Sobre este caso: DEX Vision es la solución de analítica de audiencia con inteligencia artificial del ecosistema DEX Manager, de SIA Interactive, orientado a la gestión de pantallas digitales. Participamos junto a su equipo en una parte de la implementación. Acá compartimos el desafío que nos tocó abordar y los aprendizajes de ese trabajo.
Una idea de producto definida, un desafío de implementación abierto
El equipo del cliente tenía claro el objetivo: generar datos de audiencia casi en tiempo real a partir de lo que captura una cámara frente a una pantalla digital. Entre esos datos estaban la cantidad de personas que pasan y las estimaciones de rangos de edad y género, como información para analizar la audiencia de una campaña.
La pregunta que nos tocó abordar era cómo hacer que ese procesamiento funcionara con los recursos de un dispositivo pequeño y a un costo que permitiera replicar la solución en muchas pantallas. La idea de producto ya estaba definida; el trabajo requería adaptar su implementación a las condiciones en las que se iba a usar.
Ahí se cruzaban la IA y la ingeniería de software. La elección de los modelos tenía que contemplar la memoria disponible, la velocidad de procesamiento y la convivencia con el resto de la aplicación. A su vez, el costo de cada equipo condicionaba las posibilidades de despliegue.
Por qué el procesamiento tenía que ocurrir en el dispositivo
Enviar las imágenes a un servidor para analizarlas era una alternativa, pero las condiciones de este proyecto nos llevaron a trabajar con procesamiento local. Las pantallas podían estar en lugares con conexión inestable o sin internet, y el análisis debía continuar en esas condiciones.
También pesaban el tiempo de respuesta y el costo de repetir la solución en muchas instalaciones. Transferir imágenes de manera continua agregaba dependencia de la red y costos de operación. Procesarlas en el propio equipo evitaba ese envío y las demoras asociadas a esperar una respuesta remota.
Así, ejecutar la IA en el dispositivo —lo que suele llamarse on-device o procesamiento en el borde— pasó a ser una condición del diseño. La capacidad de analizar imágenes sin conexión tenía que resolverse con los recursos locales.
Las restricciones con las que trabajamos
El desafío reunía varias condiciones que había que considerar juntas:
- Hardware pequeño y económico. La memoria y la capacidad de cálculo eran limitadas, y aumentar el costo de cada equipo afectaba la posibilidad de escalar.
- Dispositivos Android. El entorno de ejecución traía sus propias condiciones y diferencias de capacidad entre equipos.
- Funcionamiento sin conexión garantizada. El análisis de imágenes debía poder continuar aunque el dispositivo no tuviera acceso a internet.
- Resultados en tiempo casi real. La velocidad de procesamiento debía ser suficiente para que los datos de audiencia fueran útiles.
Estas condiciones hacían que las decisiones estuvieran relacionadas. Un modelo con mayor precisión podía exigir más memoria o tardar más en responder. Una reducción del trabajo de procesamiento podía mejorar el rendimiento, pero también afectar la información disponible. El equilibrio dependía de lo que necesitaba este producto.
Adaptar la solución al entorno real
El trabajo nos llevó a mirar el recorrido completo de la imagen, desde su captura hasta el resultado del análisis. El rendimiento dependía tanto del modelo como de la forma en que la aplicación preparaba las imágenes y organizaba su procesamiento.
La selección y el ajuste de los modelos requerían considerar la precisión junto con el tamaño, el consumo de memoria y el tiempo de respuesta. Evaluar esas variables en conjunto era parte de adaptar la solución al hardware disponible.
La preparación de las imágenes y la frecuencia de análisis también formaban parte de ese equilibrio. Qué información se procesaba y con qué frecuencia influía en la carga de trabajo del equipo y en los datos que podía generar.
Las pruebas en el hardware y las condiciones de uso eran otro punto central. La luz, el ángulo y la calidad de la cámara podían variar, al igual que los recursos disponibles en cada dispositivo. El comportamiento en un entorno de desarrollo, por sí solo, no alcanzaba para evaluar la implementación.
Las decisiones sobre precisión, velocidad y alcance se trabajaron junto al equipo del cliente. Su conocimiento del producto daba contexto a las alternativas técnicas: qué datos necesitaban, en qué tiempos y bajo qué condiciones debían obtenerse.
Qué nos dejó esta experiencia
Uno de los aprendizajes fue pensar la escala desde las decisiones de implementación. El consumo de memoria, el costo de cada equipo y la dependencia de la conexión cobraban otro peso cuando imaginábamos la solución distribuida en muchas pantallas. El mantenimiento y la supervisión de esos dispositivos también formaban parte de esa mirada.
El caso nos exigió combinar conocimientos de IA con experiencia en desarrollo de software, entender las condiciones de ejecución y ajustar el enfoque a medida que evaluábamos las alternativas. La colaboración con el equipo del producto fue parte de ese proceso: permitió relacionar los límites técnicos con las necesidades de uso.
De esta experiencia nos queda una forma de abordar desafíos nuevos: entender las restricciones, estudiar las opciones y validar las decisiones en el contexto del producto. En este proyecto, ese trabajo tomó la forma de una implementación de visión artificial que debía encontrar su lugar dentro de un dispositivo con recursos limitados.
Preguntas frecuentes
¿Qué significa procesar la IA en el dispositivo en este caso?
Significa ejecutar el análisis de las imágenes en el equipo Android junto a la pantalla. Ese procesamiento puede continuar sin enviar las imágenes a un servidor para obtener cada resultado.
¿Por qué trabajar con dispositivos pequeños y económicos?
El costo de cada instalación era parte del desafío de escala. Trabajar con hardware accesible requería adaptar el procesamiento a una memoria y una capacidad de cálculo limitadas.
¿Qué papel tuvo el equilibrio entre precisión y velocidad?
Fue parte de las decisiones de implementación: había que considerar la calidad de los datos de audiencia junto con el tiempo de respuesta y los recursos del equipo, según las necesidades del producto.
¿Cuál fue la participación de Euda en DEX Vision?
Participamos junto al equipo de SIA Interactive en una parte de la implementación, enfocada en adaptar la solución de IA a dispositivos pequeños y económicos, con procesamiento sin conexión. El producto y su concepto pertenecen a SIA Interactive.