{"id":14991,"date":"2023-10-26T11:49:50","date_gmt":"2023-10-26T18:49:50","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=14991"},"modified":"2025-06-13T19:49:20","modified_gmt":"2025-06-14T02:49:20","slug":"cloud-to-edge-ai-with-a-mobile-database-platform","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/es\/cloud-to-edge-ai-with-a-mobile-database-platform\/","title":{"rendered":"Cloud to Edge AI con una plataforma de base de datos m\u00f3vil"},"content":{"rendered":"

Computaci\u00f3n de borde<\/a>\u00a0es una arquitectura t\u00e9cnica que ampl\u00eda el procesamiento de datos de la nube al per\u00edmetro, acerc\u00e1ndolo al punto de interacci\u00f3n, incluidos los dispositivos m\u00f3viles. Desde el punto de vista de la base de datos, una arquitectura t\u00edpica incluye una base de datos en la nube, una base de datos en el per\u00edmetro en un centro de datos perif\u00e9rico y bases de datos integradas que se ejecutan dentro de aplicaciones en dispositivos perif\u00e9ricos como tel\u00e9fonos y tabletas, todo ello vinculado mediante la sincronizaci\u00f3n de datos para garantizar la coherencia. Las modernas plataformas de bases de datos m\u00f3viles combinan todas estas capacidades.<\/p>\n

\"AI<\/a>

Una arquitectura t\u00edpica de computaci\u00f3n de borde<\/p><\/div>\n

Esta arquitectura ofrece cuatro ventajas distintas para las aplicaciones:<\/p>\n

    \n
  1. \n
      \n
    1. Velocidad\u00a0<\/strong>- Al procesar los datos m\u00e1s cerca del punto de interacci\u00f3n, se reduce la distancia que tienen que recorrer, lo que reduce dr\u00e1sticamente la latencia de la aplicaci\u00f3n.<\/li>\n
    2. Resiliencia<\/strong>\u00a0- Al procesar los datos en el extremo, se reduce la dependencia de una Internet intr\u00ednsecamente poco fiable para los datos, lo que reduce el tiempo de inactividad de las aplicaciones. Si se interrumpe cualquier capa ascendente de la arquitectura, las aplicaciones descendentes no se ven afectadas en absoluto.<\/li>\n
    3. Gobernanza de datos<\/strong>\u00a0- Con la computaci\u00f3n de borde, los datos confidenciales nunca tienen que salir del borde.<\/li>\n
    4. Eficacia del ancho de banda<\/strong>\u00a0- Al distribuir el almacenamiento de datos en el per\u00edmetro, se reduce el uso de ancho de banda y los costes de extracci\u00f3n de datos de la nube.<\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

      Cuando se aplican a un sistema de IA, las ventajas de la computaci\u00f3n de borde pueden acelerar y amplificar enormemente las capacidades de la IA, tanto en el entrenamiento de los algoritmos de aprendizaje como en la aplicaci\u00f3n pr\u00e1ctica de los modelos.<\/p>\n

      La IA \"h\u00edbrida\" es a la vez centralizada y descentralizada<\/h2>\n

      Un reciente\u00a0Art\u00edculo de Forbes<\/a>\u00a0habla de la noci\u00f3n de que \"el futuro de la IA es h\u00edbrido\", lo que significa que la IA necesita la capacidad de procesar datos tanto en la nube como en la periferia para desarrollar todo su potencial. En el art\u00edculo, el autor afirma:<\/p>\n

      \"La IA necesita un lugar potente y estable para el entrenamiento y la inferencia de modelos, que requieren enormes cantidades de espacio para procesar cargas de trabajo complejas. Ah\u00ed es donde entra en juego la nube. Al mismo tiempo, la IA tambi\u00e9n necesita rapidez. Para que sea \u00fatil, tiene que procesar m\u00e1s cerca de donde ocurre realmente la acci\u00f3n: el borde de un dispositivo m\u00f3vil\".<\/em><\/p>\n

      Esta observaci\u00f3n subraya la idea de que\u00a0LLM<\/a>-la IA est\u00e1 gravitatoriamente centralizada, mientras que la creaci\u00f3n y el consumo de los datos que utiliza y produce estar\u00e1n descentralizados y altamente distribuidos.<\/p>\n

      El aspecto h\u00edbrido de la IA descrito en el art\u00edculo puede lograrse elegantemente con una arquitectura de computaci\u00f3n de borde, en la que la nube, el centro de datos de borde y los dispositivos de borde no son entornos separados, per se, sino que en realidad son capas dentro de un ecosistema de procesamiento de datos vinculadas mediante sincronizaci\u00f3n.<\/p>\n

