Profesor de Harvard: TinyML es una gran oportunidad… Aquí está el porqué.
Dicen que las cosas buenas vienen en paquetes pequeños, pero ¿qué viene en paquetes diminutos? Según el profesor asociado de Harvard Vijay Janapa Reddi, quien también ayudó a fundar la organización sin fines de lucro de aprendizaje automático (ML) MLCommons, el aprendizaje automático en dispositivos pequeños, o TinyML, tiene el potencial de ser realmente grande, muy pronto.
“El valor para el usuario final con TinyML es bastante notable”, dijo Janapa Reddi, quien enseña y ayudó a dar forma al programa de Certificado Profesional de HarvardX sobre el tema. “Porque puede poner esta tecnología en manos de las personas de manera muy económica con todo tipo de software de código abierto disponible, y luego aplicar métodos de aprendizaje automático de código abierto sobre ella, puede habilitar mucha inteligencia en estos dispositivos. Esa es realmente la razón por la que hay tanto entusiasmo por TinyML.”
¿Se pregunta si (y cómo) TinyML podría dar un gran impulso a su carrera? Comencemos por entender qué es, por qué es el momento adecuado para ello y hacia dónde pueden avanzar los estudiantes con un certificado en TinyML.
OK, Google: ¿Qué es TinyML?
Una regla fácil de recordar en el lado del consumidor: si tiene una palabra de activación (es decir, responde a “Alexa”, “Hey Siri”, “OK Google” o similar), está usando TinyML.
Ya sea un producto de consumo como Google Home o una herramienta industrial que monitorea sistemas de manera inteligente en tiempo real, todo lo que es “inteligente” obtiene su inteligencia de algún lugar. El aprendizaje automático es cómo lo logran. Lo que hace que TinyML sea tan relevante es que se enfoca en dispositivos de microcontroladores pequeños y de bajo consumo que han proliferado en la vida cotidiana, así como en el ámbito industrial y logístico.
Los microcontroladores son computadoras pequeñas y especializadas dentro de un dispositivo más grande, encargadas de un solo programa o misión, como cambiar el canal de la TV según la entrada del control remoto. Impresoras, automóviles, dispositivos médicos: casi todos los dispositivos electrónicos modernos albergan un microcontrolador.
TinyML combina el aprendizaje automático con sistemas embebidos para permitir que estos pequeños dispositivos operen de manera independiente en el punto de recolección de datos, en lugar de regresar a la base con cada solicitud. Así, cuando usted le hace una pregunta al dispositivo, puede responder de inmediato usando funciones locales y muy poca energía. Este aprendizaje automático en el dispositivo es fundamentalmente diferente de ejecutar el aprendizaje automático en grandes centros de datos o en la nube.
Ejemplos de TinyML en el ámbito de consumo e industrial
En el lado del consumidor, el poder de TinyML se ha restringido en gran medida al mundo de los asistentes personales, donde estamos familiarizados con el uso de palabras de activación hoy en día, pero más microcontroladores significan más posibilidades. Los electrodomésticos inteligentes, por ejemplo, son una clara oportunidad, permitiendo inteligencia en dispositivos como hornos, donde un comando de “hornear a 350” podría encender automáticamente la máquina y establecer la temperatura.
Un ejemplo en el lado industrial es el mantenimiento predictivo; la capacidad de saber si una máquina fallará con anticipación.
“Para eso, tiene que recopilar datos en tiempo real, justo en ese punto del sensor, y el ancho de banda agregado de los sensores es enorme porque va a tener muchos de estos sensores, cada uno capaz de generar muchos datos. No hay forma de que pueda enviar todos estos datos de vuelta a la nube”, dijo Janapa Reddi. “Con estos pequeños y inteligentes sensores electrónicos, si podemos simplemente integrarlos en todas partes, entonces serían capaces de emitir alertas proactivamente, lo que significa menos tiempo de inactividad y líneas de producción mucho más eficientes.”
En resumen, la tecnología TinyML no está reservada solo para un propósito o tipo de dispositivo. Las posibilidades son infinitas, y eso significa que las oportunidades también lo son.
Por qué TinyML está a punto de crecer.
Estos son los años críticos para TinyML, ya que el costo y la accesibilidad del ecosistema de hardware y software han madurado hasta el punto de democratización que lo llevará al siguiente nivel.
