Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Hogar conectado: aprendizaje automático en la periferia
<a name="connected-home-ml-edge"></a>

Fecha de publicación: 13 ** de julio de 2021 () [Historial del diagrama](#home-ml-history) **

Con esta arquitectura, puede ejecutar inferencias de aprendizaje automático (ML) en cámaras de vídeo del Internet de las cosas (IoT) y otros dispositivos domésticos. La solución utiliza [AWS IoT Greengrass ](https://docs.aws.amazon.com/greengrass/v2/developerguide/) para las implementaciones periféricas y [ Amazon SageMaker AI ](https://docs.aws.amazon.com/sagemaker/latest/dg/) para el entrenamiento y la optimización de modelos.

## Diagrama de aprendizaje automático en el borde de una casa conectada
<a name="home-ml-diagram"></a>

![Diagrama de arquitectura de referencia que muestra cómo ejecutar la inferencia del aprendizaje automático en dispositivos domésticos de AWS IoT mediante IoT Greengrass, SageMaker AI, Amazon Data Firehose y Lambda.](https://docs.aws.amazon.com/es_es/reference-architecture-diagrams/latest/connected-home-ml-edge/images/connected-home-ml-edge.png)


Los siguientes pasos describen la arquitectura:

1. Publique los datos de entrenamiento de una cámara de vídeo de AWS IoT que ejecute IoT Greengrass en [AWS IoT Core](https://docs.aws.amazon.com/iot/latest/developerguide/).

1. Configure una regla de AWS IoT que escuche los datos de la cámara y reenvíe los mensajes a Amazon Data Firehose para su almacenamiento en [ Amazon Simple Storage Service. ](https://docs.aws.amazon.com/AmazonS3/latest/userguide/)

1. Utilice la SageMaker inteligencia artificial para entrenar, optimizar y crear modelos de aprendizaje automático que utilicen menos de una décima parte del espacio de memoria que ocupan los dispositivos con recursos limitados, como las cámaras.

1. Envíe modelos entrenados desde la SageMaker IA a Amazon S3 para enviarlos a la cámara de vídeo del IoT.

1. Utilice el servicio en la nube de AWS IoT Greengrass para organizar las implementaciones en la cámara de vídeo de IoT de destino. Las implementaciones pueden incluir modelos de aprendizaje automático entrenados y lógica de aplicaciones, como una función o un [AWS Lambda](https://docs.aws.amazon.com/lambda/latest/dg/) contenedor. Docker

1. Ejecute una función de Lambda de forma local en la cámara de vídeo de IoT para realizar inferencias mediante la versión más reciente del modelo de aprendizaje automático entrenado.

1. Vea la transmisión de vídeo de la cámara a través de Amazon Kinesis Video Streams mediante una aplicación móvil.

## Documentación adicional
<a name="home-ml-further-reading"></a>

Para obtener información adicional, consulte los siguientes recursos:
+  [AWS Iconos de arquitectura ](https://aws.amazon.com/architecture/icons) 
+  [AWS Centro de arquitectura ](https://aws.amazon.com/architecture/) 
+  [AWS Well-Architected](https://aws.amazon.com/architecture/well-architected) 

## Historial del diagrama
<a name="home-ml-history"></a>

Para recibir actualizaciones sobre este diagrama de arquitectura de referencia, suscríbase a la fuente RSS.

| Cambio | Descripción | Fecha | 
| --- |--- |--- |
| [Publicación inicial](#home-ml-history) | El diagrama de arquitectura de referencia se publicó por primera vez. | 13 de julio de 2021 | 

**Requisito de suscripción a RSS**  
Para suscribirse a las actualizaciones de RSS, debe tener un complemento de RSS habilitado para el navegador que esté utilizando.