EDGE-AI EN SISTEMAS EMBEBIDOS: MODELOS Y MÉTRICAS ENERGÉTICO-COMPUTACIONALES. REVISIÓN SISTEMÁTICA
Barra lateral del artículo
Contenido principal del artículo
Resumen
La Edge AI (inteligencia artificial en el borde) integra IA, computación en el borde y, en particular, computación perimetral móvil para procesar datos cerca de la fuente con baja latencia, consumo energético y mayor privacidad; responde a la necesidad de ejecutar inferencia local en dispositivos de recursos limitados (sensores, MCUs, SBC como Jetson Nano o Raspberry Pi, FPGAs y aceleradores como Edge TPU), sin depender de la nube para tiempo real. Esta revisión sistemática se centra en la co-optimización hardware-software: modelos compactos (CNNs cuantizadas y pruned, variantes ligeras tipo YOLO-lite, SNNs) y toolchains (TensorFlow Lite Micro, CMSIS-NN, TVM/microTVM) que equilibran precisión-latencia-energía minimizando la huella de RAM/Flash. Este enfoque es clave en salud, transporte, seguridad industrial y domótica. Aunque existen antecedentes, el área ha crecido con rapidez en los últimos cinco años. Se revisaron artículos entre 2020–2025 en los motores de búsqueda Google Scholar/Google Académico y Scopus; utilizándose operadores boleanos. Se incluyeron 24 artículos según modelos computacionales, Hardware Edge y métricas energéticas. La Edge-AI en sistemas embebidos ha madurado en el proceso de desarrollo, pero aún depende fuertemente de plataformas de desarrollo prototipo; así mismo, las métricas energéticas deben estandarizarse para comparar rendimiento realista entre soluciones, tomando en cuenta factores externos que las alteren.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Cómo citar
Referencias
Blanco, G. (2025). Diseño de un modelo de inferencia energéticamente eficiente de un Vision Transformer implementado en FPGA para su aplicación en sistemas embebidos. Tesis de Pregrado, Instituto Tecnológico de Costa Rica. https://repositoriotec.tec.ac.cr/bitstream/handle/2238/16382/TF10069_BIB314353_Gabriel_Eduardo_Blanco-Mora.pdf?sequence=1&isAllowed=y
Burbano, J., & Estévez, M. (2025). Implementación de arquitecturas de despliegue remoto de firmware para optimizar la operatividad de redes de sensores inalámbricos. Tesis de Pregrado, Universidad del Azuay. http://dspace.uazuay.edu.ec/handle/datos/15723
Cabrera, L., & Orozco, K. Caracterización de rendimiento computacional en plataformas embebidas para aplicaciones de Edge AI en modelos de detección de personas. Tecnología en Marcha, 38 (4), 191-201. https://doi.org/10.18845/tm.v38i4.7754
Calandín, A. (2023). Recuento de personas mediante cámaras de vídeo y ML en el Edge [Tesis de Maestría, Universitat Politècnica de València]. https://riunet.upv.es/handle/10251/199177
Cantos, A., & Loor, J. (2025). Implementación de un sistema de clasificación de banano basado en el estado de maduración. Tesis de Pregrado, Universidad Politécnica Salesiana. http://dspace.ups.edu.ec/handle/123456789/30353
de Prado, M., Rusci, M., Capotondi, A., Donze, R., Benini, L., & Pazos, N. (2021). Robustifying the Deployment of TinyML Models for Autonomous Mini-Vehicles. Sensors, 21, 1339. https://doi.org/ 10.3390/s21041339
Fanariotis, A., Orphanoudakis, T., Kotrotsios, K., Fotopoulos, V., Keramidas, G., & Karkazis, P. (2025). Power Efficient Machine Learning Models Deployment on Edge IoT Devices. Sensors, 23(3), 1595; https://doi.org/10.3390/s23031595
Flores, L., & Sandoval, J. (2025). Ciberseguridad con IA y métricas energéticas. Azcatl, 4, 32-37. doi: 10.24275/aZC2025a006
Giannakopoulos, P., van Knippenberg, B., Chandra, K., Calabretta, N., & Exarchakos, G. (2025). Key metrics for monitoring performance variability in edge computing applications. Journal on Wireless Communications and Networking, 2025 (38). https://doi.org/10.1186/s13638-025-02469-6
Haro, A. (2025). Detección de defectos en objetos en movimiento mediante redes neuronales convolucionales con optimizaciones específicas para hardware NVIDIA. Tesis de Pregrado, Universitat Politècnica de València. https://riunet.upv.es/handle/10251/198954
Heydari, S., & Mahmoud, Q. (2025). Tiny Machine Learning and On-Device Inference: A Survey of Applications, Challenges, and Future Directions. Sensors, 25(10), 3191; https://doi.org/10.3390/s25103191
Josphineleela, R., Sam, G., Ramesh, T., & Balamurugan, K. (2025). Optimized multiple object tracking with conformalized graph neural network and narwhal optimizer for embedded system IoT and mobile edge computing. Ain Shams Engineering Journal, 16, 103581. https://doi.org/10.1016/j.asej.2025.103581
Kang, M., Lee, Y., & Park, M. (2020). Energy Efficiency of Machine Learning in Embedded Systems Using Neuromorphic Hardware. Electronics, 9, 1069. doi:10.3390/electronics9071069
