Una investigación de la Universidad de Málaga (UMA) ha desarrollado una metodología que permite ejecutar modelos de inteligencia artificial directamente en ordenadores, móviles y dispositivos portátiles de bajo consumo, sin necesidad de enviar información a servidores externos. El avance abre nuevas posibilidades para aplicar esta tecnología en ámbitos como la visión artificial, el reconocimiento biométrico y la detección precoz de patologías cardíacas, al tiempo que reduce el consumo energético y refuerza la privacidad de los datos.
El trabajo forma parte de la tesis doctoral de Paula Ruiz Barroso, investigadora del grupo Scalable AI Computing (SAIC), integrado en el Instituto de Investigación en Ingeniería Mecatrónica y Sistemas Ciberfísicos de la Universidad de Málaga (IMECH.UMA). La tesis, dirigida por los doctores Nicolás Guil Mata y Francisco Castro Payán, ha obtenido la calificación de sobresaliente cum laude en el programa de Ingeniería Mecatrónica.
Inteligencia artificial sin nube: modelos que funcionan en dispositivos pequeños
La ejecución de modelos de aprendizaje profundo directamente en dispositivos locales, una tecnología conocida como Edge Computing, es uno de los retos actuales de la industria tecnológica. Frente al modelo centralizado, que depende de grandes infraestructuras de servidores en la nube, esta alternativa permite procesar la información en el propio equipo donde se generan los datos.
El cambio tiene implicaciones importantes. Evita enviar información personal a servidores externos, reduce la dependencia de las infraestructuras de computación y puede disminuir tanto los costes como el consumo energético asociado al funcionamiento de los sistemas de inteligencia artificial.
Sin embargo, trasladar modelos complejos a móviles, sensores y otros dispositivos integrados plantea dificultades técnicas. Estos equipos cuentan con una memoria y una capacidad de procesamiento limitadas, lo que complica la ejecución de redes neuronales avanzadas.
Para superar estas restricciones, el grupo SAIC de la UMA ha diseñado un marco de co-diseño entre equipos y algoritmos. Esta metodología permite reducir el tamaño de los modelos y adaptar su ejecución a diferentes arquitecturas informáticas, buscando mantener la precisión y minimizar el consumo de energía y los tiempos de respuesta.
Algoritmos más ligeros y aprendizaje con menos datos
Una de las principales aportaciones de la investigación consiste en abordar conjuntamente tres obstáculos de la inteligencia artificial en dispositivos de bajo consumo: la escasez de datos etiquetados, la complejidad matemática de las redes neuronales y las limitaciones físicas del hardware.
Para ello, la metodología combina técnicas de aprendizaje no supervisado y autosupervisado, que permiten identificar patrones sin depender de grandes cantidades de datos previamente clasificados por personas.
A este planteamiento se suman herramientas para hacer más ligeros los modelos, como la cuantización, la poda neuronal y la destilación de conocimiento. Estas técnicas reducen los recursos necesarios para ejecutar los algoritmos. Además, las estrategias de ejecución concurrente permiten aprovechar mejor los distintos núcleos de procesamiento de los dispositivos integrados.
Tres aplicaciones: visión artificial, biometría y detección cardíaca
La metodología desarrollada por la Universidad de Málaga se ha probado experimentalmente en tres ámbitos. El primero es la visión por computador aplicada al vídeo, con un sistema capaz de detectar, clasificar y seguir objetos estáticos y en movimiento en tiempo real, sin necesitar imágenes etiquetadas manualmente.
La segunda aplicación se centra en el reconocimiento biométrico mediante la forma de caminar, conocido como Gait Recognition. La investigación ha adaptado arquitecturas complejas a modelos optimizados capaces de identificar a varias personas en tiempo real a partir de sus patrones de movimiento, con un consumo reducido de tiempo y batería.
El tercer campo es el de la salud y los dispositivos wearables. En este caso, se han implementado modelos para analizar señales de electrocardiograma (ECG) directamente en dispositivos vestibles. El sistema aprende a partir de patrones cardíacos saludables y puede detectar anomalías mediante el análisis de desviaciones estadísticas, sin necesidad de enviar las señales a servidores externos.
Cuatro años de investigación en la Universidad de Málaga
El desarrollo de esta metodología es el resultado de cuatro años de trabajo predoctoral de Paula Ruiz Barroso, bajo la dirección de Nicolás Guil Mata y Francisco Castro Payán. La defensa de su tesis en el programa de Ingeniería Mecatrónica de la UMA ha culminado con la máxima calificación académica, sobresaliente cum laude.
La investigación contribuye al desarrollo de una inteligencia artificial más eficiente y descentralizada, capaz de funcionar en dispositivos con recursos limitados. Sus aplicaciones en visión, biometría y monitorización cardíaca muestran el potencial de acercar modelos avanzados de aprendizaje profundo a equipos cotidianos y sistemas portátiles.
