Optimizar el despliegue de la IA en los nodos periféricos con Barbara

Liberar todo el potencial de la IA en la industria requiere desplegar modelos de aprendizaje automático en el borde, donde se generan los datos. Barbara lo hace posible, ofreciendo un despliegue eficaz, escalabilidad y un procesamiento de datos fiable.

Aprovechar los MLOps para un despliegue eficiente de la IA

Las capacidades de gestión de MLOps de Barbara permiten a los usuarios:

1. Carga modelos entrenados: Integra sin problemas modelos entrenados en la plataforma, soportando una variedad de formatos, incluyendo TensorFlow SavedModel, PyTorch TorchScript y ONNX.‍

2. Desplegar modelos en nodos de borde: Con un solo clic, puedes desplegar modelos en uno o varios nodos de borde.

3. Elige el motor servidor adecuado: Puedes elegir entre el motor servidor TFX de TensorFlow y el servidor de inferencia Triton de NVIDIA para servir los modelos desplegados en el nodo.

4. Aprovecha la potencia de la GPU: Utiliza las capacidades de la GPU de los dispositivos de borde para acelerar la inferencia del modelo y mejorar el rendimiento en tiempo real.

‍

Potenciar la IA en la periferia

Las capacidades MLOps de Barbara eliminan los retos de desplegar y gestionar la IA en la periferia, permitiendo a las organizaciones liberar todo el potencial de sus modelos. Al simplificar el proceso de despliegue y ofrecer opciones de servicio flexibles, Barbara ayuda a las operaciones industriales a mantenerse ágiles, eficientes y a la vanguardia.

‍

Comprender el caso de uso: Servir ResNet18 en un nodo de borde

El modelo ResNet18, una popular red neuronal convolucional (CNN), está diseñado específicamente para tareas de clasificación de imágenes. Destaca en el reconocimiento de objetos como animales, equipos o componentes en imágenes, lo que la hace muy valiosa en sectores como la fabricación, la sanidad y la logística. El despliegue de ResNet18 en un dispositivo periférico permite una inferencia más rápida y minimiza la dependencia de la conectividad en la nube.

Utilizando la Plataforma Barbara Edge AI, el proceso de despliegue se divide en 3 pasos clave:

1. Sube el Modelo a la Biblioteca del Panel: Guarda el modelo ResNet18 en formato Torcscript y cárgalo en la biblioteca del Panel.
2. Despliégalo en el Nodo Edge: Carga y configura el modelo para la inferencia en tiempo real utilizando el Servidor de Inferencia Triton de NVidia.
3. ‍Ejecutarsolicitudes de inferencia: Envía datos de imagen al nodo de borde y recupera predicciones de clasificación utilizando la conexión VPN disponible en el Panel Barbara.

Paso 1: Subir el Modelo PyTorch a la Biblioteca del Panel

Antes de desplegar el modelo, hay que cargarlo en la biblioteca del Panel en un formato de modelo compatible. Recuerda que las opciones son

• Modelo guardado (Tensorflow/Keras)
• Torchscript (Pytorch)
• ONNX

‍

En este caso utilizaremos el framework Pytorch para descargar el modelo preentrenado de Resnet18 y guardarlo localmente en formato Torchscript. El siguiente script demuestra cómo descargar el modelo ResNet18, convertirlo al formato TorchScript y guardarlo como resnet18_traced.pt.

‍

‍

Una vez que tengamos el archivo resnet18_traced.pt, sólo tenemos que comprimirlo en un archivo zip y subirlo a la biblioteca de nuestro Panel.

‍

‍

TorchScript garantiza la compatibilidad con NVIDIA Triton, el motor de servicio de modelos de Barbara, por lo que utilizaremos ese servidor de inferencia en nuestro Nodo Edge.

Después de subir nuestro modelo, estará disponible en nuestra Lilbrary, listo para ser desplegado en cualquier Nodo Edge.

‍

‍

Aprende a cargar tu modelo directamente desde Jupyter Notebook en el siguiente vídeo "Habla con el experto".

