What is edge AI, and when does it make sense?

Edge AI runs the model on the device instead of in the cloud. It makes sense when latency, bandwidth, privacy or connectivity matter — a camera that must react in 20 ms, a sensor that has no network, or data that must never leave the site.

How small can a model get?

With quantisation, pruning and the right architecture we routinely fit keyword spotting, anomaly detection and simple vision models into a few hundred kilobytes on a Cortex-M microcontroller; richer vision runs on Jetson, Coral or an NPU-equipped SoC.

Do you also build the training pipeline?

Yes. Data collection from the devices, labelling, training, evaluation and the export/quantisation step are one pipeline, so a better model can be pushed over the air as a normal update.

How does this connect to your AI Labs work?

Directly. Edge AI is where our AI Labs research (vision, voice, local-first models) meets our embedded team — the on-device voice work behind our Sofi assistant is the same engineering.

Todos los servicios

Edge AI y TinyML

Tu producto ve, oye y decide por sí mismo.

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.

Gestionemos Abrir Kanban

Visión por computadora ejecutándose en un dispositivo edge

01 / Qué resuelve

Productos que reaccionan por sí solos.

Ver y actuar en tiempo real

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.

Responde a la voz, sin manos

Palabras de activación, comandos de voz y alertas de sonido gestionados en el dispositivo, sin enviar audio a ningún sitio.

Detecta problemas antes de que cuesten dinero

Mantenimiento predictivo, reconocimiento de gestos y actividad leídos directamente de los sensores a bordo.

Sigue mejorando después de salir al mercado

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

La tecnología con la que construimos.

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

Cómo construimos cosas que perduran.

Medido en el target

Latencia, memoria y consumo de corriente se miden en el dispositivo real, en cada revisión del modelo.

Miliwatts, no watts

Inferencia por ciclos de trabajo y aceleradores elegidos según el presupuesto de energía real del producto.

Privado por diseño

Los datos en bruto permanecen en el dispositivo; solo sale lo que el producto necesita, si es que sale algo.

Un solo pipeline, del dispositivo a la nube

Los datos de la flota alimentan el entrenamiento; un modelo mejor vuelve como una actualización ordinaria.

04 / Estándares

Buenas prácticas que no omitimos.

Seguimos estándares del sector y métodos probados en cada proyecto: son los que hacen que el presupuesto se mantenga.

Establecer una línea base con el modelo más simple que pueda funcionar
Entrenamiento consciente de la cuantización antes de trucos post-entrenamiento
Evaluaciones de precisión sobre capturas reales del dispositivo, no sobre el set de laboratorio
Presupuestos de latencia y energía fijados como criterios de aceptación
Comportamiento de respaldo definido para salidas de baja confianza
Versionado de modelos y reversión a través del canal OTA
Monitoreo de drift a partir de la telemetría de la flota
Revisión de privacidad de cada señal que sale del dispositivo

05 / Infraestructura

Dónde se ejecuta y cómo se mantiene en pie.

Bancos de benchmarking en el dispositivo (latencia, memoria, consumo)
Pipeline de entrenamiento alimentado por datos de la flota
Entrega de modelos por OTA con reversión
Monitoreo de drift y precisión en producción

Start

¿Quieres el modelo en el dispositivo?

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

Tu producto ve, oye y decide por sí mismo.

Respuestas instantáneas, sin factura en la nube, y datos que nunca salen del dispositivo.