Glosario IA
El diccionario completo de la Inteligencia Artificial
Quantification
Técnica de reducción de precisión de los pesos y activaciones de una red neuronal de 32 bits a 8 bits o menos, permitiendo reducir significativamente la memoria y los cálculos necesarios.
Microcontrolador
Circuito integrado compacto que contiene procesador, memoria y periféricos, optimizado para funcionar con un consumo de energía mínimo y recursos limitados.
Edge AI
Inteligencia artificial ejecutada directamente en los dispositivos de periferia, permitiendo decisiones locales sin dependencia de conexión en la nube, reduciendo latencia y consumo de ancho de banda.
TensorFlow Lite Micro
Framework de Google específicamente diseñado para ejecutar modelos de aprendizaje automático en microcontroladores con menos de 256KB de RAM y 1MB de almacenamiento.
Optimización de memoria
Conjunto de técnicas destinadas a minimizar la huella de memoria de los modelos, incluyendo la cuantificación, la poda y las arquitecturas de redes compactas adaptadas a las restricciones de los MCU.
Inferencia en dispositivo
Proceso de ejecución de predicciones directamente en el dispositivo embebido, eliminando la necesidad de transmisión de datos hacia servidores remotos para procesamiento.
Poda
Técnica de eliminación de conexiones neuronales no críticas en una red, reduciendo su complejidad y tamaño sin pérdida significativa de rendimiento predictivo.
Distilación de Conocimiento
Método de transferencia de conocimientos de un modelo grande y complejo (maestro) a un modelo ligero (estudiante) adaptado a las restricciones de recursos de los microcontroladores.
Arquitectura neuromórfica
Diseño de circuitos que imitan la estructura y funcionamiento del cerebro biológico, optimizados para un procesamiento eficiente con consumo energético mínimo.
Compresor de modelo
Herramienta o algoritmo que reduce el tamaño de un modelo de aprendizaje automático preservando sus capacidades predictivas, esencial para el despliegue en dispositivos con limitaciones.
Edge Impulse
Plataforma de desarrollo especializada en la creación, entrenamiento y despliegue de modelos TinyML en microcontroladores con interfaz intuitiva y optimización automática.
Consumo de energía
Medida crítica en TinyML, que busca minimizar el consumo eléctrico para permitir años de autonomía con baterías o recolección de energía en aplicaciones IoT.
MCU
Unidad de microcontrolador compacta que integra procesador, memoria volátil y no volátil, e interfaces de comunicación en un solo circuito integrado para aplicaciones embebidas.
Procesamiento en tiempo real
Capacidad de los sistemas TinyML para proporcionar respuestas predictivas dentro de plazos limitados y predecibles, esencial para aplicaciones críticas e interactivas.
Inteligencia embebida
Integración de capacidades de aprendizaje e inferencia directamente en dispositivos electrónicos con limitaciones, creando sistemas autónomos e inteligentes.
Modelo ligero
Arquitectura de red neuronal diseñada específicamente para minimizar parámetros y cálculos manteniendo rendimientos aceptables para el despliegue en microcontroladores.
Recolección de Energía
Técnica de recolección de energía ambiental (luz, vibración, térmica) para alimentar dispositivos TinyML, permitiendo una autonomía casi ilimitada sin mantenimiento.
Sistema operativo embebido
Sistema operativo en tiempo real optimizado para microcontroladores, gestionando los recursos de hardware limitados y garantizando la ejecución determinista de las tareas TinyML.