Edge AI y TinyML
Respuestas instantáneas, sin factura en la nube, y datos que nunca salen del dispositivo.
Cuando un producto tiene que reaccionar en el momento en que algo ocurre, ir y volver a la nube es demasiado lento, demasiado caro y deja de funcionar en cuanto cae la conexión. Ponemos el modelo en el propio dispositivo, para que responda en milisegundos, siga funcionando sin conexión y los datos que lee nunca tengan que salir de las manos del cliente. Son los modelos de nuestros AI Labs adaptados para caber en un microcontrolador, una Jetson o la NPU de tu SoC.
01 / Qué resuelve
Detecta, cuenta y sigue lo que importa en la imagen de la cámara al instante, desde un pequeño sensor Cortex-M hasta un rig Jetson multicámara.
Palabras de activación, comandos de voz y alertas de sonido gestionados en el dispositivo, sin enviar audio a ningún sitio.
Mantenimiento predictivo, reconocimiento de gestos y actividad leídos directamente de los sensores a bordo.
Un único bucle de datos a entrenamiento, evaluaciones en el dispositivo y actualizaciones over-the-air, para que el producto mejore sobre el terreno.
02 / Stack
Estándar del sector, aburrida en el buen sentido: herramientas con futuro, que el próximo ingeniero también conocerá.
Runtimes de inferencia
TensorFlow Lite / LiteRT
Modelos cuantizados en MCUs y SoCs móviles
ONNX Runtime
Inferencia portable entre CPUs, GPUs y NPUs
TensorRT & DeepStream
Pipelines de visión acelerados por GPU en Jetson
Edge Impulse & TinyML
Iteración rápida de modelos para targets con recursos limitados
Hardware objetivo
Cortex-M with CMSIS-NN
Detección de palabras clave y anomalías en kilobytes
NVIDIA Jetson
Visión multicámara en el edge
Google Coral / Hailo
Aceleradores dedicados para inferencia de bajo consumo
Qualcomm & NXP NPUs
Aceleración en el propio SoC en dispositivos de producción
Pipeline de modelos
PyTorch
Entrenamiento, destilación y exportación
Quantisation & pruning
Modelos INT8 / INT4 que mantienen su precisión
Evals on-device
Precisión, latencia y consumo medidos en el target
OTA model delivery
Modelos entregados y revertidos como firmware
03 / Enfoque
Latencia, memoria y consumo de corriente se miden en el dispositivo real, en cada revisión del modelo.
Inferencia por ciclos de trabajo y aceleradores elegidos según el presupuesto de energía real del producto.
Los datos en bruto permanecen en el dispositivo; solo sale lo que el producto necesita, si es que sale algo.
Los datos de la flota alimentan el entrenamiento; un modelo mejor vuelve como una actualización ordinaria.
04 / Estándares
Seguimos estándares del sector y métodos probados en cada proyecto: son los que hacen que el presupuesto se mantenga.
05 / Infraestructura
Buenas preguntas
Respuestas directas a lo que preguntan los clientes antes de empezar.
Sí, si el hardware lo permite. WNC empieza por el modelo más pequeño que resuelve la tarea —destilado o cuantizado— y lo despliega en NVIDIA Jetson y NPU similares, con presupuestos de latencia y consumo como criterios de aceptación.
Trabajo relacionado
Proyectos y productos nuestros en los que intervino este servicio.
Start
Cuéntanos qué tiene que ver, oír o predecir, y en qué hardware. Un ingeniero te responderá con un alcance y un precio honestos.
Let’s manage o explora AI Labs
