APRENDIZAJE AUTOMÁTICO EN
DISPOSITIVOS EDGE PARA ANÁLISIS EN
TIEMPO REAL
MACHINE LEARNING ON EDGE DEVICES FOR REAL‑TIME
ANALYTICS
Maria Teodolinda Ortega Ovalle
Universidad de Panamá
pág. 1140
DOI: https://doi.org/10.37811/cl_rcm.v10i2.23173
Aprendizaje Automático en Dispositivos Edge Para Análisis en Tiempo Real
Maria Teodolinda Ortega Ovalle1
maria.ortegao@up.ac.pa
https://orcid.org/0009-0000-3629-9751
Universidad de Panamá
Facultad de Informática, Electrónica y Comunicación.
Departamento de Informática
RESUMEN
El aprendizaje automático en dispositivos Edge se ha consolidado como una estrategia fundamental
para habilitar análisis en tiempo real en entornos donde la latencia, la privacidad y la disponibilidad de
red son determinantes. Este enfoque desplaza parte del procesamiento desde la nube hacia dispositivos
locales como sensores, cámaras inteligentes, microcontroladores y plataformas embebidas, permitiendo
ejecutar inferencias directamente en el punto de captura de los datos. Esta proximidad reduce los
tiempos de respuesta y disminuye la dependencia de la conectividad, lo que resulta especialmente
relevante en aplicaciones críticas como la manufactura automatizada, la vigilancia inteligente, la salud
digital y la movilidad autónoma. Sin embargo, la implementación de modelos en el borde enfrenta
desafíos asociados con las limitaciones de memoria, capacidad de cómputo y consumo energético de
los dispositivos
El presente estudio analiza el rendimiento de modelos de aprendizaje automático optimizados para su
ejecución en dispositivos Edge, evaluando técnicas como la cuantización, la poda estructurada y la
distilación de conocimiento. Se examinan métricas de precisión, tiempo de inferencia y eficiencia
energética en distintos tipos de hardware, desde microcontroladores de bajo consumo hasta aceleradores
especializados. Los resultados muestran que la optimización adecuada permite alcanzar un equilibrio
entre velocidad y precisión, posibilitando análisis confiables en tiempo real. El estudio concluye que la
adopción de Edge AI requiere una selección cuidadosa de modelos, técnicas de compresión y
plataformas de hardware, así como el desarrollo de métricas estandarizadas que faciliten la comparación
y la toma de decisiones en contextos institucionales y operativos diversos
Palabras clave: aprendizaje automático, edge computing, análisis en tiempo real, optimización de
modelos, internet de las cosas
1 Autor principal
Correspondencia: maria.ortegao@up.ac.pa
DOI: https://doi.org/10.37811/cl_rcm.v10i2.23173
Aprendizaje Automático en Dispositivos Edge Para Análisis en Tiempo Real
Maria Teodolinda Ortega Ovalle1
maria.ortegao@up.ac.pa
https://orcid.org/0009-0000-3629-9751
Universidad de Panamá
Facultad de Informática, Electrónica y Comunicación.
