- ES Español (Latinoamérica)

- EN English

3.60. AI362 Inteligencia Artificial para edge computing (Electivo)
- Créditos: 3
- Horas del curso: Teoría: 2 horas; Laboratorio: 4 horas;
- Sílabo:


Español (Latinoamérica)

English - Prerrequisitos:
- AI264 Aprendizaje Profundo (7mo Sem)
- ES Español (Latinoamérica)

- EN English

3.60.1. Justificación Volver arriba


Este curso aborda el despliegue de modelos de IA en dispositivos edge (IoT, móviles, embedded), cubriendo técnicas de optimización, frameworks especializados y consideraciones de privacidad/seguridad en sistemas distribuidos.
- ES Español (Latinoamérica)

- EN English

3.60.2. Objetivos Generales Volver arriba


- Implementar modelos de IA optimizados para hardware edge
- Diseñar pipelines de inferencia distribuida
- Evaluar compensaciones entre precisión, latencia y consumo energético
- ES Español (Latinoamérica)

- EN English

3.60.3. Contribución a los resultados (Outcomes) Volver arriba


- AG-C02) Ética: Aplica principios éticos y se compromete con la ética profesional y las normas de la práctica profesional de la computación. (Usage)
- AG-C09) Diseño y Desarrollo de Soluciones: Diseña, implementa y evalúa soluciones para problemas complejos de computación. (Assessment)
- AG-C12) Aplica la teoría de la ciencia de la computación y los fundamentos de desarrollo de software para producir soluciones basadas en computadora. (Assessment)
- ES Español (Latinoamérica)

- EN English

3.60.4. Contenido Volver arriba


- ES Español (Latinoamérica)

- EN English

3.60.4.1. Fundamentos de Edge AI (12 horas) [Habilidades AG-C09] Volver arriba


Referencias Bibliográficas: (Han and Lin, 2022)
Temas
- Arquitecturas hardware para edge computing
- Taxonomía de modelos edge-friendly (MobileNets, TinyML)
- Frameworks de despliegue (TensorFlow Lite, ONNX Runtime)
Aprendizaje esperado (Learning Outcomes)
- Seleccionar modelos adecuados para restricciones hardware [Evaluar]
- Perfilar consumo energético en dispositivos reales [Usar]
- ES Español (Latinoamérica)

- EN English

3.60.4.2. Técnicas de Optimización (24 horas) [Habilidades AG-C09] Volver arriba


Referencias Bibliográficas: (Howard et al., 2017; Saraph and Warden, 2021)
Temas
- Cuantización y pruning
- Knowledge distillation
- Compilación especializada (TVM, Apache MXNet)
Aprendizaje esperado (Learning Outcomes)
- Reducir modelos para microcontroladores [Evaluar]
- Implementar pipelines híbridos (edge+cloud) [Usar]
- ES Español (Latinoamérica)

- EN English

3.60.4.3. Seguridad y Privacidad (8 horas) [Habilidades AG-C09] Volver arriba


Referencias Bibliográficas: (Han and Lin, 2022)
Temas
- Federated learning en edge
- Homomorphic encryption
- Ataques a modelos edge (adversarial examples)
Aprendizaje esperado (Learning Outcomes)
- Analizar vulnerabilidades en sistemas edge [Familiarizarse]
- Implementar defensas básicas [Usar]
- ES Español (Latinoamérica)

- EN English

3.60.5. Referencias Bibliográficas Volver arriba


Han, S. and Lin, Y. (2022). Edge AI: Systems Design for Embedded Machine Learning. Springer.
Howard, A., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv:1704.04861.
Saraph, V. and Warden, P. (2021). Tinyml: Enabling always-on ml on the edge. In ACM HotNets.