La inteligencia artificial sin nube ya no es solo una promesa: una tesis doctoral de la Universidad de Málaga ha logrado ejecutar modelos complejos de IA directamente en dispositivos de bajo consumo, sin enviar los datos a servidores externos. El trabajo, desarrollado por Paula Ruiz Barroso en el grupo Scalable AI Computing (SAIC), del Instituto de Investigación en Ingeniería Mecatrónica y Sistemas Ciberfísicos (IMECH.UMA), abre la puerta a una IA más privada y con menor gasto energético.
La IA que funciona sin nube: qué ha logrado la tesis de Málaga
La IA sin nube permite ejecutarmodelos de lenguaje o de imagen directamente en el ordenador, el móvil o el portátil, sin enviar datos a servidores externos. Eso es lo que ha conseguido la Universidad de Málaga: trasladar modelos de aprendizaje profundo (Deep Learning) a ordenadores, móviles, portátiles o dispositivos embebidos.
El equipo del SAIC ha diseñado un marco metodológico integral de co-diseño hardware-algoritmo. La estrategia combina la compresión de los modelos de IA con la optimización de su ejecución sobre arquitecturas informáticas heterogéneas, para lograr la máxima precisión con un consumo mínimo de energía y de tiempo de respuesta.
La metodología integra paradigmas de aprendizaje eficientes —no supervisado y autosupervisado—, que permiten que el sistema aprenda a detectar patrones por sí mismo sin que humanos etiqueten millones de datos previamente, junto con técnicas de compresión como la cuantización, la poda neuronal (pruning) y la destilación de conocimiento, y estrategias de ejecución concurrente que aprovechan cada núcleo del dispositivo embebido.
Privacidad y energía: por qué importa procesar en el propio dispositivo
Al procesar en el propio dispositivo, la información no sale de él: los datos personales no viajan a grandes infraestructuras de servidores en la nube, lo que protege la privacidad y reduce el gasto energético asociado a la IA.
El modelo centralizado de la nube, según la universidad, no solo genera elevados costes económicos y un gran consumo energético, sino que acarrea riesgos inherentes a la privacidad de los datos personales.
El obstáculo: memoria y potencia en dispositivos pequeños
Llevar la IA a equipos portátiles tropieza con las estrictas limitaciones de memoria y capacidad de procesamiento de estos dispositivos.
La principal aportación del trabajo es 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.
Los resultados demuestran, según la UMA, que la optimización aislada de software o hardware es insuficiente para llevar la IA al entorno cotidiano: hay que abordar ambas dimensiones de forma conjunta.
Cuatro años de trabajo y cuatro publicaciones de primer nivel
El avance es el fruto de cuatro años de trabajo predoctoral de Paula Ruiz Barroso, bajo la dirección de los doctores Nicolás Guil Mata y Francisco Castro Payán, en el programa de Ingeniería Mecatrónica de la UMA. La tesis obtuvo la máxima calificación académica, sobresaliente cum laude.
La investigación se ha traducido en cuatro publicaciones en revistas de primer nivel (Q1) y ha propiciado la colaboración con centros europeos de referencia como la École Polytechnique Fédérale de Lausanne (EPFL), en Suiza, donde Ruiz Barroso realizó una estancia de investigación.
Qué aplicaciones abre: visión, biometría y diagnóstico médico
La metodología ha sido validada experimentalmente en tres campos de alta exigencia técnica. En visión por computador en vídeo, se ha desarrollado un sistema capaz de descubrir, clasificar y rastrear objetos estáticos y en movimiento en tiempo real, sin que las imágenes hayan sido etiquetadas manualmente. En reconocimiento biométrico por el modo de andar (Gait Recognition), se han adaptado arquitecturas complejas en modelos optimizados para identificar a múltiples personas en tiempo real según su forma de caminar, manteniendo la precisión con un consumo mínimo de tiempo y de batería. Y en detección precoz de patologías cardíacas en wearables, se han implementado 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.
Se trata de una investigación doctoral validada experimentalmente, no de un producto comercial ni de una herramienta clínica ya disponible: la universidad no anuncia ninguna fecha de implantación.
Fuentes
Universidad de Málaga — «IA sin nube: La UMA diseña un método para ejecutar modelos complejos en dispositivos de bajo consumo»: https://www.uma.es/sala-de-prensa/noticias/ia-sin-nube-la-uma-disena-un-metodo-para-ejecutar-modelos-complejos-en-dispositivos-de-bajo-consumo/
El trabajo ha sido difundido por la Fundación Descubre.





Comentarios
Todavía no hay comentarios aprobados. Sé la primera persona en comentar esta noticia.