      En este modelo, las cargas de trabajo de IA pueden procesarse donde sea m\u00e1s apropiado -\u00a0aprendizaje profundo<\/a>\u00a0El entrenamiento de la IA se lleva a cabo contra inmensas cantidades de datos en la nube central, donde el almacenamiento y la potencia s\u00f3lo est\u00e1n limitados por el presupuesto, mientras que las peque\u00f1as aplicaciones de inteligencia artificial se basan en los datos.\u00a0aprendizaje autom\u00e1tico<\/a>\u00a0Los modelos de IA pueden ejecutarse directamente en los dispositivos perif\u00e9ricos, donde pueden hacer cosas como hacer recomendaciones sobre el terreno a un usuario bas\u00e1ndose en datos locales y en la situaci\u00f3n actual.<\/p>\n

      Lo que se necesita para facilitar el concepto de IA h\u00edbrida es una base de datos construida para la computaci\u00f3n de borde que tambi\u00e9n admita la IA.<\/p>\n

      El ingrediente principal de la IA: los datos<\/h2>\n

      Independientemente de las t\u00e9cnicas o algoritmos utilizados, la columna vertebral y el recurso m\u00e1s necesario para lograr la IA son los datos. Los datos son el combustible del aprendizaje autom\u00e1tico, tanto hist\u00f3ricos para el contexto y la precedencia, como en tiempo real para el conocimiento de la situaci\u00f3n. Pero es mucho m\u00e1s que simplemente adquirir datos. El lugar en el que se almacenan y procesan esos datos tiene enormes implicaciones en el \u00e9xito (o fracaso) de los sistemas basados en IA, por lo que hay que tenerlo muy en cuenta a la hora de dise\u00f1ar una arquitectura de IA.<\/p>\n

      IA en la periferia con una base de datos m\u00f3vil<\/h2>\n

      Couchbase<\/a>\u00a0es una base de datos en memoria distribuida de documentos JSON en la nube que admite SQL, b\u00fasquedas, eventos y an\u00e1lisis. La plataforma se utiliza para alimentar grandes aplicaciones empresariales y puede escalar a millones de usuarios con tiempo de actividad 24\u00d7365. Tambi\u00e9n ofrece un soporte \u00fanico para edge computing y procesamiento de IA.<\/p>\n

      Couchbase puede ejecutarse en la nube, en el per\u00edmetro y en dispositivos, y puede sincronizar datos entre estas capas, logrando las ventajas de la computaci\u00f3n en el per\u00edmetro en cuanto a velocidad, fiabilidad, gobernanza de datos y eficiencia del ancho de banda para las aplicaciones.<\/p>\n

      \"Couchbase<\/a>

      Arquitectura de computaci\u00f3n de borde de Couchbase<\/p><\/div>\n

      Couchbase tambi\u00e9n es capaz de integrar la IA en toda la arquitectura gracias a su capacidad para llamar a modelos directamente desde la base de datos y alimentarlos con datos operativos en tiempo real, ya sea en la nube, en el borde o en un dispositivo m\u00f3vil. Estas capacidades se combinan para hacer realidad el concepto de \"IA h\u00edbrida\".<\/p>\n

      Exploremos esto con m\u00e1s detalle.<\/p>\n

      Nativo de Edge<\/h2>\n

      En\u00a0Couchbase M\u00f3vil<\/a>\u00a0es compatible de forma nativa con las arquitecturas de computaci\u00f3n perif\u00e9rica:<\/p>\n

      Una base de datos nativa de la nube<\/strong>: Disponible como base de datos como servicio totalmente gestionada y alojada con\u00a0Couchbase Capella<\/a>o desplegar y alojar\u00a0Servidor Couchbase<\/a>\u00a0por tu cuenta.<\/p>\n

      Una base de datos integrada<\/strong>: Couchbase Lite<\/a>\u00a0es la versi\u00f3n integrable de Couchbase para aplicaciones m\u00f3viles y de IoT que almacena datos localmente en el dispositivo. Proporciona todas las funciones CRUD y de consulta SQL, y es compatible con las principales plataformas, como iOS, OS X, tvOS, Android, Linux, Windows, Xamarin y Kotlin, entre otras.<\/p>\n

