¿Qué es edge AI? Es la práctica de ejecutar la inferencia de machine learning en el dispositivo que recoge los datos, o en un gateway justo a su lado, en lugar de enviar cada lectura a un centro de datos. Al terminar esta guía sabrás cómo funciona la inferencia en el edge, qué hardware encaja en cada tarea y cómo diseñar los mensajes que envía un dispositivo edge para que el resto de tu sistema reciba respuestas y no datos en bruto.
Edge AI en un párrafo
Un modelo entrenado es una función: entran datos y sale una predicción. Entrenar esa función requiere grandes conjuntos de datos y mucha capacidad de cómputo, así que normalmente se hace en la nube o en una estación de trabajo. Ejecutarla, lo que se llama inferencia, es mucho más barato. Edge AI toma el modelo entrenado, lo reduce y optimiza, y ejecuta la inferencia allí donde nacen los datos: una cámara, un sensor de vibración, un micrófono, un gateway de PLC. Después, el dispositivo informa de su conclusión, como "persona en la puerta", "probable fallo de rodamiento" o "pieza defectuosa", mediante un protocolo ligero como MQTT.
Cómo funciona la inferencia en el edge
El ciclo de vida es el mismo tanto si el destino es un microcontrolador como si es un módulo con GPU:
- Recoge y etiqueta datos de los sensores reales en el entorno real.
- Entrena un modelo con un framework como TensorFlow, PyTorch o una herramienta como Edge Impulse.
- Optimízalo para el destino. Los pasos típicos son la cuantización (guardar los pesos como enteros de 8 bits en lugar de flotantes de 32 bits), la poda y la compilación para un acelerador concreto.
- Despliégalo en el dispositivo como archivo o imagen de firmware.
- Ejecuta la inferencia en bucle: lee el sensor, preprocesa (redimensiona una imagen, calcula una FFT), ejecuta el modelo y posprocesa (aplica umbrales, suaviza en el tiempo).
- Publica el resultado y, de vez en cuando, sube muestras para reentrenar.
- Actualiza el modelo cuando la precisión se degrade, mediante un despliegue controlado.
El paso 6 es donde edge AI se encuentra con el IoT. En lugar de transmitir un flujo de vídeo o miles de muestras de acelerómetro por segundo, el dispositivo publica unos cientos de bytes que describen lo ocurrido.
Por qué ejecutar IA en el edge
| Motivo | Qué significa en la práctica |
|---|---|
| Latencia | Las decisiones se toman en milisegundos sin ida y vuelta por la red; imprescindible para rechazos, paradas de seguridad y robótica |
| Ancho de banda | El vídeo y los datos de vibración de alta frecuencia se quedan en local; solo los resultados cruzan la red |
| Privacidad | Las imágenes y el audio nunca salen de las instalaciones; solo lo hacen etiquetas y recuentos |
| Resiliencia | La detección sigue funcionando cuando se cae el enlace a internet |
| Coste | Menos transferencia de datos y menos cómputo en la nube para cargas de trabajo continuas |
Hay contrapartidas. Los dispositivos edge tienen memoria y capacidad de cómputo limitadas, así que los modelos deben ser pequeños. Actualizar cientos de dispositivos es más difícil que actualizar un servicio en la nube. Y un modelo que se ejecuta sobre el terreno es más difícil de monitorizar que uno que se ejecuta en un centro de datos. La comparativa entre edge AI e IA en la nube profundiza en cuándo gana cada enfoque y cómo los combinan los diseños híbridos.
Niveles de hardware para edge AI
Edge AI abarca una amplia gama de dispositivos. Un modelo mental útil distingue cuatro niveles:
- Microcontroladores (ESP32-S3, placas Arm Cortex-M). Kilobytes de RAM, milivatios de consumo, modelos para detección de palabras clave, reconocimiento de gestos y clasificación de vibraciones. Es el mundo de TinyML; consulta qué es TinyML.
