Edge AI y TinyML
Modelos de visión, audio y sensores en el dispositivo, sin ida y vuelta
Tomamos los modelos de nuestros AI Labs y los hacemos caber: cuantizados, podados y perfilados para ejecutarse en un microcontrolador, una Jetson o la NPU de tu SoC. El dispositivo ve, oye y decide por sí mismo, en milisegundos, con milivatios, sin que los datos salgan nunca de él.
01 / Qué construimos
Detección, clasificación y seguimiento en cámaras, desde un Cortex-M hasta un rig Jetson multicámara.
Palabras de activación, detección de palabras clave, voz en el dispositivo y detección de anomalías acústicas.
Mantenimiento predictivo, reconocimiento de gestos y actividad a partir de IMU y sensores industriales.
Recolección de datos, entrenamiento, cuantización, evaluaciones en el dispositivo y entrega OTA como un único bucle.
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
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