      Sincronizaci\u00f3n de datos de la nube al per\u00edmetro<\/strong>: Una pasarela segura y jer\u00e1rquica para la sincronizaci\u00f3n de datos a trav\u00e9s de la Web, as\u00ed como la sincronizaci\u00f3n de igual a igual entre dispositivos, con soporte para autenticaci\u00f3n, autorizaci\u00f3n y control de acceso detallado. Elija entre sincronizaci\u00f3n de datos totalmente alojada y gestionada con\u00a0Capella App Services<\/a>o instalar y gestionar\u00a0Pasarela de sincronizaci\u00f3n Couchbase<\/a>\u00a0t\u00fa mismo.<\/p>\n

      La sincronizaci\u00f3n de datos integrada de Couchbase Mobile conecta la pila, sincronizando los datos entre la base de datos backend en la nube y la base de datos integrada que se ejecuta en los dispositivos perif\u00e9ricos cuando la conectividad lo permite, mientras que durante las interrupciones de la red las aplicaciones siguen funcionando gracias al procesamiento local de los datos.<\/p>\n

      Con la pila de Couchbase Mobile puedes crear arquitecturas de borde multinivel para soportar cualquier requisito de velocidad, disponibilidad o bajo ancho de banda.<\/p>\n

      Preparado para la IA<\/h2>\n

      Couchbase Mobile no s\u00f3lo est\u00e1 dise\u00f1ado para la computaci\u00f3n de borde, sino que tambi\u00e9n es compatible con la IA desde la nube hasta el borde, incluso en dispositivos.<\/p>\n

      IA en la nube con el servicio de an\u00e1lisis Couchbase<\/h3>\n

      Couchbase proporciona procesamiento en memoria para una capacidad de respuesta ultrarr\u00e1pida y una arquitectura distribuida para escalabilidad y resistencia, aportando la velocidad, la capacidad de almacenamiento y la potencia de carga de trabajo necesarias para procesar las enormes cantidades de datos que requiere el entrenamiento de modelos de IA.<\/p>\n

      Tambi\u00e9n ofrece un\u00a0Servicio de an\u00e1lisis<\/a>Una funci\u00f3n que permite analizar los datos operativos sin necesidad de trasladarlos a un sistema anal\u00edtico independiente, lo que elimina la necesidad de largos an\u00e1lisis.\u00a0ETL<\/a>\u00a0(extraer, transformar, cargar) que deben ejecutarse antes de poder utilizar los datos para el entrenamiento o el an\u00e1lisis de modelos.<\/p>\n

      Adem\u00e1s, aunque Couchbase es una base de datos de documentos, los cient\u00edficos de datos trabajan con ella utilizando un lenguaje familiar:\u00a0SQL<\/a>con uniones y agregaciones. Esto les permite escribir consultas complejas y altamente contextuales contra conjuntos de datos masivos que devuelven resultados en milisegundos o submilisegundos, lo que reduce el tiempo de conocimiento y acelera la preparaci\u00f3n de datos y las iteraciones de formaci\u00f3n de modelos.<\/p>\n

      El servicio Couchbase Analytics Service ofrece una funci\u00f3n para integrar IA llamada\u00a0Funciones definidas por el usuario (UDF) de Python<\/a>que permite a los desarrolladores enlazar c\u00f3digo Python como una funci\u00f3n y llamarlo en consultas SQL. Esto les permite crear una canalizaci\u00f3n sin fisuras, sin tediosos procesos ETL, desde modelos de aprendizaje autom\u00e1tico basados en Python a Couchbase Analytics para aplicar IA a escala a cosas como el an\u00e1lisis de sentimientos, la predicci\u00f3n de resultados probables o la clasificaci\u00f3n de elementos en funci\u00f3n de los datos operativos devueltos por las consultas anal\u00edticas.<\/p>\n

      Un ejemplo de uso de modelos de aprendizaje autom\u00e1tico con Couchbase Analytics se puede encontrar en este\u00a0entrada del blog<\/a>.<\/p>\n

      Con el servicio Analytics Service, Couchbase cumple la parte en la nube del concepto de \"IA h\u00edbrida\".<\/p>\n

      Edge AI con Couchbase Lite Predictive Query<\/h3>\n

      Aunque las cargas de trabajo de IA m\u00e1s pesadas pueden ejecutarse eficientemente a escala en la nube con Couchbase, hay casos en los que se desea ejecutar modelos m\u00e1s peque\u00f1os en el per\u00edmetro en dispositivos m\u00f3viles, por ejemplo para hacer cosas como recomendaciones basadas en datos locales en tiempo real. Y la creciente potencia de los dispositivos m\u00f3viles actuales, as\u00ed como la aparici\u00f3n de modelos de aprendizaje autom\u00e1tico optimizados para m\u00f3viles, est\u00e1n haciendo realidad la IA en el per\u00edmetro.<\/p>\n