Departamento de Informática
RESUMEN
El aprendizaje automático en dispositivos Edge se ha consolidado como una estrategia fundamental
para habilitar análisis en tiempo real en entornos donde la latencia, la privacidad y la disponibilidad de
red son determinantes. Este enfoque desplaza parte del procesamiento desde la nube hacia dispositivos
locales como sensores, cámaras inteligentes, microcontroladores y plataformas embebidas, permitiendo
ejecutar inferencias directamente en el punto de captura de los datos. Esta proximidad reduce los
tiempos de respuesta y disminuye la dependencia de la conectividad, lo que resulta especialmente
relevante en aplicaciones críticas como la manufactura automatizada, la vigilancia inteligente, la salud
digital y la movilidad autónoma. Sin embargo, la implementación de modelos en el borde enfrenta
desafíos asociados con las limitaciones de memoria, capacidad de cómputo y consumo energético de
los dispositivos
El presente estudio analiza el rendimiento de modelos de aprendizaje automático optimizados para su
ejecución en dispositivos Edge, evaluando técnicas como la cuantización, la poda estructurada y la
distilación de conocimiento. Se examinan métricas de precisión, tiempo de inferencia y eficiencia
energética en distintos tipos de hardware, desde microcontroladores de bajo consumo hasta aceleradores
especializados. Los resultados muestran que la optimización adecuada permite alcanzar un equilibrio
entre velocidad y precisión, posibilitando análisis confiables en tiempo real. El estudio concluye que la
adopción de Edge AI requiere una selección cuidadosa de modelos, técnicas de compresión y
plataformas de hardware, así como el desarrollo de métricas estandarizadas que faciliten la comparación
y la toma de decisiones en contextos institucionales y operativos diversos
Palabras clave: aprendizaje automático, edge computing, análisis en tiempo real, optimización de
modelos, internet de las cosas
1 Autor principal
Correspondencia: maria.ortegao@up.ac.pa
pág. 1141
Machine Learning on Edge Devices for Real‑Time Analytics
ABSTRACT
The deployment of machine learning models on Edge devices has become essential for enabling
real‑time analytics in environments where latency, privacy, and network availability are critical
constraints. By shifting computation from the cloud to local devices such as sensors, embedded boards,
and smart cameras, Edge AI allows inference to occur directly at the data source, reducing response
times and minimizing dependence on external connectivity. This capability is particularly important in
domains such as industrial automation, intelligent surveillance, digital health, and autonomous mobility,
where delays of milliseconds can affect safety, efficiency, or service quality. However, executing
machine learning models on resource‑constrained hardware introduces challenges related to memory
limitations, computational capacity, and energy consumption. This study evaluates the performance of
optimized machine learning models deployed on Edge devices, focusing on techniques such as
quantization, structured pruning, and knowledge distillation. Metrics including inference time,
accuracy, and energy efficiency are analyzed across different hardware platforms, ranging from
low‑power microcontrollers to specialized accelerators. The results indicate that appropriate
optimization strategies can significantly improve execution speed while maintaining acceptable
accuracy levels, enabling reliable real‑time analysis. The findings highlight the importance of selecting
suitable models, compression techniques, and hardware configurations to ensure effective Edge AI
deployment in diverse operational contexts
Keywords: machine learning, edge computing, real time analytics, model optimization, internet of
things
Artículo recibido 20 febrero 2026
Aceptado para publicación: 29 marzo 2026
Machine Learning on Edge Devices for Real‑Time Analytics
ABSTRACT
The deployment of machine learning models on Edge devices has become essential for enabling
real‑time analytics in environments where latency, privacy, and network availability are critical
constraints. By shifting computation from the cloud to local devices such as sensors, embedded boards,
and smart cameras, Edge AI allows inference to occur directly at the data source, reducing response
times and minimizing dependence on external connectivity. This capability is particularly important in
domains such as industrial automation, intelligent surveillance, digital health, and autonomous mobility,
where delays of milliseconds can affect safety, efficiency, or service quality. However, executing
machine learning models on resource‑constrained hardware introduces challenges related to memory
limitations, computational capacity, and energy consumption. This study evaluates the performance of
optimized machine learning models deployed on Edge devices, focusing on techniques such as
quantization, structured pruning, and knowledge distillation. Metrics including inference time,
accuracy, and energy efficiency are analyzed across different hardware platforms, ranging from
low‑power microcontrollers to specialized accelerators. The results indicate that appropriate
optimization strategies can significantly improve execution speed while maintaining acceptable
accuracy levels, enabling reliable real‑time analysis. The findings highlight the importance of selecting
suitable models, compression techniques, and hardware configurations to ensure effective Edge AI
deployment in diverse operational contexts
Keywords: machine learning, edge computing, real time analytics, model optimization, internet of
things
Artículo recibido 20 febrero 2026
Aceptado para publicación: 29 marzo 2026
pág. 1142
INTRODUCCIÓN
El aprendizaje automático en dispositivos Edge se ha convertido en un eje estratégico para el desarrollo
de sistemas inteligentes capaces de operar en tiempo real y con altos niveles de autonomía. A medida
que aumenta la cantidad de datos generados por sensores, cámaras, wearables y dispositivos IoT, se
vuelve inviable depender exclusivamente de la computación en la nube para procesar información
crítica. La latencia, la disponibilidad de red, los costos de transmisión y las preocupaciones sobre
privacidad han impulsado la necesidad de trasladar parte del procesamiento hacia el borde de la red,
donde los datos se originan. Este cambio de paradigma ha dado lugar al campo del Edge AI, que
combina técnicas de aprendizaje automático con arquitecturas de hardware optimizadas para operar
bajo restricciones de energía, memoria y capacidad de cómputo.
