Optimización de Modelos de IA para el Reconocimiento de Patrones en Tiempo Real en Sistemas Embebidos de Bajo Costo en Edge Computing

Abstract

En los últimos años, el desarrollo de inteligencia artificial embebida ha experimentado un notable avance, particularmente en el uso de modelos optimizados para ejecutarse en el borde (edge computing). Sin embargo, a pesar de los progresos tecnológicos, no existe un marco metodológico accesible, estructurado y validado que oriente la implementación completa de soluciones de visión por computadora en dispositivos de bajo costo. Esta falta de guía integral dificulta la adopción práctica de estas tecnologías en contextos donde los recursos computacionales y económicos son limitados, como la educación técnica, el prototipado rápido o proyectos de innovación aplicada. La presente investigación busca responder a esa necesidad mediante el diseño de un marco metodológico modular y replicable, que permita integrar modelos de aprendizaje automático en microcontroladores como el Nicla Vision y el Portenta H7. Este marco aborda todo el proceso: desde la selección del hardware y la optimización del modelo, hasta su despliegue y validación funcional en el borde, sin depender de procesamiento en la nube. La propuesta se alinea con las tendencias globales en edge AI y TinyML, y tiene el potencial de fortalecer la formación práctica en inteligencia artificial embebida, así como fomentar la autonomía y eficiencia energética en el desarrollo de soluciones inteligentes. Esta investigación se desarrolla en el contexto académico, bajo un enfoque técnico-aplicado, y busca generar un aporte metodológico sustentado en revisión científica, observación técnica y fundamentación tecnológica. Su finalidad no es únicamente resolver una problemática puntual, sino también ofrecer una herramienta de referencia para estudiantes, docentes y desarrolladores interesados en la aplicación real de inteligencia artificial en sistemas embebidos de bajo consumo.