En marzo de 2024, informamos sobre la startup británica de inteligencia artificial, Literal Labs, que está trabajando para hacer obsoleto el entrenamiento basado en GPU con su máquina de aprendizaje Tseltin. Este modelo utiliza un aprendizaje basado en lógica para clasificar datos. Funciona a través de autómatas de Tsetlin, que establecen conexiones lógicas entre las características de los datos de entrada y las reglas de clasificación. Según si las decisiones son correctas o incorrectas, la máquina ajusta estas conexiones utilizando recompensas o penalizaciones.
Desarrollado por el matemático soviético Mikhail Tsetlin en la década de 1960, este enfoque se diferencia de las redes neuronales al centrarse en el aprendizaje automático, en lugar de modelar neuronas biológicas, para realizar tareas como la clasificación y el reconocimiento de patrones.
Diseño eficiente en energía
Ahora, Literal Labs, respaldada por Arm, ha desarrollado un modelo utilizando máquinas de Tsetlin que, a pesar de su tamaño compacto de solo 7.29KB, ofrece alta precisión y mejora drásticamente las tareas de detección de anomalías para implementaciones de IA en el borde y en el Internet de las Cosas (IoT). El modelo fue evaluado por Literal Labs utilizando el conjunto de pruebas MLPerf Inference: Tiny y se probó en una placa de desarrollo NUCLEO-H7A3ZI-Q de $30, que cuenta con un procesador ARM Cortex-M7 de 280MHz y no incluye un acelerador de IA. Los resultados muestran que el modelo de Literal Labs logra velocidades de inferencia 54 veces más rápidas que las redes neuronales tradicionales, consumiendo 52 veces menos energía.
En comparación con los modelos de mejor rendimiento en la industria, el modelo de Literal Labs demuestra mejoras en la latencia y un diseño eficiente en energía, lo que lo hace adecuado para dispositivos de bajo consumo como sensores. Su rendimiento lo hace viable para aplicaciones en IoT industrial, mantenimiento predictivo y diagnósticos de salud, donde detectar anomalías de manera rápida y precisa es crucial.
El uso de un modelo tan compacto y de bajo consumo podría ayudar a escalar la implementación de IA en varios sectores, reduciendo costos y aumentando la accesibilidad a la tecnología de IA. Literal Labs afirma que “los modelos más pequeños son particularmente ventajosos en tales implementaciones, ya que requieren menos memoria y potencia de procesamiento, lo que les permite funcionar en hardware más asequible y de especificaciones más bajas. Esto no solo reduce costos, sino que también amplía el rango de dispositivos capaces de soportar funcionalidades avanzadas de IA, haciendo factible implementar soluciones de IA a gran escala en entornos con recursos limitados”.
