Proponen operar algoritmos de visión, biometría y diagnóstico médico directamente en dispositivos de bajo consumo

La Inteligencia Artificial sin nube permite ejecutar modelos de lenguaje o de imagen directamente en el ordenador, móvil o portátil, sin enviar datos a servidores externos. Y eso es precisamente lo que se ha conseguido en la Universidad de Málaga.

Una tesis doctoral desarrollada por Paula Ruiz Barroso, miembro del grupo ‘Scalable AI Computing’ (SAIC) -perteneciente al Instituto de Investigación en Ingeniería Mecatrónica y Sistemas Ciberfísicos de la Universidad de Málaga (IMECH.UMA)– propone operar algoritmos de visión, biometría y diagnóstico médico directamente en dispositivos de bajo consumo, protegiendo la privacidad y reduciendo el gasto energético.

De esta forma, se evita interactuar con las grandes infraestructuras de servidores en la nube que requiere el despliegue global de la Inteligencia Artificial moderna, un modelo centralizado que no solo genera elevados costes económicos y un gran consumo energético, sino que acarrea riesgos inherentes a la privacidad de los datos personales.

Por eso, llevar los modelos de aprendizaje profundo (Deep Learning) directamente a los dispositivos portátiles de bajo consumo -lo que se conoce como ‘Edge Computing’ – es una de las prioridades de la industria tecnológica, que, sin embargo, tropieza con las estrictas limitaciones de memoria y procesamiento de estos dispositivos.

Para resolver este cuello de botella, investigadores del grupo SAIC (IMECH.UMA) han diseñado un marco metodológico integral de co-diseño hardware-algoritmo. La estrategia permite comprimir los modelos de inteligencia artificial y optimizar su ejecución sobre arquitecturas informáticas heterogéneas, garantizando la máxima precisión con un consumo mínimo de energía y tiempo de respuesta.

El avance es el fruto de cuatro años de trabajo predoctoral desarrollados por la investigadora de la UMA Paula Ruiz Barroso bajo la dirección de los doctores Nicolás Guil Mata y Francisco Castro Payán. La investigación ha culminado con la defensa de su tesis doctoral en el programa de Ingeniería Mecatrónica de la UMA, que ha obtenido la máxima calificación académica, sobresaliente cum laude.

Procesamiento de ‘Edge Computing’: detección de objetos en vídeo sobre un dispositivo embebido de bajo consumo. A partir de una secuencia de fotogramas, el modelo ejecutado identifica objetos y delimita su posición.

Algoritmos más ligeros

La principal aportación del trabajo liderado por el equipo de la UMA radica en resolver de forma simultánea los tres grandes obstáculos de la IA en dispositivos portátiles: la escasez de datos etiquetados, la complejidad matemática de las redes neuronales y las limitaciones físicas del hardware.

Para ello, la metodología integra paradigmas de aprendizaje eficientes (no supervisado y autosupervisado), lo que permite que el sistema aprenda a detectar patrones por sí mismo sin requerir que humanos etiqueten millones de datos previamente. Esta arquitectura lógica se combina con técnicas avanzadas de compresión de modelos -como la cuantización, la poda neuronal (pruning) y la destilación de conocimiento- y con estrategias de ejecución concurrente que aprovechan al máximo cada núcleo del dispositivo embebido.

Éxito en tres aplicaciones reales: visión, biometría y salud

La efectividad de esta metodología de co-diseño ha sido validada experimentalmente en tres campos de alta exigencia técnica:
1.    Visión por computador en vídeo: Desarrollo de un sistema capaz de descubrir, clasificar y rastrear objetos estáticos y en movimiento a tiempo real sin necesidad de que las imágenes hayan sido etiquetadas manualmente.
2.    Reconocimiento biométrico por el modo de andar (Gait Recognition): Adaptación de complejas arquitecturas en modelos optimizados para identificar a múltiples personas en tiempo real según su forma de caminar, manteniendo la precisión con un consumo de tiempo y de batería mínimo.
3.    Detección precoz de patologías cardíacas en wearables: Implementación de modelos de análisis de señales de electrocardiograma (ECG) en dispositivos vestibles. El sistema se entrena únicamente con patrones cardíacos sanos y es capaz de detectar automáticamente anomalías cardíacas midiendo desviaciones estadísticas directamente en el dispositivo local.

Respaldo internacional y transferencia a la industria

Los resultados obtenidos durante la tesis doctoral demuestran que la optimización aislada de software o hardware es insuficiente para llevar la IA al entorno cotidiano, demostrando la necesidad de abordar ambas dimensiones de forma conjunta.

La investigación ha tenido un amplio impacto en la comunidad científica internacional. Se ha traducido en cuatro publicaciones en revistas de primer nivel (Q1) y ha determinado la colaboración con centros de referencia europea como la École Polytechnique Fédérale de Lausanne (EPFL, Suiza), donde la doctora Ruiz Barroso realizó una estancia de investigación. Con este desarrollo, el grupo SAIC y el IMECH.UMA se posicionan como referentes en la creación de soluciones de Inteligencia Artificial eficientes, sostenibles y transferibles a sectores estratégicos como la robótica, la salud y la seguridad.