El análisis en tiempo real es especialmente relevante en aplicaciones donde incluso milisegundos
pueden determinar la eficacia o seguridad del sistema. En sectores como la manufactura avanzada, la
movilidad autónoma, la salud digital, la vigilancia inteligente y la gestión energética, la capacidad de
procesar datos localmente permite detectar anomalías, activar alertas, tomar decisiones inmediatas y
garantizar continuidad operativa incluso ante fallos de conectividad. Sin embargo, ejecutar modelos de
aprendizaje profundo en dispositivos Edge plantea desafíos significativos: la mayoría de los modelos
modernos son pesados, requieren gran capacidad de cómputo y consumen energía de manera intensiva.
Esto obliga a explorar técnicas de optimización como la cuantización, la poda estructurada, la distilación
de conocimiento y el diseño de arquitecturas ligeras.
La literatura reciente destaca que el Edge AI no solo mejora la velocidad de respuesta, sino que también
fortalece la privacidad al evitar la transmisión de datos sensibles a servidores remotos. No obstante,
persisten brechas relacionadas con la estandarización de métricas, la evaluación comparativa entre
hardware heterogéneo y la comprensión de cómo las técnicas de optimización afectan la precisión y la
estabilidad de los modelos. En este contexto, el presente estudio se propone analizar el rendimiento de
modelos optimizados para dispositivos Edge, evaluando su capacidad para ejecutar análisis en tiempo
real sin comprometer la calidad de las predicciones.
El objetivo general es evaluar el comportamiento de modelos de aprendizaje automático optimizados
para Edge en términos de latencia, precisión y eficiencia energética.
INTRODUCCIÓN
El aprendizaje automático en dispositivos Edge se ha convertido en un eje estratégico para el desarrollo
de sistemas inteligentes capaces de operar en tiempo real y con altos niveles de autonomía. A medida
que aumenta la cantidad de datos generados por sensores, cámaras, wearables y dispositivos IoT, se
vuelve inviable depender exclusivamente de la computación en la nube para procesar información
crítica. La latencia, la disponibilidad de red, los costos de transmisión y las preocupaciones sobre
privacidad han impulsado la necesidad de trasladar parte del procesamiento hacia el borde de la red,
donde los datos se originan. Este cambio de paradigma ha dado lugar al campo del Edge AI, que
combina técnicas de aprendizaje automático con arquitecturas de hardware optimizadas para operar
bajo restricciones de energía, memoria y capacidad de cómputo.
El análisis en tiempo real es especialmente relevante en aplicaciones donde incluso milisegundos
pueden determinar la eficacia o seguridad del sistema. En sectores como la manufactura avanzada, la
movilidad autónoma, la salud digital, la vigilancia inteligente y la gestión energética, la capacidad de
procesar datos localmente permite detectar anomalías, activar alertas, tomar decisiones inmediatas y
garantizar continuidad operativa incluso ante fallos de conectividad. Sin embargo, ejecutar modelos de
aprendizaje profundo en dispositivos Edge plantea desafíos significativos: la mayoría de los modelos
modernos son pesados, requieren gran capacidad de cómputo y consumen energía de manera intensiva.
Esto obliga a explorar técnicas de optimización como la cuantización, la poda estructurada, la distilación
de conocimiento y el diseño de arquitecturas ligeras.