      De hecho, Couchbase Lite\u00a0API de consulta predictiva<\/a>\u00a0se dise\u00f1\u00f3 para la IA perif\u00e9rica, lo que permite a las aplicaciones m\u00f3viles utilizar modelos de aprendizaje autom\u00e1tico preentrenados y ejecutar consultas predictivas a partir de datos locales del dispositivo. Estas predicciones, realizadas a partir de datos en tiempo real capturados por la aplicaci\u00f3n m\u00f3vil, permiten una serie de aplicaciones atractivas.<\/p>\n

      Al aplicar modelos de aprendizaje autom\u00e1tico en el dispositivo m\u00f3vil, las recomendaciones y predicciones son m\u00e1s personalizadas, pueden ser instant\u00e1neas y tener m\u00e1s impacto gracias a la alta disponibilidad garantizada, la latencia ultrabaja y el menor uso de ancho de banda de red que permite el procesamiento local de datos. En esencia, elimina la necesidad de enviar datos de un lado a otro a trav\u00e9s de Internet a centros de datos en la nube distantes para ser evaluados por la IA, por lo que hace que toda la experiencia sea m\u00e1s r\u00e1pida y fiable.<\/p>\n

      Entre los ejemplos de IA en la periferia cabe citar la venta minorista y el comercio electr\u00f3nico, donde pueden hacerse recomendaciones de art\u00edculos in situ a partir de im\u00e1genes o fotos; la hosteler\u00eda, donde las preferencias personales se combinan con la ubicaci\u00f3n, la hora, el tiempo y otros factores para recomendar servicios en tiempo real; o la fabricaci\u00f3n industrial, donde los problemas en los procesos de alta velocidad de una f\u00e1brica pueden predecirse y mitigarse instant\u00e1neamente antes de que se produzca un fallo.<\/p>\n

      Para obtener m\u00e1s informaci\u00f3n sobre el uso de modelos de aprendizaje autom\u00e1tico con Couchbase Lite, lea esto\u00a0entrada del blog<\/a>\u00a0.<\/p>\n

      Con la API de Consulta Predictiva, Couchbase Lite cumple con el lado del dispositivo m\u00f3vil del concepto de \"IA h\u00edbrida\".<\/p>\n

      IA de la nube al per\u00edmetro y al dispositivo<\/h2>\n

      Al combinar las capacidades de IA de Couchbase Mobile con su soporte nativo para arquitecturas de computaci\u00f3n de borde, las organizaciones pueden estratificar las cargas de trabajo de procesamiento de IA y procesamiento de datos en cualquier topolog\u00eda requerida para los sistemas de IA integrados m\u00e1s r\u00e1pidos y escalables, todo ejecut\u00e1ndose en una tecnolog\u00eda de base de datos est\u00e1ndar.<\/p>\n

      \"Couchbase<\/a>

      Arquitectura de computaci\u00f3n de borde de Couchbase<\/p><\/div>\n

      Con esta arquitectura, las cargas de trabajo de IA se procesan donde tiene m\u00e1s sentido en funci\u00f3n de la complejidad del modelo y la cantidad de datos necesarios. El entrenamiento del aprendizaje profundo y la aplicaci\u00f3n de grandes modelos se realizan frente a inmensas cantidades de datos en la nube, que ofrece la escala necesaria para entrenar eficientemente los modelos de aprendizaje profundo y aplicarlos en masa, mientras que los modelos de aprendizaje autom\u00e1tico m\u00e1s peque\u00f1os se ejecutan en el borde directamente en los dispositivos de borde, donde aprovechan los datos locales para el compromiso y la interacci\u00f3n inmediatos.<\/p>\n

      Y el sistema de IA tambi\u00e9n se beneficia enormemente de formar parte de un \u00fanico ecosistema de tecnolog\u00eda de datos, ya que utiliza la misma base de datos, consultas y API en toda la pila, lo que hace que el desarrollo y el mantenimiento continuo sean mucho m\u00e1s sencillos que con un\u00a0en expansi\u00f3n<\/a>\u00a0combinaci\u00f3n de tecnolog\u00edas de bases de datos dispares.<\/p>\n

      La computaci\u00f3n de borde es una necesidad para que la IA cumpla todas sus promesas hoy y en el futuro, y la moderna base de datos nativa de borde y preparada para IA de Couchbase est\u00e1 lista para ayudar a forjar el pr\u00f3ximo gran avance.<\/p>\n

      M\u00e1s informaci\u00f3n sobre las capacidades de Couchbase AI:<\/p>\n