- Ordenadores de placa única (tipo Raspberry Pi). Ejecutan modelos pequeños de visión y audio en la CPU a tasas de fotogramas modestas y son fáciles de programar en Python.
- SBC con aceleradores (Coral Edge TPU, módulos Hailo). Un procesador neuronal dedicado se encarga del modelo, lo que hace viable la detección de objetos en tiempo real con bajo consumo.
- Módulos edge con GPU y PC industriales (NVIDIA Jetson, PC con GPU). Varios flujos de cámara, modelos más grandes, segmentación y estimación de pose.
Elige el nivel más bajo que cumpla tus requisitos de precisión y latencia: es más barato, consume menos y tiene menos piezas que puedan fallar. La comparativa de hardware para edge AI repasa placas concretas.
Casos de uso habituales de edge AI
- Visión: detección de personas y vehículos, vigilancia de zonas de seguridad, inspección de defectos, conteo y ocupación.
- Audio: detección de palabras clave, sonidos anómalos de máquinas, detección de rotura de cristales.
- Vibración y corriente: desgaste de rodamientos, desequilibrio y desalineación en motores y bombas.
- Ambiental: ocupación inferida a partir de patrones de CO2 y temperatura, detección de fugas.
- Control industrial: sensores virtuales que estiman un valor costoso de medir directamente.
En todos los casos, el dispositivo convierte una señal densa en un evento escaso y con significado.
Publica resultados de inferencia, no datos en bruto
La decisión de diseño más importante en edge AI para IoT es qué se envía por la red. Un buen mensaje de inferencia es pequeño, lleva marca de tiempo y se describe a sí mismo:
{
"ts": "2026-10-16T08:15:02Z",
"device": "pump-07",
"model": "vib-anomaly-v3",
"label": "bearing_wear",
"score": 0.87,
"window_s": 2.0
}
Usa una jerarquía de topics que sitúe el dispositivo en su contexto, como site/area/line/device/inference, y mantén los datos en bruto en local salvo que un suscriptor los necesite de verdad. ConnectMQ, por ejemplo, reconoce jerarquías de topics de estilo ISA-95 y agrupa los dispositivos por planta, área y línea en su vista de dispositivos, algo que compensa en cuanto tienes más de un puñado de nodos edge. Un broker MQTT en la nube distribuye entonces el resultado a paneles, alertas, historiadores y modelos en la nube sin que el dispositivo edge sepa quién está escuchando.
Ejemplo: un publicador de inferencias edge en Python
El script siguiente muestra el patrón en cualquier dispositivo edge con Linux. La función infer() es un marcador de posición que sustituyes por TensorFlow Lite, ONNX Runtime o un runtime del fabricante. Solo publica cuando cambia la etiqueta o cada 60 segundos como latido, lo que mantiene el tráfico bajo.
pip install "paho-mqtt>=2.0" numpy
import json
import time
import uuid
from datetime import datetime, timezone
import numpy as np
import paho.mqtt.client as mqtt
RUN = uuid.uuid4().hex[:8]
TOPIC = f"connectmq/demo/{RUN}/site1/pumps/pump-07/inference"
MODEL = "vib-anomaly-v3"
def read_window():
"""Lectura de sensor simulada: 2 s de vibración a 1 kHz."""
t = np.arange(2000) / 1000
signal = np.sin(2 * np.pi * 50 * t) + 0.3 * np.random.randn(t.size)
if np.random.rand() < 0.1:
signal += 0.8 * np.sin(2 * np.pi * 180 * t) # armónico de fallo simulado
return signal
def infer(window):
"""Modelo simulado: energía en una banda de fallo. Sustitúyelo por un runtime real."""
