IoT y Conectividad Industrial · IOT-113

IA en el borde con Raspberry Pi

Ejecutar modelos con Ollama en la propia placa y decidir qué se consulta en la nube.

Disponible Avanzado 7 módulos · 35 clases

Formato asíncrono Ingeniería / Industria, Desarrollo Raspberry Pi, Ollama, Node-RED

IOT IA

Lo que aprenderás

Instalar Ollama en Raspberry Pi y elegir modelos que quepan en la memoria disponible.
Invocar un modelo local desde Node-RED por su API HTTP y tratar la respuesta recibida.
Comparar inferencia local y llamada a la API de OpenAI en latencia, coste y confidencialidad del dato.
Montar una consulta con recuperación aumentada sobre la documentación técnica de la instalación.
Aplicar un modelo de clasificación ligero a lecturas de sensor para señalar comportamientos anómalos.
Decidir qué se procesa en el borde y qué se envía fuera según ancho de banda y criticidad.

Contenido del curso

7 módulos · 35 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · IA en el borde: qué cabe en una Raspberry 5 clases

Diferencia entre entrenar e inferir
Limitaciones de memoria, almacenamiento y refrigeración
Preparar la placa: SSD, memoria de intercambio y ajustes
Criterios de decisión entre borde y nube
Casos de uso realistas en instalación industrial

Módulo 2 · Redes neuronales aplicadas a datos de sensor 5 clases

De la señal al vector de características
Clasificación y detección de anomalías
Entrenar fuera y desplegar en la placa
Modelos ligeros y cuantización
Ejercicio: detectar una condición anómala en un histórico

Módulo 3 · Ollama en la Raspberry Pi 5 clases

Instalación y primeros modelos
Tamaño de modelo, memoria y velocidad de respuesta
API HTTP de Ollama
Ajuste del contexto y de los parámetros de generación
Ejecutar Ollama como servicio permanente

Módulo 4 · Integración con Node-RED 5 clases

Llamar al modelo local desde un flujo
Construir el mensaje y tratar la respuesta
Encadenar inferencia con telemetría de sensores
Tiempos de espera y comportamiento ante fallo
Ejercicio: resumen automático del estado de la instalación

Módulo 5 · RAG sobre documentación propia 5 clases

Qué resuelve la recuperación aumentada
Trocear e indexar manuales y partes de mantenimiento
Base de datos de vectores en el propio equipo
Consulta con citas a la fuente
Límites y errores típicos del sistema

Módulo 6 · Nube, coste y privacidad 5 clases

Llamada a la API de OpenAI desde Node-RED
Comparativa de latencia y coste en el mismo caso
Datos que no deben salir de la instalación
Modo degradado cuando no hay conexión
Registro y trazabilidad de las consultas

Módulo 7 · Proyecto de cierre 5 clases

Nodo con sensores, detección de anomalía y asistente local
Reparto de tareas entre borde y nube
Medida de consumo y de tiempos de respuesta
Puesta en servicio y supervisión
Revisión crítica de los resultados obtenidos

Requisitos

Experiencia con Raspberry Pi y Linux: servicios, memoria, almacenamiento y registros.
Manejo de Node-RED y de peticiones HTTP con cargas útiles en JSON.
Python a nivel de scripts y entornos virtuales.
Una Raspberry Pi con memoria amplia y, preferiblemente, arranque desde SSD.

Descripción

Enviar todo a la nube tiene dos costes que se notan pronto: la conexión de la nave no siempre está disponible y hay datos de proceso que el cliente no quiere que salgan de su red. La alternativa es ejecutar parte del análisis en el mismo equipo que recoge los sensores, con las limitaciones reales de una placa de bajo consumo.

El curso mide esas limitaciones en lugar de suponerlas. Se instala Ollama en la Raspberry, se prueban modelos de distintos tamaños observando memoria y tiempo de respuesta, y se conecta la inferencia a los flujos de Node-RED. Se monta una consulta con recuperación aumentada sobre documentación de mantenimiento y se compara, en el mismo caso de uso, con una llamada a la API de OpenAI.

La conclusión práctica es un criterio de reparto: qué tarea justifica un modelo local, cuál conviene resolver con reglas convencionales y cuál merece salir a la nube. Ese criterio es directamente aplicable a nodos de campo, a asistentes de mantenimiento sobre documentación propia y a la detección de anomalías en instalaciones ya monitorizadas.

¿Para quién es este curso?

Ingeniería de IoT industrial que necesita analizar datos donde se generan, sin conexión permanente.
Perfiles de desarrollo que quieren probar modelos locales antes de comprometer una arquitectura.
Responsables técnicos con requisitos de confidencialidad sobre los datos de proceso.