Casos donde la verificación ocurre en el sensor: control de acceso en plantas sin enlace estable, torniquetes con plantillas cifradas en caché y lectores que deciden sin enviar nada a un servidor central.
La comparación no es contra otro modelo de IA, sino contra la arquitectura que exige enviar cada rostro, cada huella y cada vector de rasgos a un servidor. En un despliegue con cientos de lectores, esa diferencia se nota en latencia, en ancho de banda y, sobre todo, en qué datos existen fuera del dispositivo.
La captura se convierte en plantilla dentro del propio terminal. Lo que viaja por la red, cuando algo viaja, es un identificador y un estado, no la geometría facial ni el patrón de la huella. Si el enlace se compromete, el atacante no obtiene material biométrico reutilizable.
Un terminal con caché local cifrada y política de decisión propia resuelve el acceso aunque el enlace con el servidor central caiga durante horas. No hay cola de espera ni pantalla bloqueada: la persona pasa, el registro se sincroniza después por lotes.
Un micromodelo de 1.8 MB ejecutado en un NPU de 1 TOPS responde en decenas de milisegundos por fotograma. El cuello de botella deja de ser la red y pasa a ser el sensor, que es donde conviene invertir el esfuerzo de ingeniería.
Guardar el embedding en bruto es un riesgo legal y técnico. Con proyección unidireccional y esquema cancelable, una plantilla filtrada se revoca y se regenera sin cambiar el rostro de la persona ni reinstalar el lector.
Cuarenta terminales enviando un vector por evento saturan un enlace satelital. Enviando solo eventos de estado y sincronización diferida, el consumo cae a una fracción y el enlace deja de ser un punto único de fallo para la operación diaria.
Cada decisión local queda registrada con su contexto: puntuación, umbral aplicado, versión del modelo y motivo del rechazo. Esa traza permite reconstruir un incidente sin depender de logs que nunca llegaron al servidor.
En plantas con enlaces satelitales inestables, la verificación biométrica no puede depender de la nube. Estos son los escenarios donde una micromodelo local sostiene la operación durante horas sin conexión, y qué se necesita para llegar ahí.
Si estás evaluando migrar parte del reconocimiento facial o de huella al propio dispositivo, el punto de partida es claro: definir qué decisiones se toman en el borde, qué plantillas se cachean cifradas y cómo se reconcilia el estado al recuperar el enlace. Ese es el trabajo que conviene planificar antes de comprar hardware.
Revisamos arquitectura, restricciones de cómputo y política de plantillas antes de cualquier propuesta. Si preferís empezar por lo técnico, en soporte hay material de referencia y en la portada está el resumen del enfoque.
Terminales de acceso, plantas industriales y flotas de sensores donde la verificación ocurre en el propio dispositivo. Estos son los comentarios que más se repiten cuando se retira la dependencia de la nube.
Teníamos 40 lectores faciales enviando cada captura a un servidor central. El enlace satelital se caía dos veces por semana y el acceso quedaba bloqueado. Con las plantillas cifradas en el propio terminal y una política de decisión local, la operación no se detuvo ni una vez en el último trimestre.
Nos preocupaba que un embedding sin protección fuera suficiente para reconstruir un rostro. Después de migrar a plantillas cancelables, la auditoría interna cerró sin observaciones y pudimos revocar credenciales sin reemplazar ni un solo sensor.
El micromodelo de 1.8 MB nos dio mejor tasa de verificación que el anterior de 6 MB cuando la persona camina hacia la puerta. La latencia por fotograma bajó y el consumo del terminal dejó de dispararse en verano.
Lo que más valoramos fue la sincronización diferida por lotes. Cuando el enlace vuelve, el terminal reconcilia sin duplicar estados ni aceptar plantillas ya revocadas. Antes eso nos costaba horas de revisión manual cada mañana.