La literatura reciente destaca que el Edge AI no solo mejora la velocidad de respuesta, sino que también
fortalece la privacidad al evitar la transmisión de datos sensibles a servidores remotos. No obstante,
persisten brechas relacionadas con la estandarización de métricas, la evaluación comparativa entre
hardware heterogéneo y la comprensión de cómo las técnicas de optimización afectan la precisión y la
estabilidad de los modelos. En este contexto, el presente estudio se propone analizar el rendimiento de
modelos optimizados para dispositivos Edge, evaluando su capacidad para ejecutar análisis en tiempo
real sin comprometer la calidad de las predicciones.
El objetivo general es evaluar el comportamiento de modelos de aprendizaje automático optimizados
para Edge en términos de latencia, precisión y eficiencia energética.
pág. 1143
Entre los objetivos específicos se incluyen: analizar el impacto de diferentes técnicas de compresión,
comparar el rendimiento entre dispositivos Edge heterogéneos y determinar las condiciones bajo las
cuales es viable implementar análisis en tiempo real. Este estudio contribuye a la comprensión de las
capacidades y limitaciones del Edge AI, ofreciendo evidencia empírica que puede orientar decisiones
de diseño, implementación y adopción tecnológica en entornos institucionales y operativos.
MARCO TEÓRICO
El aprendizaje automático en el borde, conocido como Edge AI, se sustenta en la convergencia entre la
inteligencia artificial y la computación distribuida, permitiendo que los modelos se ejecuten
directamente en dispositivos cercanos a la fuente de datos. Este enfoque surge como respuesta a las
limitaciones del procesamiento centralizado en la nube, especialmente en aplicaciones donde la latencia,
la privacidad y la disponibilidad de red son factores determinantes. La literatura especializada señala
que, a medida que los sistemas digitales generan volúmenes crecientes de información, se vuelve
insostenible depender exclusivamente de infraestructuras remotas para procesar datos que requieren
respuestas inmediatas. En este contexto, el Edge Computing se consolida como un paradigma que
desplaza parte del procesamiento hacia nodos periféricos, reduciendo la distancia entre el origen de los
datos y el lugar donde se ejecutan las inferencias.
El Edge Computing se define como un modelo arquitectónico en el que el procesamiento, el
almacenamiento y el análisis de datos se realizan lo más cerca posible del punto de generación. Esta
proximidad permite disminuir la latencia, reducir el tráfico hacia la nube y mejorar la resiliencia del
sistema ante fallos de conectividad. Investigaciones recientes destacan que este enfoque es esencial en
entornos donde la inmediatez es indispensable, como la manufactura inteligente, los vehículos
autónomos, la vigilancia en tiempo real y los sistemas de salud digital. Además, el Edge Computing
contribuye a la protección de datos sensibles al evitar su transmisión a servidores remotos, lo que
fortalece la privacidad y facilita el cumplimiento de normativas de protección de datos.
Sobre esta base conceptual se desarrolla el Edge AI, entendido como la capacidad de ejecutar modelos
de aprendizaje automático directamente en dispositivos con recursos limitados, tales como
microcontroladores, cámaras inteligentes, gateways IoT y módulos embebidos. Este enfoque exige
modelos compactos, eficientes y capaces de operar bajo restricciones de memoria, energía y capacidad
Entre los objetivos específicos se incluyen: analizar el impacto de diferentes técnicas de compresión,
comparar el rendimiento entre dispositivos Edge heterogéneos y determinar las condiciones bajo las
cuales es viable implementar análisis en tiempo real. Este estudio contribuye a la comprensión de las
capacidades y limitaciones del Edge AI, ofreciendo evidencia empírica que puede orientar decisiones
de diseño, implementación y adopción tecnológica en entornos institucionales y operativos.
