Embedded AI

Manual exhaustivo y práctico elaborado por el ingeniero de sistemas embebidos David Such, enfocado en diseñar, entrenar y desplegar modelos de machine learning e inteligencia artificial directamente sobre microcontroladores y sensores inteligentes ("deep edge"), prescindiendo de servidores externos o conexiones a la nube. La obra aborda la computación embebida y TinyML sobre plataformas accesibles de 32 bits (como microcontroladores Raspberry Pi Pico y Pico 2 con chips RP2040/RP2350, y placas Arduino basadas en STM32 y Renesas). Está orientado a desarrolladores de firmware, creadores de hardware (makers) e ingenieros de software con conocimientos intermedios de C/C++, electrónica básica y conceptos generales de aprendizaje automático en Python.

El libro abarca la pila completa de ingeniería: diseño de circuitos, esquemáticos y trazado de placas de circuito impreso (PCB) con generación de archivos Gerber, recolección y análisis exploratorio de datos de sensores, y acondicionamiento de señales mediante procesamiento digital de señales (DSP). Explora en detalle la fusión sensorial con filtros complementarios, de Kalman, Madgwick y Mahony para unidades de medición inercial (IMU). En la vertiente de aprendizaje profundo, cubre arquitecturas de redes neuronales convolucionales (CNN), redes recurrentes GRU y modelos generativos (GAN), detallando la cuantización de modelos, la gestión de memoria en el área del tensor (tensor arena limits) y la inferencia optimizada con frameworks embebidos como TensorFlow Lite for Microcontrollers (TFLM).

A través de más de 25 proyectos prácticos de extremo a extremo, el lector construye dispositivos físicos funcionales que resuelven problemas del mundo real mediante visión artificial, reconocimiento de audio y análisis predictivo. Su gran valor diferenciador es la integración estrecha entre el diseño electrónico del hardware físico y la algoritmia del aprendizaje automático, afrontando con rigor las limitaciones de memoria RAM, registros y consumo energético. Deja de lado las arquitecturas de LLMs en la nube o grandes clusters distribuidos; para aprovecharlo al máximo conviene contar con herramientas de prototipado electrónico, soldador y soltura programando microcontroladores en C/C++ y MicroPython.