La implementación de modelos de aprendizaje automático (ML) en dispositivos de borde se está convirtiendo en una necesidad crucial para diversas industrias. Con el uso de las plataformas Amazon SageMaker AI y SiMa.ai’s Palette Edgematic, las organizaciones ahora pueden construir, entrenar y desplegar modelos de ML optimizados de manera más eficiente. Esta tecnología se integra perfectamente con el hardware MLSoC (Machine Learning System on Chip) de SiMa.ai, facilitando la compatibilidad y escalabilidad en toda su gama de productos.
En entornos donde la seguridad es crítica, como almacenes y sitios de construcción, la detección de personas y equipos de protección personal en áreas restringidas se vuelve esencial para prevenir accidentes. A diferencia de la imagen reconocida en la nube, que a menudo presenta latencias problemáticas en este tipo de aplicaciones, la implementación de un modelo de detección de objetos optimizado para detectar equipos de protección personal (EPP) en dispositivos SiMa.ai permite monitorear en tiempo real y sin demora.
Recientemente, se demostró cómo reentrenar y cuantificar un modelo utilizando SageMaker AI y la suite de software Palette de SiMa.ai para detectar a personas y equipos de protección en entornos donde la visibilidad es crítica. Esta integración no solo agiliza el proceso de creación y despliegue de aplicaciones, sino que también proporciona herramientas para alertas de seguridad rápidas y precisas, lo que mejora la seguridad en el lugar de trabajo.
La arquitectura de la solución pone de manifiesto una integración sin inconvenientes entre Edgematic y SageMaker, utilizando un flujo de trabajo que minimiza la complejidad de la gestión de actualizaciones y mantenimientos en los dispositivos. Esto garantiza que las aplicaciones de inteligencia artificial operen completamente en el borde, evitando problemas de conectividad y maximizando la seguridad de los datos.
El proceso de implementación se desglosa en dos etapas principales: entrenamiento y exportación de ML, y evaluación y despliegue en el borde. Durante la primera etapa, el modelo se entrena y se valida en SageMaker AI, asegurando su idoneidad para el despliegue en los dispositivos SiMa.ai. Posteriormente, los artefactos del modelo optimizado se transfieren a Edgematic, donde se valida su rendimiento en tiempo real.
Este avance en la implementación de ML en el borde resalta no solo la eficiencia y efectividad del uso de la tecnología, sino también su capacidad para cambiar radicalmente cómo se manejan la seguridad y el cumplimiento ingenieril en entornos críticos. Con las soluciones de SiMa.ai y AWS, las empresas pueden acelerar la innovación y llevar la tecnología del aprendizaje automático al mundo real con mayor eficacia.
vía: AWS machine learning blog