MARCO TEÓRICO
El aprendizaje automático en el borde, conocido como Edge AI, se sustenta en la convergencia entre la
inteligencia artificial y la computación distribuida, permitiendo que los modelos se ejecuten
directamente en dispositivos cercanos a la fuente de datos. Este enfoque surge como respuesta a las
limitaciones del procesamiento centralizado en la nube, especialmente en aplicaciones donde la latencia,
la privacidad y la disponibilidad de red son factores determinantes. La literatura especializada señala
que, a medida que los sistemas digitales generan volúmenes crecientes de información, se vuelve
insostenible depender exclusivamente de infraestructuras remotas para procesar datos que requieren
respuestas inmediatas. En este contexto, el Edge Computing se consolida como un paradigma que
desplaza parte del procesamiento hacia nodos periféricos, reduciendo la distancia entre el origen de los
datos y el lugar donde se ejecutan las inferencias.
El Edge Computing se define como un modelo arquitectónico en el que el procesamiento, el
almacenamiento y el análisis de datos se realizan lo más cerca posible del punto de generación. Esta
proximidad permite disminuir la latencia, reducir el tráfico hacia la nube y mejorar la resiliencia del
sistema ante fallos de conectividad. Investigaciones recientes destacan que este enfoque es esencial en
entornos donde la inmediatez es indispensable, como la manufactura inteligente, los vehículos
autónomos, la vigilancia en tiempo real y los sistemas de salud digital. Además, el Edge Computing
contribuye a la protección de datos sensibles al evitar su transmisión a servidores remotos, lo que
fortalece la privacidad y facilita el cumplimiento de normativas de protección de datos.
Sobre esta base conceptual se desarrolla el Edge AI, entendido como la capacidad de ejecutar modelos
de aprendizaje automático directamente en dispositivos con recursos limitados, tales como
microcontroladores, cámaras inteligentes, gateways IoT y módulos embebidos. Este enfoque exige
modelos compactos, eficientes y capaces de operar bajo restricciones de memoria, energía y capacidad
pág. 1144
de cómputo. La literatura identifica arquitecturas ligeras como MobileNet, SqueezeNet, ShuffleNet y
los modelos TinyML como alternativas diseñadas específicamente para entornos Edge. Estas
arquitecturas reducen la complejidad computacional mediante el uso de convoluciones separables,
bloques residuales optimizados y estructuras de red comprimidas, lo que permite ejecutar inferencias
en hardware de bajo consumo sin sacrificar completamente la precisión.
La optimización de modelos para su ejecución en el borde constituye un área de investigación
fundamental dentro del Edge AI. Las técnicas de cuantización, poda estructurada, distilación de
conocimiento y compresión de modelos han demostrado ser eficaces para reducir el tamaño y la
complejidad de las redes neuronales sin afectar de manera significativa su rendimiento. La cuantización
consiste en reducir la precisión numérica de los parámetros del modelo, lo que disminuye el tamaño del
archivo y acelera la inferencia. La poda estructurada elimina conexiones o filtros completos, reduciendo
la carga computacional y el consumo energético. La distilación de conocimiento transfiere el
comportamiento de un modelo grande a uno más pequeño, permitiendo mantener un rendimiento
competitivo con una arquitectura más ligera. La compresión de modelos combina técnicas de
codificación y reducción de redundancia para disminuir el tamaño del modelo sin comprometer su
capacidad predictiva. Investigaciones de Han, Sze y otros autores han demostrado que estas técnicas
pueden reducir el tamaño de los modelos hasta en un noventa por ciento sin pérdidas significativas de
precisión, lo que las convierte en herramientas esenciales para el despliegue en dispositivos Edge.
La evaluación del rendimiento en Edge AI requiere métricas específicas que capturen no solo la
precisión del modelo, sino también su eficiencia operativa. La latencia de inferencia, el throughput, el
consumo energético, la temperatura del dispositivo y el tamaño del modelo son indicadores
fundamentales para determinar la viabilidad de ejecutar modelos en el borde. Estas métricas permiten
comparar modelos y técnicas de optimización en condiciones reales de operación, y constituyen un
elemento clave para la toma de decisiones en entornos donde los recursos son limitados y la respuesta
en tiempo real es crítica.