En la evolución de los teléfonos inteligentes, esta fue la etapa en la que comenzamos a ver la innovación a nivel individual, con personas comunes aprovechando la tienda de aplicaciones para llevar a cabo sus propias ideas y herramientas. Janapa Reddi predice que lo mismo sucederá muy pronto con TinyML. Aquellos que se involucren en este espacio ahora tendrán la oportunidad única de ayudar a dar forma a esta industria en tiempo real, mientras se está formando.
Con el rápido crecimiento impulsado por el floreciente Internet de las Cosas, ya hay 250 mil millones de microcontroladores en uso hoy en día. Eso es como si cada persona en la tierra tuviera 32 Apple Watches. Además de ser una imagen divertida, es realmente una cantidad asombrosa de dispositivos, y la tasa de crecimiento solo está aumentando. Janapa Reddi proyecta que el mundo alcanzará 1 billón de microcontroladores (o 130 Apple Watches por persona) mucho antes de lo que nos damos cuenta.
Janapa Reddi dice que esto se debe a que la versatilidad de TinyML le da cierta inmunidad a la fase de “escepticismo” del ciclo de expectativas. Su predicción: “No espero que la caída sea tan grande como la que típicamente se ve con tecnologías de vanguardia extremas como la conducción autónoma o la realidad aumentada y virtual, que son significativamente más difíciles de implementar a gran escala”, dijo. “TinyML no va a pasar por ese tipo de caída.”
¿Qué puede hacer usted con una certificación en TinyML?
Según Janapa Reddi, los profesionales de la industria quieren nuevas contrataciones que se especialicen en un área pero que comprendan el panorama general. Estudiar TinyML es una excelente manera de obtener esa perspectiva. El programa de certificado profesional de HarvardX que Janapa Reddi ayudó a crear está diseñado para ayudar a cualquier persona a desarrollar estas habilidades, desde aprender los fundamentos del aprendizaje automático, el aprendizaje profundo y los dispositivos integrados, hasta adquirir experiencia utilizando marcos de software a escala de producción.
Combinando la informática con la ingeniería, este programa pionero—una colaboración entre profesores expertos de la Escuela de Ingeniería y Ciencias Aplicadas John A. Paulson de Harvard (SEAS) y miembros innovadores del equipo de TensorFlow de Google—prepara a los estudiantes para enfrentar desafíos del mundo real en torno a los despliegues de TinyML.
Para aquellos que ya trabajan en el campo, TinyML puede ampliar sus capacidades profesionales y darles mayor influencia para destacar en el mercado laboral, o incluso prepararlos para un cambio de carrera que puede no ser posible con un conjunto de habilidades más rígido.
Ya sea que esté comenzando o tratando de mejorar su perfil profesional, Janapa Reddi dice que es un error estudiar simplemente el aprendizaje automático en términos del mercado laboral, ya que esto puede llevar a una carrera aislada y dificultar el crecimiento más allá de un rol específico. Estudiar TinyML es un enfoque más holístico de principio a fin y puede ayudar a proporcionar una ventaja en el lugar de trabajo, donde aquellos que entienden TinyML pueden ofrecer un mayor valor a través de la versatilidad y la innovación.
Por qué cualquiera puede (y debería) aprender sobre TinyML.
El programa de certificado profesional de TinyML en edX comienza desde cero, por lo que aquellos sin experiencia en aprendizaje automático aún tienen una vía para aprender y tener éxito.
El objetivo, dijo Janapa Reddi, es proporcionar los bloques de construcción adecuados para crear una aplicación de extremo a extremo con casos de uso del mundo real, mientras se deja la puerta abierta para que cada estudiante aporte sus propias ideas y creatividad. Por lo tanto, los cursos no son exclusivos para ingenieros actuales o científicos de datos, sino que más bien animan a una variedad de estudiantes a entrar en el espacio con perspectivas e innovaciones únicas.
Igualmente importante, dice, es que aquellos fuera de la disciplina comprendan las tecnologías de TinyML, incluso a un nivel básico, tal como todos deben aprender matemáticas. TinyML va a estar tan profundamente arraigado en cada parte de nuestras vidas que no debería estar restringido,” dice Janapa Reddi. “La IA es una de esas tecnologías que no desea estratificación. Simplemente no quería que esas tecnologías estuvieran reservadas para alguna élite o algún subconjunto de personas.”
Aprenda más sobre el programa TinyML de HarvardX o explore otros cursos y programas de ciencia de datos en edX.
Última actualización: mayo de 2021