spectrum = np.abs(np.fft.rfft(window))
band = spectrum[170 * 2:190 * 2].sum() / spectrum.sum()
score = float(min(1.0, band * 8))
return ("bearing_wear" if score > 0.5 else "normal"), score
client = mqtt.Client(mqtt.CallbackAPIVersion.VERSION2, client_id=f"pump-07-{RUN}")
client.connect("broker.connectmq.com", 1883, keepalive=60)
client.loop_start()
print("publishing to", TOPIC)
last_label, last_sent = None, 0.0
while True:
label, score = infer(read_window())
now = time.time()
if label != last_label or now - last_sent > 60:
msg = {
"ts": datetime.now(timezone.utc).isoformat(timespec="seconds"),
"device": "pump-07",
"model": MODEL,
"label": label,
"score": round(score, 3),
"window_s": 2.0,
}
client.publish(TOPIC, json.dumps(msg), qos=1)
print(msg)
last_label, last_sent = label, now
time.sleep(1)
Suscríbete desde otro terminal con el topic impreso para ver los eventos:
mosquitto_sub -h broker.connectmq.com -p 1883 -i edge-viewer-5d1e -t 'connectmq/demo/<run-id>/#' -v
El servidor MQTT público gratuito es ideal para este tipo de pruebas, pero todo lo que se publica allí es visible para cualquiera que se suscriba al topic. Para dispositivos reales, usa las credenciales de tu propio broker y TLS en el puerto 8883.
Trampas de edge AI que conviene prever
- Datos de entrenamiento que no se parecen a los del terreno. Los datos de laboratorio rara vez reflejan la iluminación, el ruido o el montaje reales. Recoge datos de los sensores desplegados cuanto antes.
- Mensajes sin versión del modelo. Sin ella, no puedes saber qué modelo generó una alerta errónea.
- Deriva silenciosa. Publica puntuaciones de confianza y estadísticas periódicas para ver cuándo el modelo empieza a dudar.
- Publicar en exceso. Enviar cada inferencia a máxima frecuencia anula la ventaja en ancho de banda. Publica por cambio, por umbral o con un latido lento.
- Sin vía de actualización. Planifica cómo llegará un nuevo modelo a los dispositivos antes del primer despliegue; desplegar modelos de ML en dispositivos edge repasa las opciones.
Para una visión más amplia de dónde encajan los modelos edge junto a la analítica en la nube y los agentes basados en LLM, lee la guía de IA e IoT.
Empieza con ConnectMQ
Los dispositivos de edge AI necesitan un lugar fiable al que enviar sus resultados. ConnectMQ es un broker MQTT gestionado compatible con MQTT 3.1.1 y 5.0 sobre TCP, TLS y WebSockets, con un explorador de topics en directo para ver llegar los eventos de inferencia. Crea un broker con el plan Serverless gratuito en app.connectmq.com, sin tarjeta de crédito, y apunta a él tus dispositivos edge.
Preguntas frecuentes
¿Qué es edge AI en términos sencillos?
Edge AI significa que un dispositivo ejecuta él mismo un modelo de machine learning entrenado, cerca de sus sensores, en lugar de enviar los datos a un servidor remoto para analizarlos. Después informa del resultado.
¿Edge AI es lo mismo que TinyML?
TinyML es un subconjunto de edge AI centrado en microcontroladores con muy poca memoria y energía. Edge AI incluye también dispositivos más grandes, como placas Raspberry Pi, aceleradores y módulos con GPU.
¿Edge AI sigue necesitando la nube?
Normalmente sí, pero para otras tareas: entrenamiento, monitorización de la flota, almacenamiento a largo plazo y combinación de resultados de muchas instalaciones. El edge se encarga de la inferencia en tiempo real y la nube de todo lo que se beneficia de una visión global.
¿Por qué usar MQTT para los resultados de edge AI?
Los resultados de inferencia son mensajes pequeños, basados en eventos, que muchos sistemas quieren consumir. El modelo de publicación/suscripción de MQTT, sus niveles de QoS y su baja sobrecarga encajan muy bien con ese patrón.