‍

‍

‍

Paso 2: Desplegar nuestro modelo en un Nodo Edge

1. Selecciona el nodo de arista objetivo y entra en su vista Detalles del nodo.

‍

2. Añade una Tarjeta de Modelo y elige el modelo ResNet18 cargado. Selecciona si tu modelo debe ejecutarse en la GPU del Nodo Edge.

‍

‍

3. Entonces, tu modelo se enviará a tu Nodo de Borde y empezará a servirse utilizando el Servidor de Inferencia NVidia Triton. Aparecerá una nueva tarjeta "modelo" en la vista "Detalles del Nodo" de tu nodo de destino. Comprueba que los puntos finales de inferencia del servidor aparecen en la sección "URL REST de inferencia" de la tarjeta.
   

‍

‍Paso3: Ejecutar una Inferencia remota en el Nodo de Borde

La inferencia implica enviar una imagen al modelo a través de la API REST y recibir los resultados de la clasificación. ‍Utilizaremosun Jupyter Note book para realizar la solicitud de inferencia a nuestro nodo. Este Jupyter Notebook hará varias cosas:

1. Preprocesa la imagen para adaptarla al formato de entrada del modelo Resnet18.
2. Envía los datos de la imagen a la URL REST de Inferencia del Nodo Edge.
3. Recibe la respuesta y obtén la etiqueta de la predicción.

‍

‍

‍‍Porúltimo, se interpretan los resultados obtenidos del modelo y éstos son los resultados:

‍

‍Ventajasde desplegar tus modelos de IA con Barbara

‍1. Despliegue y gestión simplificados:

• Céntrate en la formación y optimización del modelo: Centra tus esfuerzos en la formación y optimización del modelo, no en el proceso de despliegue del borde.
• Control centralizado: Gestiona y despliega modelos de IA en un gran número de dispositivos de borde desde una única plataforma centralizada.  
• Despliegue automatizado: Automatiza el proceso de despliegue, reduciendo el esfuerzo manual y los posibles errores.
• Supervisión y gestión remotas: Supervisa a distancia el estado y el rendimiento de los modelos desplegados, lo que permite un mantenimiento proactivo y la resolución de problemas.  

2. Rendimiento y escalabilidad mejorados:

• Latencia reducida: Procesa los datos localmente en los dispositivos de borde, minimizando la latencia y permitiendo la toma de decisiones en tiempo real.  
• Escalabilidad mejorada: Escala fácilmente los despliegues de IA añadiendo o eliminando dispositivos de borde según sea necesario.
• Utilización optimizada de los recursos: Asigna eficientemente los recursos informáticos a las cargas de trabajo de IA, maximizando la utilización del hardware.  

3. Mejora de la seguridad y la privacidad:

• Privacidad de los datos: Procesa los datos sensibles localmente, reduciendo el riesgo de filtraciones de datos y violaciones de la privacidad.  
• Comunicación segura: Implementa protocolos de comunicación seguros para proteger la transmisión de datos entre los dispositivos de borde y la plataforma central.  
• Seguridad mejorada: Benefíciate de las funciones de seguridad integradas en Barbara para salvaguardar el entorno de implantación.  

4. Mayor flexibilidad y agilidad:

• Despliegue rápido de modelos: Despliega y actualiza rápidamente modelos de IA en un gran número de dispositivos de borde.  
• Adaptabilidad a las condiciones cambiantes: Ajusta dinámicamente las configuraciones y parámetros del modelo para responder a las condiciones cambiantes.
• Compatibilidad con hardware y software diversos: Acomoda una variedad de dispositivos de borde y marcos de IA.

‍

Conclusión

Implantar modelos de IA como ResNet18 en dispositivos periféricos es sencillo y eficaz con la Herramienta de Orquestación Periférica de Barbara. Combinando la potencia de PyTorch, NVIDIA Triton y la plataforma de Barbara, las organizaciones pueden desbloquear capacidades de IA en tiempo real en el perímetro. 

‍¿Preparadopara llevar tus modelos de IA al límite? ¡Empieza a explorar Barbara hoy mismo! ¡Reserva una demostración!

‍

‍

‍

‍

‍