Karim, M., Goni, M., Nahiduzzaman, M., Ahsan, M., Haider, J., & Kowalski, M. (2024). Enhancing agriculture through real-time grape leaf disease classification via an edge device with a lightweight CNN architecture and Grad-CAM. Science Reports, 14(1), 16022. doi: 10.1038/s41598-024-66989-9
Lacalle, I. (2022). Diseño y desarrollo de una arquitectura de Internet de las Cosas de nueva generación orientada al cálculo y predicción de índices compuestos aplicada en entornos reales. [Tesis de Doctorado, Universitat Politècnica de València]. Doi: 10.4995/Thesis/10251/190634
López, D. (2025). Estudio e implementación de redes neuronales de bajo consumo sobre RISC-V para aplicaciones espaciales. Tesis de Pregrado, Universidad de Complutense de Madrid. https://hdl.handle.net/20.500.14352/124200
Page, M., McKenzie, J., Bossuyt, P., Boutron, I., Hoffmann, T., Mulrow, C., ShamseerI, L., Tetzlaff, J., Akl, E., Brennan, S., Chou, R., Glanville, J., Grimshaw, J., Hro´bjartsson, A., Lalu, M., Li, T., Loder, E., Mayo, E., McDonald, S.,… Moher, D. (2021) The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. PLOS Medicine 18(3): e1003583. https://doi.org/10.1371/journal.pmed.1003583
Perticari, J. (2025). Implementación de los modelos de redes neuronales convolucionales Yolo en un dispositivo AVNET ULTRA 96 V2 mediante VITIS-AI. Universidad Miguel Hernández de Elche. http://dspace.umh.es/bitstream/11000/36047/1/TFG-Perticari%20Ventura%2C%20Joaqu%C3%ADn.pdf
Pozo, D., Monge, C., & Recalde, P. (2025). Optimización de modelos de lenguaje grande: Una aproximación con Quantization, ONNX y Pruning para aplicaciones en tiempo real. Revista Ingeniería e Innovación del Futuro, 4(2), 130–146. https://doi.org/10.62465/riif.v4n2.2025.177
Puerta, G. (2025). Rendimiento y costo de modelos de aprendizaje automático para la detección de crisis epilépticas en una plataforma adaptativa de salud electrónica basada en IoT sobre nodos Edge y Fog. Revista Colombiana de Computación, 26(1). https://doi.org/10.29375/25392115.5480
Ramírez, M. (2025). Prototipo de órtesis con estimulación muscular controlado por comandos de voz. Tesis de Maestría, Instituto Tecnológico de Chilpancingo. https://rinacional.tecnm.mx/bitstream/TecNM/10923/1/TESIS%20MARIA%20ISABEL.pdf
Romero, L. (2025). Ejecución de Algoritmos de Inteligencia Artificial en Sistemas de Tiempo Real.Tesis de Maestría, Universitat Politècnica de Catalunya. https://upcommons.upc.edu/server/api/core/bitstreams/c8652cd2-6aad-4375-a907-0cf3cf63eb37/content
Saha, S., Sandha, S., & Srivastava, M. (2022). Machine Learning for Microcontroller-Class Hardware: A Review. Institute of Electrical and Electronics Engineers Sensors Journal, 22(22):21362-21390. doi: 10.1109/jsen.2022.3210773.
Sánchez, J. (2024). Comparativas de plataformas software para TinyML Tesis de Maestría, Universitat Politècnica de València. https://riunet.upv.es/server/api/core/bitstreams/cbac7ab1-a167-48bb-8467-a7b9c8287701/content
Senoo, E., Anggraini, L., Kumi, J., Karolina, L, Akansah, E., Sulyman, H., Mendonça, I., & Aritsugi, M. (2024). IoT Solutions with Artificial Intelligence Technologies for Precision Agriculture: Definitions, Applications, Challenges, and Opportunities. Electronics, 13, 1894. https://doi.org/10.3390/ electronics13101894
Shakeel, M., Sharatchandra, B., Javed, A., Harkin, J., & Finlay, D. (2025). Toward TinyDPFL systems for real-time cardiac healthcare: Trends, challenges, and system-level perspectives on AI algorithms, hardware, and edge intelligence. Journal of Systems Architecture, 168, 103587. https://doi.org/10.1016/j.sysarc.2025.103587
Varghese, B., Wang, N., Bermbach, D., Hong, C., De Lara, E., Shi, W., & Stewart, C. (2021). A Survey on Edge Performance Benchmarking. ACM Computing Surveys, 54(3), 1-33. https://doi.org/10.1145/3444692
Vasilev, V., Shterev, V., & Nenova, M. (2025). Optimizing Activation Function for Parameter Reduction in CNNs on CIFAR-10 and CINIC-10. Applied Sciences, 15, 4292. https:// doi.org/10.3390/app15084292
Villota, J. (2025). Diseño e implementación de solución de Deep Learning sobre un sistema embebido, para la selección automática de mango “Tommy Atkins”. Tesis de Maestría, Escuela Colombiana de Ingeniería. https://repositorio.escuelaing.edu.co/bitstreams/14018709-5511-4932-8f6e-49d0e427f8f0/download
Wang, T., Guo, J., Zhang, B., Yang, G., & Li, D. (2025). Deploying AI on Edge: Advancement and Challenges in Edge Intelligence. Mathematics, 13, 1878. https://doi.org/10.3390/ math13111878
Xu, D., Li, T., Li, Y., Su, X., Tarkoma, S., Jiang, T., Crowcroft, J., & Hui, P. (2021). Edge Intelligence: Empowering Intelligence to the Edge of Network. Proceedings of the IEEE, 109, (11), 1778-1837. DOI: 10.1109/JPROC.2021.3119950
Yan, Z., Zhang, B., & Wang, D. (2024). An FPGA-Based YOLOv5 Accelerator for Real-Time Industrial Vision Applications. Micromachines, 15, 1164. https://doi.org/10.3390/ mi15091164