguen en el borde o 'Edge' de la red para el proceso de fabricación y pintado del automóvil que permitan la generación de gemelos digitales. En esta línea, la propuesta del concepto 'Edge Computing' [2] busca paliar en parte esta situación. Por este motivo, este artículo se ha centrado no solo en demostrar que al dividir los datos de un modelo grande generando pequeños modelos ‘Edge’ se mantiene la capacidad de predicción de cada algoritmo, sino que también se han realizado pruebas de estrés (límites, restricciones, etc.) en la tecnología hardware 'Edge Computing' disponible actualmente en el mercado que permite generar y procesar este tipo de modelos.