El estado del arte en Edge AI ha avanzado rápidamente gracias a contribuciones de autores como Lane,
Reddi, Warden y Situnayake, quienes han explorado tanto los fundamentos teóricos como las
aplicaciones prácticas del aprendizaje automático en el borde.
de cómputo. La literatura identifica arquitecturas ligeras como MobileNet, SqueezeNet, ShuffleNet y
los modelos TinyML como alternativas diseñadas específicamente para entornos Edge. Estas
arquitecturas reducen la complejidad computacional mediante el uso de convoluciones separables,
bloques residuales optimizados y estructuras de red comprimidas, lo que permite ejecutar inferencias
en hardware de bajo consumo sin sacrificar completamente la precisión.
La optimización de modelos para su ejecución en el borde constituye un área de investigación
fundamental dentro del Edge AI. Las técnicas de cuantización, poda estructurada, distilación de
conocimiento y compresión de modelos han demostrado ser eficaces para reducir el tamaño y la
complejidad de las redes neuronales sin afectar de manera significativa su rendimiento. La cuantización
consiste en reducir la precisión numérica de los parámetros del modelo, lo que disminuye el tamaño del
archivo y acelera la inferencia. La poda estructurada elimina conexiones o filtros completos, reduciendo
la carga computacional y el consumo energético. La distilación de conocimiento transfiere el
comportamiento de un modelo grande a uno más pequeño, permitiendo mantener un rendimiento
competitivo con una arquitectura más ligera. La compresión de modelos combina técnicas de
codificación y reducción de redundancia para disminuir el tamaño del modelo sin comprometer su
capacidad predictiva. Investigaciones de Han, Sze y otros autores han demostrado que estas técnicas
pueden reducir el tamaño de los modelos hasta en un noventa por ciento sin pérdidas significativas de
precisión, lo que las convierte en herramientas esenciales para el despliegue en dispositivos Edge.
La evaluación del rendimiento en Edge AI requiere métricas específicas que capturen no solo la
precisión del modelo, sino también su eficiencia operativa. La latencia de inferencia, el throughput, el
consumo energético, la temperatura del dispositivo y el tamaño del modelo son indicadores
fundamentales para determinar la viabilidad de ejecutar modelos en el borde. Estas métricas permiten
comparar modelos y técnicas de optimización en condiciones reales de operación, y constituyen un
elemento clave para la toma de decisiones en entornos donde los recursos son limitados y la respuesta
en tiempo real es crítica.
El estado del arte en Edge AI ha avanzado rápidamente gracias a contribuciones de autores como Lane,
Reddi, Warden y Situnayake, quienes han explorado tanto los fundamentos teóricos como las
aplicaciones prácticas del aprendizaje automático en el borde.
pág. 1145
Estudios recientes han demostrado que la combinación de hardware especializado, como TPU Edge,
Jetson Nano y NPUs móviles, con modelos optimizados permite alcanzar niveles de rendimiento
comparables a los de la nube en tareas específicas. Sin embargo, la literatura también señala desafíos
persistentes, como la heterogeneidad del hardware, la falta de estandarización en las métricas de
evaluación y la necesidad de modelos más robustos ante variaciones en las condiciones operativas.
Asimismo, se reconoce que el Edge AI no solo mejora la velocidad de respuesta, sino que también
fortalece la privacidad al evitar la transmisión de datos sensibles a servidores remotos, lo que resulta
especialmente relevante en sectores como la salud, la seguridad y la industria.
Este marco teórico establece las bases conceptuales y técnicas necesarias para comprender el análisis
experimental desarrollado en el estudio, así como para interpretar los resultados obtenidos en el
contexto de las limitaciones y oportunidades del Edge AI. La revisión de la literatura evidencia que,
aunque se han logrado avances significativos, aún existen brechas que justifican investigaciones
orientadas a evaluar el rendimiento de modelos optimizados en dispositivos Edge y a desarrollar
metodologías que permitan su implementación eficiente en escenarios reales.
