Seguimos entusiasmados con la técnica TinyML y la posibilidad de crear modelos de aprendizaje automático (ML, machine learning) diseñados para ejecutarse en dispositivos móviles y de baja potencia. Hasta hace poco, la ejecución de un modelo de ML se ha considerado computacionalmente costosa y en algunos casos, requería hardware específico. Si bien la creación de los modelos todavía se encuadra generalmente en esta clasificación, ahora pueden crearse dichos modelos de forma que se puedan ejecutar en dispositivos pequeños, de bajo coste y bajo consumo. Si ha estado considerando la posibilidad de utilizar ML pero pensaba que no era realista debido a las limitaciones de capacidad de cómputo o de red, entonces vale la pena evaluar esta técnica.
Hasta hace poco, la ejecución de un modelo de machine-learning (ML) se consideraba costosa desde el punto de vista computacional y, en algunos casos, requería un hardware de propósito especial. Si bien la creación de los modelos todavía entra dentro de esta clasificación, es posible crearlos de forma que puedan ejecutarse en dispositivos pequeños, de bajo coste y bajo consumo de energía. Esta técnica, denominada TinyML, ha abierto la posibilidad de ejecutar modelos de ML en situaciones que muchos podrían considerar inviables. Por ejemplo, en dispositivos que funcionan con baterías o en entornos desconectados con una conectividad limitada o irregular, el modelo puede ejecutarse localmente sin un coste prohibitivo. Si te has planteado utilizar el ML pero has creído que no era realista debido a las limitaciones informáticas o de red, merece la pena evaluar esta técnica.
