Seguimos entusiasmados con la t¨¦cnica TinyML y la posibilidad de crear modelos de aprendizaje autom¨¢tico (ML, machine learning) dise?ados para ejecutarse en dispositivos m¨®viles y de baja potencia. Hasta hace poco, la ejecuci¨®n de un modelo de ML se ha considerado computacionalmente costosa y en algunos casos, requer¨ªa hardware espec¨ªfico. Si bien la creaci¨®n de los modelos todav¨ªa se encuadra generalmente en esta clasificaci¨®n, ahora pueden crearse dichos modelos de forma que se puedan ejecutar en dispositivos peque?os, 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 c¨®mputo o de red, entonces vale la pena evaluar esta t¨¦cnica.
Hasta hace poco, la ejecuci¨®n de un modelo de machine-learning (ML) se consideraba costosa desde el punto de vista computacional y, en algunos casos, requer¨ªa un hardware de prop¨®sito especial. Si bien la creaci¨®n de los modelos todav¨ªa entra dentro de esta clasificaci¨®n, es posible crearlos de forma que puedan ejecutarse en dispositivos peque?os, de bajo coste y bajo consumo de energ¨ªa. Esta t¨¦cnica, denominada , ha abierto la posibilidad de ejecutar modelos de ML en situaciones que muchos podr¨ªan considerar inviables. Por ejemplo, en dispositivos que funcionan con bater¨ªas 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 cre¨ªdo que no era realista debido a las limitaciones inform¨¢ticas o de red, merece la pena evaluar esta t¨¦cnica.
