El mundo está a punto de volverse mucho más inteligente.

A medida que comienza la nueva década, estamos escuchando predicciones sobre todo, desde fuerzas de trabajo totalmente remotas hasta computación cuántica. Sin embargo, una tendencia emergente apenas se menciona en los blogs de tecnología, una que puede ser pequeña en forma pero tiene el potencial de ser masiva en implicación. Esto son los microcontroladores.

Hay 250 mil millones de microcontroladores, actualmente, en todo el mundo. Se vendieron 28,1 mil millones de unidades sólo en 2018, y IC Insights pronostica que el volumen de envío anual crecerá a 38,2 mil millones para 2023.

Un microcontrolador es un ordenador pequeño de propósito especial dedicado a realizar una tarea o programa dentro de un dispositivo. Por ejemplo, un microcontrolador en un televisor controla el selector de canales y el sistema de altavoces. Cambia esos sistemas cuando recibe entrada del control remoto del televisor.

Los microcontroladores y los componentes que administran se denominan colectivamente sistemas integrados, ya que están integrados en los dispositivos que controlan. Echa un vistazo: estos sistemas integrados están en todas partes, en casi cualquier dispositivo electrónico moderno. En máquinas de oficina, automóviles, dispositivos médicos y electrodomésticos, casi todos tienen microcontroladores.

Con todo el rumor sobre la computación en la nube, la penetración de dispositivos móviles, la Inteligencia Artificial y el Internet de las cosas (IoT) en los últimos años, estos microcontroladores (y los sistemas integrados que alimentan) han sido subestimados en gran medida. Esto está a punto de cambiar.

El fuerte crecimiento en las ventas de microcontroladores en los últimos años ha sido impulsado en gran medida por los amplios vientos de cola del IoT. Los microcontroladores facilitan la automatización y el control integrado en sistemas electrónicos, así como la conexión de sensores y aplicaciones al IoT.

Estos dispositivos pequeños y prácticos también son extremadamente baratos, con un precio promedio de 60 céntimos por unidad (y bajando). Aunque es de bajo costo, el impacto económico de lo que permiten hacer los microcontroladores a nivel de sistema es enorme, ya que los sensores de datos del mundo físico son el alma de la transformación digital en la industria.

Sin embargo, esto es sólo una parte de la historia.

La fusión de varias tendencias ha convertido al microcontrolador no sólo en un conducto para implementar aplicaciones de IoT, sino también en un mecanismo de procesamiento potente e independiente por derecho propio. En los últimos años, los avances de hardware han hecho posible que los microcontroladores realicen cálculos mucho más rápido.

El hardware mejorado junto con estándares de desarrollo más eficientes han facilitado a los desarrolladores la creación de programas en estos dispositivos. Sin embargo, quizás la tendencia más importante ha sido el aumento de Machine Learning pequeño, o TinyML.
 

Gran potencial

TinyML encapsula ampliamente el campo de las tecnologías de Machine Learning capaces de realizar análisis en el dispositivo de los datos de los sensores con un consumo extremadamente bajo. Entre los avances de hardware y las recientes innovaciones de la comunidad TinyML en Machine Learning, ahora es posible ejecutar modelos de Deep Learning cada vez más complejos (la base de la mayoría de las aplicaciones modernas de Inteligencia Artificial) directamente en microcontroladores.

Una mirada rápida debajo del capó muestra que esto es fundamentalmente posible porque los modelos de Deep Learning están vinculados a la computación, lo que significa que su eficiencia está limitada por el tiempo que lleva completar una gran cantidad de operaciones aritméticas. Los avances en TinyML han permitido ejecutar estos modelos en hardware de microcontrolador existente.

En otras palabras, esos 250 mil millones de microcontroladores en nuestras impresoras, televisores, automóviles y marcapasos ahora pueden realizar tareas que anteriormente solo nuestros ordenadores y teléfonos inteligentes podían manejar. Todos nuestros dispositivos y electrodomésticos se están volviendo más inteligentes gracias a los microcontroladores.

