Cuando se habla de incorporar AI a una explotación ganadera, es habitual imaginar primero que los valores de los sensores se envían a la nube y que un gran modelo muestra los resultados de su análisis en un panel. En sentido opuesto, Edge AI se interpreta fácilmente como una arquitectura en la que un dispositivo local se encarga de todo sin internet. Ninguna de las dos imágenes es exacta. La esencia de Edge AI no está en el tamaño del modelo ni en la ubicación del dispositivo, sino en qué decisión debe mantenerse, en cuánto tiempo y bajo qué estado de conexión.

En la monitorización de metano no es necesario trasladar todos los cálculos al edge. Para calcular líneas de base a largo plazo, comparar explotaciones, volver a entrenar modelos y generar informes, la nube ofrece la ventaja de reunir datos de varios periodos y explotaciones. Sin embargo, acontecimientos que deben diferenciarse en cuestión de segundos o minutos —como un aumento brusco de concentración tras un cambio de ventilación, un valor inmóvil del sensor, una anomalía de la bomba o un retraso de transmisión— pueden llegar demasiado tarde si se espera una comunicación de ida y vuelta. Edge AI es la capa operativa que cubre esa diferencia temporal.

Primer malentendido que debe corregirse: analizar rápido no equivale a determinar con exactitud una reducción

Que un dispositivo edge detecte una anomalía en tiempo real no significa que la reducción de metano quede determinada de inmediato. Detectar rápidamente un pico de concentración y calcular las emisiones de toda una explotación son problemas distintos. Para lo segundo se necesitan el caudal de aire, la representatividad del lugar de medición, el número de animales, los límites del periodo, el tratamiento de datos ausentes, la línea de base y la comparación de las condiciones posteriores a la aplicación. Una señal de «descenso» generada en el edge es una señal operativa para iniciar una revisión, no un desempeño de carbono verificado por sí mismo.

Otro malentendido es pensar que la AI sustituye todas las reglas. Los valores fuera del rango del sensor, los valores idénticos durante mucho tiempo, la inversión temporal y la baja tensión de la batería se detectan más fácilmente y se prueban mejor con reglas claras. Resulta apropiado utilizar la AI como apoyo para encontrar anomalías complejas en las que se solapan ventilación, temperatura, humedad y patrones diarios, o relaciones multivariantes distintas de las habituales. Separar reglas, estadística y modelos también facilita rastrear la causa de los falsos positivos.

Cuatro momentos en los que se necesita Edge AI

El primero es cuando el tiempo de respuesta cambia el resultado operativo. La monitorización de metano puede tener una finalidad distinta de la alarma de gases para seguridad, pero si el mismo dispositivo o red se vincula al estado de la ventilación y a anomalías de los equipos, el retraso aumenta el riesgo operativo. Si una alerta local debe emitirse en menos de 5 segundos, el diseño debe basarse en el peor retraso y en la desconexión, no en el tiempo medio de respuesta de la nube. Si se incluye una función de seguridad, deben tener prioridad una capa de seguridad independiente y los criterios del fabricante, sin depender de una sola decisión de AI.

El segundo es cuando la evaluación de la calidad de los datos debe continuar aunque se pierda la conexión. Las redes rurales, las estructuras de los establos, las zonas sin cobertura móvil y los reinicios del router pueden causar cortes incluso durante la operación normal. El edge puede guardar los datos originales localmente y en orden, marcar ausencias, duplicados e incoherencias horarias y retransmitirlos cuando se recupere la conexión. Si los datos del periodo desconectado se comprimen en una única media, después no podrán revisarse los picos ni el estado de los equipos; por eso deben conservarse conjuntamente los datos originales y los indicadores de calidad.

El tercero es cuando el volumen y el coste de transmisión obstaculizan la decisión. Si cientos de sensores envían valores cada segundo, el coste de transmitir continuamente todos los datos originales aumenta. En el edge pueden realizarse agregaciones sencillas, compresión y eliminación de duplicados, resumir los periodos normales y conservar los periodos anómalos con mayor resolución. No obstante, una compresión irreversible que impida saber qué se descartó perjudica la verificabilidad. Deben establecerse de antemano el periodo de conservación y las reglas de resumen, y proteger mediante una política separada los datos originales mínimos utilizados en las afirmaciones sobre carbono.

El cuarto es cuando debe minimizarse el envío externo de información operativa sensible. Los valores de los sensores pueden contener información que permita inferir las horas de funcionamiento, la alimentación, la ventilación y los patrones de trabajo de la explotación. Calcular localmente y enviar solo las características necesarias puede reducir el alcance de la exposición. Sin embargo, el procesamiento edge no resuelve automáticamente los problemas de datos personales ni de secretos empresariales. Deben controlarse por separado el acceso a los datos originales, las entradas de los modelos, los registros y las cuentas de asistencia remota.

Escenario de campo: cómo interpretar una alerta de aumento de metano

Supongamos que un establo recoge cada 10 segundos la concentración de metano, la temperatura, la humedad y el estado de los ventiladores. El metano aumenta tras la alimentación matinal y, al mismo tiempo, deja de recibirse la señal de funcionamiento de los ventiladores. La nube no recibe los valores de los últimos 8 minutos debido a un problema de conexión. El dispositivo edge debe realizar tres tareas.

Primero, registra localmente los datos originales del sensor, la hora del dispositivo y la hora de recepción. Después, genera «aumento de metano» y «estado del ventilador no recibido» como acontecimientos separados. Por último, compara con los patrones existentes para elevar la prioridad de la comprobación local, sin determinar la causa. Puede que el ventilador se haya detenido, que solo se haya perdido su comunicación, que la entrada del sensor esté contaminada o que se trate de un cambio real posterior a la alimentación.