METODOLOGÍA
El estudio adopta un enfoque metodológico de carácter cuantitativo y experimental, orientado a evaluar
el rendimiento de modelos de aprendizaje automático optimizados para su ejecución en dispositivos
Edge. Este enfoque permite analizar de manera sistemática cómo diferentes técnicas de optimización
influyen en la latencia, la precisión y el consumo energético cuando los modelos se despliegan en
hardware con recursos limitados. La investigación se desarrolla bajo un diseño transversal, ya que las
mediciones se realizan en un único periodo temporal, y experimental, debido a que se manipulan
variables técnicas como el tipo de optimización aplicada y el dispositivo utilizado para observar sus
efectos sobre el desempeño del sistema.
La población del estudio está constituida por modelos ligeros de aprendizaje profundo utilizados
comúnmente en tareas de visión por computadora y clasificación de señales. La muestra se selecciona
mediante un muestreo por conveniencia, considerando modelos representativos como MobileNet,
ResNet‑lite y arquitecturas TinyML, que han sido ampliamente documentadas en la literatura por su
eficiencia en entornos Edge.
Estudios recientes han demostrado que la combinación de hardware especializado, como TPU Edge,
Jetson Nano y NPUs móviles, con modelos optimizados permite alcanzar niveles de rendimiento
comparables a los de la nube en tareas específicas. Sin embargo, la literatura también señala desafíos
persistentes, como la heterogeneidad del hardware, la falta de estandarización en las métricas de
evaluación y la necesidad de modelos más robustos ante variaciones en las condiciones operativas.
Asimismo, se reconoce que el Edge AI no solo mejora la velocidad de respuesta, sino que también
fortalece la privacidad al evitar la transmisión de datos sensibles a servidores remotos, lo que resulta
especialmente relevante en sectores como la salud, la seguridad y la industria.
Este marco teórico establece las bases conceptuales y técnicas necesarias para comprender el análisis
experimental desarrollado en el estudio, así como para interpretar los resultados obtenidos en el
contexto de las limitaciones y oportunidades del Edge AI. La revisión de la literatura evidencia que,
aunque se han logrado avances significativos, aún existen brechas que justifican investigaciones
orientadas a evaluar el rendimiento de modelos optimizados en dispositivos Edge y a desarrollar
metodologías que permitan su implementación eficiente en escenarios reales.
METODOLOGÍA
El estudio adopta un enfoque metodológico de carácter cuantitativo y experimental, orientado a evaluar
el rendimiento de modelos de aprendizaje automático optimizados para su ejecución en dispositivos
Edge. Este enfoque permite analizar de manera sistemática cómo diferentes técnicas de optimización
influyen en la latencia, la precisión y el consumo energético cuando los modelos se despliegan en
hardware con recursos limitados. La investigación se desarrolla bajo un diseño transversal, ya que las
mediciones se realizan en un único periodo temporal, y experimental, debido a que se manipulan
variables técnicas como el tipo de optimización aplicada y el dispositivo utilizado para observar sus
efectos sobre el desempeño del sistema.
La población del estudio está constituida por modelos ligeros de aprendizaje profundo utilizados
comúnmente en tareas de visión por computadora y clasificación de señales. La muestra se selecciona
mediante un muestreo por conveniencia, considerando modelos representativos como MobileNet,
ResNet‑lite y arquitecturas TinyML, que han sido ampliamente documentadas en la literatura por su
eficiencia en entornos Edge.
pág. 1146
Estos modelos se someten a procesos de cuantización, poda estructurada y distilación de conocimiento,
con el fin de evaluar el impacto de cada técnica en el rendimiento final. La selección de estas técnicas
responde a su relevancia en investigaciones previas y a su aplicabilidad en dispositivos con restricciones
de memoria y capacidad de cómputo.