TinyML representa un esfuerzo de colaboración entre los sistemas integrados de potencia ultrabaja y las comunidades de Machine Learning, que tradicionalmente han funcionado en gran medida de forma independiente. Esta unión ha abierto las puertas para nuevas y emocionantes aplicaciones de Machine Learning en dispositivos.

Sin embargo, el conocimiento de que Deep Learning y los microcontroladores son una combinación perfecta ha sido bastante exclusivo, oculto detrás de las paredes de gigantes tecnológicos como Google y Apple. Esto se vuelve más obvio cuando uno se entera de que este paradigma de ejecutar modelos modificados de Deep Learning en microcontroladores es responsable de la funcionalidad "Okay Google" y "Hey Siri", que ha existido durante años.

Pero, ¿por qué es importante que podamos ejecutar estos modelos en microcontroladores? Gran parte de los datos de los sensores generados hoy se descartan debido al costo, el ancho de banda o las limitaciones de energía, o a veces una combinación de los tres.

Por ejemplo, un microsatélite de imágenes. Dichos satélites están equipados con cámaras capaces de capturar imágenes de alta resolución, pero están limitadas por el tamaño y la cantidad de fotos que pueden almacenar y con qué frecuencia pueden transmitir esas fotos a la Tierra. Como resultado, tales satélites tienen que almacenar imágenes a baja resolución y a una velocidad de cuadro baja. ¿Qué pasaría si pudiéramos usar modelos de detección de imágenes para guardar fotos de alta resolución solo si un objeto de interés (como un barco o un patrón meteorológico) estuviera presente en la imagen? Si bien los recursos informáticos en estos microsatélites han sido históricamente demasiado pequeños para admitir modelos de Deep Learning de detección de imágenes, TinyML ahora lo hace posible.

Otro beneficio de implementar modelos de Deep Learning en microcontroladores es que los microcontroladores usan muy poca energía. En comparación con los sistemas que requieren una conexión directa a la red eléctrica, cargas frecuentes o el reemplazo de la batería, un microcontrolador puede ejecutar un modelo de reconocimiento de imagen de forma continua durante un año con una sola batería.

Además, dado que la mayoría de los sistemas integrados no están conectados a Internet, estos sistemas integrados inteligentes pueden implementarse esencialmente en cualquier lugar. Al permitir la toma de decisiones sin una conectividad continua a Internet, la capacidad de implementar modelos de Deep Learning en sistemas integrados crea una oportunidad para productos completamente nuevos.
 

Primeras aplicaciones de TinyML

Es fácil hablar de aplicaciones en abstracto, pero si se reduce el enfoque a aplicaciones específicas que probablemente estarán disponibles en los próximos años y que impactarían en la forma en que trabajamos o vivimos, se pueden citar las siguientes:

- Movilidad: si se aplica TinyML a sensores que ingieren datos de tráfico en tiempo real, se puede usar para encaminar el tráfico de manera más efectiva y reducir los tiempos de respuesta para vehículos de emergencia. Empresas como Swim.AI usan TinyML en la transmisión de datos para mejorar la seguridad de los pasajeros y reducir la congestión y las emisiones a través de un encaminamiento eficiente.

- Fábrica inteligente: en el sector de fabricación, TinyML puede detener el tiempo de inactividad debido a fallas en el equipo al permitir la decisión en tiempo real. Puede alertar a los trabajadores para que realicen un mantenimiento preventivo cuando sea necesario, según las condiciones del equipo.

- Venta minorista: al monitorizar los estantes en la tienda y enviar alertas inmediatas a medida que disminuyen las cantidades de artículos, TinyML puede evitar que los artículos se agoten.

- Agricultura: los agricultores corren el riesgo de sufrir graves pérdidas de ganancias por enfermedades animales. Los datos de los dispositivos portables para ganado que monitorizan los elementos vitales para la salud, como la frecuencia cardíaca, la presión arterial, la temperatura, etc., pueden ayudar a predecir el ataque de enfermedades y epidemias.

En resumen, TinyML es una gran oportunidad que recién comienza a surgir, y se espera ver bastante movimiento en este espacio durante el próximo año o dos.