Edge, fog y mist: cómputo cerca del dato, y un LLM en el portátil

1El continuo nube–edge–dispositivo

Dispositivo/sensor (mist) → Pasarela/servidor local (fog/edge)
  → Borde de red del operador/CDN (edge) → Nube (región del proveedor)

De izquierda a derecha: ↑ capacidad de cómputo, ↑ latencia, ↑ dependencia de red
                         ↓ autonomía, ↓ control sobre dónde están los datos

Ningún punto del continuo es "mejor": cada decisión de dónde ejecutar algo es un equilibrio, la misma decisión que para frontend/backend (UD1-04), con el eje físico de por medio.

2Edge computing: qué es y por qué

Cómputo en el borde de la red, próximo a la fuente de datos, que procesa localmente y envía a la nube solo lo necesario. No sustituye a la nube: la complementa. Patrón habitual: entrenar en la nube, ejecutar en el borde.

3"Edge" es polisémico

Las dos últimas son las que más han crecido en 2024-2026: modelos de lenguaje pequeños en el sistema operativo móvil sin red; Apple combina ejecución local con Private Cloud Compute; portátiles con NPU. "La IA" deja de ser sinónimo de "una llamada a un servidor lejano".

4Fog y mist

Términos de un momento concreto, hoy poco usados fuera de la literatura académica. Fog (Cisco, 2012): capa entre dispositivos y nube — pasarelas, servidores locales — nivel de instalación. Mist: cómputo en los propios dispositivos — microcontroladores, nivel de sensor (TinyML: redes neuronales en un chip de un euro).

Relación: mist = dispositivo; fog = pasarela e instalación; edge = todo lo que no es la nube central (incluye a los dos anteriores en el uso actual).

5La demostración: el mismo modelo en tres lugares

Ollama descarga y ejecuta modelos de lenguaje abiertos en un ordenador normal, con una API HTTP local (localhost:11434) parecida a la de proveedores comerciales.

ollama pull llama3.2:3b
ollama run llama3.2:3b
curl http://localhost:11434/api/generate -d '{"model":"llama3.2:3b","prompt":"Qué es edge computing"}'

6Comparación: portátil, servidor del aula, API de un proveedor

Cuantización (Q4, Q8): reduce la precisión numérica de los pesos para que el modelo ocupe menos memoria (7B en 16 bits: ~14 GB; en 4 bits: ~4 GB) a cambio de una pérdida pequeña de calidad — lo que permite ejecutar modelos razonables en un portátil. VRAM es el límite real. Modelos abiertos: Llama, Mistral, Qwen, Gemma, Phi, DeepSeek.

7Para debatir en clase

• Cámaras que detectan si los operarios llevan casco: ¿dónde se ejecuta el modelo? ¿Qué dice el RGPD y el AI Act sobre vigilar a trabajadores?
• App de notas con "resumen con IA": ¿local o nube? ¿Debe elegir el usuario?
• Tractor autónomo sin cobertura: ¿qué hay en el tractor, en la nave, en la nube? ¿Cuál es el mist, cuál el fog?
• Si un modelo local de 3B responde peor pero no cuesta nada ni filtra datos, ¿para qué tareas del propio ciclo sería suficiente?

✓Autoevaluación — puntos que debes dominar

• Dibujo el continuo dispositivo → fog/edge → borde de red → nube.
• Explico las 4 razones para usar edge, con un ejemplo distinto de cada una.
• Explico el patrón "entrenar en la nube, ejecutar en el borde".
• Distingo las 5 acepciones de "edge" y quién usa cada una.
• Distingo fog de mist por su nivel (instalación vs. sensor).
• Explico qué hace Ollama y por qué el portátil "es el servidor" al ejecutarlo.
• Comparo modelo local, de aula y de nube en al menos 3 dimensiones (coste, privacidad, calidad).
• Explico qué es la cuantización y por qué permite ejecutar modelos en un portátil.
• Puedo argumentar los cuatro puntos de "Para debatir".