Los dispositivos Edge utilizados en el experimento incluyen microcontroladores ARM, una Raspberry
Pi 4 y un módulo NVIDIA Jetson Nano, los cuales representan distintos niveles de capacidad
computacional dentro del ecosistema Edge. Esta diversidad permite comparar el comportamiento de los
modelos en escenarios de baja, media y alta potencia, proporcionando una visión más completa de las
posibilidades y limitaciones del Edge AI. Cada dispositivo se configura con su sistema operativo y
librerías de inferencia correspondientes, garantizando condiciones de ejecución consistentes y
reproducibles.
La recolección de datos se realiza mediante mediciones directas de tiempo de inferencia, consumo
energético y precisión del modelo. Para la latencia y el throughput se emplean herramientas de
monitoreo integradas en los dispositivos, mientras que el consumo energético se registra mediante
medidores externos cuando el hardware lo permite. La precisión se evalúa utilizando conjuntos de datos
estandarizados, lo que asegura comparabilidad entre modelos y técnicas de optimización. Todas las
pruebas se ejecutan múltiples veces para reducir la variabilidad y obtener valores promedio
representativos.
Las consideraciones éticas del estudio se centran en el uso responsable de datos y en la protección de
información sensible. Dado que los experimentos se realizan con datos sintéticos o públicos, no se
compromete la privacidad de usuarios reales. Además, se garantiza la transparencia metodológica
mediante la documentación detallada de los procedimientos, lo que facilita la replicación del estudio
por otros investigadores o instituciones interesadas en implementar soluciones de Edge AI.
La metodología descrita proporciona un marco sólido para evaluar el rendimiento de modelos
optimizados en dispositivos Edge y permite interpretar los resultados en función de las limitaciones
técnicas y operativas propias de estos entornos. Esta aproximación experimental ofrece evidencia
empírica que contribuye a la comprensión de las capacidades reales del Edge AI en escenarios donde el
análisis en tiempo real es un requisito fundamental.
Estos modelos se someten a procesos de cuantización, poda estructurada y distilación de conocimiento,
con el fin de evaluar el impacto de cada técnica en el rendimiento final. La selección de estas técnicas
responde a su relevancia en investigaciones previas y a su aplicabilidad en dispositivos con restricciones
de memoria y capacidad de cómputo.
Los dispositivos Edge utilizados en el experimento incluyen microcontroladores ARM, una Raspberry
Pi 4 y un módulo NVIDIA Jetson Nano, los cuales representan distintos niveles de capacidad
computacional dentro del ecosistema Edge. Esta diversidad permite comparar el comportamiento de los
modelos en escenarios de baja, media y alta potencia, proporcionando una visión más completa de las
posibilidades y limitaciones del Edge AI. Cada dispositivo se configura con su sistema operativo y
librerías de inferencia correspondientes, garantizando condiciones de ejecución consistentes y
reproducibles.
La recolección de datos se realiza mediante mediciones directas de tiempo de inferencia, consumo
energético y precisión del modelo. Para la latencia y el throughput se emplean herramientas de
monitoreo integradas en los dispositivos, mientras que el consumo energético se registra mediante
medidores externos cuando el hardware lo permite. La precisión se evalúa utilizando conjuntos de datos
estandarizados, lo que asegura comparabilidad entre modelos y técnicas de optimización. Todas las
pruebas se ejecutan múltiples veces para reducir la variabilidad y obtener valores promedio
representativos.
Las consideraciones éticas del estudio se centran en el uso responsable de datos y en la protección de
información sensible. Dado que los experimentos se realizan con datos sintéticos o públicos, no se
compromete la privacidad de usuarios reales. Además, se garantiza la transparencia metodológica
mediante la documentación detallada de los procedimientos, lo que facilita la replicación del estudio
por otros investigadores o instituciones interesadas en implementar soluciones de Edge AI.
La metodología descrita proporciona un marco sólido para evaluar el rendimiento de modelos
optimizados en dispositivos Edge y permite interpretar los resultados en función de las limitaciones
técnicas y operativas propias de estos entornos. Esta aproximación experimental ofrece evidencia
empírica que contribuye a la comprensión de las capacidades reales del Edge AI en escenarios donde el
análisis en tiempo real es un requisito fundamental.