Glosario IA
El diccionario completo de la Inteligencia Artificial
Aprendizaje Federado
Enfoque de aprendizaje distribuido donde los modelos ML se entrenan localmente en dispositivos edge sin compartir los datos brutos, solo las actualizaciones del modelo se agregan de forma centralizada.
Cuantización de Modelo
Técnica de reducción de la precisión numérica de los pesos y activaciones de un modelo ML (típicamente de 32 bits a 8 bits) para optimizar su tamaño y tiempo de inferencia en dispositivos edge.
TinyML
Dominio especializado del machine learning enfocado en el despliegue de modelos ultra-ligeros en microcontroladores con restricciones extremas de memoria (algunos KB) y consumo energético.
Inferencia Edge
Proceso de ejecución de predicciones ML directamente en dispositivos edge, eliminando así la dependencia de servidores cloud y garantizando tiempos de respuesta sub-milisegundos.
Entrenamiento en Dispositivo
Capacidad de entrenar o reentrenar modelos ML directamente en dispositivos edge, permitiendo una adaptación continua según los datos locales sin transferencia al cloud.
Gestión de Dispositivos Edge
Conjunto de procesos y herramientas que permiten el despliegue, monitoreo, mantenimiento y actualización remota de modelos ML en miles de dispositivos edge distribuidos.
Aprendizaje Edge Continuo
Paradigma donde los modelos edge mejoran continuamente a partir de nuevos datos locales, con actualizaciones incrementales sincronizadas periódicamente con el cloud.
Entrenamiento Consciente del Ancho de Banda
Estrategia de entrenamiento que optimiza el tamaño de las actualizaciones del modelo y la frecuencia de sincronización según las restricciones de ancho de banda de red disponibles.
Latency-Aware Deployment
Enfoque de despliegue que selecciona y optimiza las arquitecturas de modelos en función de los requisitos de latencia específicos de cada aplicación edge crítica.
Resource-Constrained ML
Rama del ML especializada en el desarrollo de algoritmos y modelos optimizados para funcionar eficientemente bajo restricciones estrictas de CPU, memoria y energía.
Edge Model Versioning
Sistema de seguimiento de versiones de modelos ML desplegados en los dispositivos edge, permitiendo rollbacks rápidos y una trazabilidad completa de los despliegues.
Edge-to-Cloud Orchestration
Arquitectura de coordinación que optimiza la distribución de tareas ML entre edge y cloud en función de las restricciones de tiempo real, recursos disponibles y necesidades de confidencialidad.
On-Device Model Compression
Técnicas aplicadas directamente en el dispositivo edge para reducir dinámicamente el tamaño del modelo en función de las condiciones operacionales y del uso de recursos.
Edge Model Monitoring
Supervisión continua del rendimiento y la deriva de los modelos ML en producción en los dispositivos edge, con alertas y disparadores para reentrenamiento automático.
Adaptive Edge Inference
Mecanismo que ajusta dinámicamente la complejidad del modelo de inferencia en función de los recursos disponibles y los requisitos de precisión en tiempo real.
Edge Model Synchronization
Proceso de coordinación de las actualizaciones de modelos entre dispositivos edge y servidor central, gestionando los conflictos y asegurando la coherencia minimizando el tráfico de red.