Cuando vuelve internet, se cargan conjuntamente los datos originales, los acontecimientos, la versión del modelo, la versión de las reglas y el estado del dispositivo. La nube reevalúa el acontecimiento comparando un periodo más largo y otros lugares de sensores. Cuando el operador añade el resultado de la inspección del ventilador y el registro de alimentación, el estado final se determina como «cambio ambiental real», «anomalía del sensor», «anomalía de comunicación» o «decisión aplazada». En este flujo, el valor de Edge AI no consiste en dar por sí sola la respuesta correcta, sino en capturar la evidencia antes de que desaparezca y acotar los acontecimientos que una persona debe revisar primero.

Criterios de diseño: qué decidir antes que la exactitud del modelo

El primer criterio es el presupuesto de latencia de decisión. Se reparte el tiempo admisible entre cada etapa: recogida del sensor, preprocesamiento, inferencia, alerta y confirmación del trabajador. Se prueban no solo los retrasos medios, sino también las peores condiciones cuando la carga del dispositivo es alta o la comunicación se interrumpe. Los cálculos que no necesitan inmediatez permanecen en la nube para reducir la complejidad del dispositivo edge.

El segundo es el comportamiento ante fallos. Si el archivo del modelo se daña o faltan recursos, la recogida de datos no debe detenerse también. Se aíslan y priorizan entre sí la recogida, el almacenamiento local, la monitorización mínima basada en reglas y la inferencia de AI. Si falla la AI, no se clasifica el estado como «normal», sino que se indica expresamente «modelo no disponible». Si se llena el disco, los datos antiguos no se eliminan indiscriminadamente, sino que se gestionan según los niveles de conservación y los umbrales de alerta.

El tercero es el linaje y la reproducibilidad del modelo. Debe quedar registrado qué modelo, umbral y código de cálculo de características produjo cada decisión y a qué hora. Como los resultados pueden cambiar antes y después de actualizar el modelo, se registran la versión, el hash, la persona que aprobó, la hora de despliegue y la posibilidad de reversión. También se distinguen los resultados obtenidos al volver a analizar datos originales históricos con el modelo nuevo de los resultados que se generaron localmente en aquel momento.

El cuarto es la seguridad y la capacidad de mantenimiento. Los criterios del NIST para dispositivos IoT señalan como capacidades esenciales la identificación del dispositivo, su configuración, la protección de datos, el control de acceso a las interfaces, la actualización segura del software y la percepción del estado de ciberseguridad. Un dispositivo edge es un pequeño servidor, por lo que necesita credenciales únicas, actualizaciones firmadas, privilegios mínimos, registros protegidos y un plazo de respuesta a vulnerabilidades. El usuario debe poder detectar el fallo de una actualización y volver de forma segura a la versión anterior.

El quinto es la conservación de la representatividad de campo. Aunque la AI estime datos ausentes o elimine ruido, deben conservarse los datos originales y el historial de transformaciones. Si el modelo rellena periodos de baja calidad con valores plausibles, el informe queda más uniforme, pero la evidencia se debilita. La pantalla de resultados debe mostrar no solo los valores, sino también la cobertura de datos, el estado de los sensores, si hay estimaciones y la incertidumbre.

Lista de comprobación para la implantación

  • ¿En cuántos segundos o minutos debe obtenerse esta decisión y qué cambia si se retrasa?

  • ¿Se han separado las funciones que deben mantenerse durante una desconexión de internet entre recogida, almacenamiento, alertas y control?

  • ¿Se han separado las responsabilidades y los modos de fallo de las funciones de seguridad y de monitorización de carbono?

  • ¿Se han distinguido las anomalías que pueden resolverse con reglas de las anomalías complejas que necesitan AI?

  • ¿Se almacenan los datos originales, los valores agregados, los valores estimados y las decisiones de AI en campos y estados distintos?

  • ¿Se registran conjuntamente la hora del dispositivo y la de recepción, las versiones del modelo y las reglas y los indicadores de calidad?

  • ¿Se han probado realmente la falta de espacio de almacenamiento, el corte de alimentación, el fallo del modelo y el fallo de actualización?

  • ¿Al reconectar se pueden transmitir los datos en orden y sin duplicados e identificar los periodos ausentes?

  • ¿Puede el operador local corregir una decisión de AI y registrar el fundamento?

  • ¿Se consideran KPI operativos no solo el rendimiento del modelo, sino también la carga de falsos positivos, la tasa de conservación de datos y el tiempo de recuperación?

Conclusión: Edge AI consiste en diseñar los límites de responsabilidad de las decisiones locales

El momento en que se necesita Edge AI no es «cuando se quiere instalar AI en el dispositivo más moderno». Es cuando no se puede esperar a la red, cuando los datos perdidos no pueden recuperarse después y cuando perder el contexto local provoca una actuación equivocada. Incluso entonces, el edge no determina por sí mismo la reducción. El edge protege la recogida y la decisión inicial (1ª), la nube se encarga de la comparación a largo plazo y el análisis integrado, y las personas confirman la causa mediante los registros de campo.

Una buena arquitectura no es aquella en la que una capa es inteligente, sino aquella en la que el fallo de una capa no destruye toda la evidencia. Primero deben definirse los requisitos de latencia, desconexión, conservación, seguridad y revisión, y después desplegar solo la AI necesaria. Así, Edge AI se convierte en una base fiable para operar los datos de metano, no en una función llamativa.

La decisión de implantarla debe basarse en pruebas de desconexión, tasa de recuperación, carga de falsos positivos y resultados de conservación de evidencias, y no en la velocidad de una demostración.

Fuentes