Noticia
Google muestra cómo las apps de Android reparten la IA entre la nube y el dispositivo
La última guía de Google para desarrolladores de Android utiliza la aplicación de muestra Jetpacker para mostrar cómo pueden combinarse la IA en la nube, en el dispositivo y de forma híbrida.
Google ha publicado una nueva actualización técnica que explica cómo los desarrolladores de Android pueden dividir las cargas de trabajo de inteligencia artificial entre el dispositivo, la nube o ambos. La entrada del Android Developers Blog, publicada el 21 de julio, utiliza Jetpacker, una aplicación de viajes de código abierto, para demostrar las ventajas y desventajas prácticas de las funciones modernas de IA.
La guía está dirigida a desarrolladores que crean aplicaciones inteligentes para Android, no a consumidores que esperan una nueva actualización del sistema. Su mensaje central es que no existe un único lugar ideal para ejecutar todos los modelos. El procesamiento en la nube puede ofrecer un conocimiento más amplio y ventanas de contexto más grandes, mientras que la inferencia en el dispositivo puede reducir la latencia, limitar las transferencias de datos y mantener determinadas funciones operativas sin conexión a internet. La inferencia híbrida se presenta como una forma de combinar esas ventajas cuando también importan la compatibilidad y los costes operativos.
Una aplicación de muestra, tres estrategias de IA diferentes
Jetpacker está diseñada para ayudar a los usuarios a planificar y gestionar viajes. Google utiliza la aplicación para mostrar cómo un mismo producto puede emplear distintas arquitecturas de IA según la tarea. Las funciones que manejan información privada o tareas relativamente sencillas pueden ejecutarse localmente, mientras que las solicitudes que necesitan información actualizada o un razonamiento más complejo pueden enviarse a modelos en la nube.
El primer ejemplo es un asistente de museo. Es posible que un modelo local no conozca el calendario de exposiciones más reciente, las normas de las entradas o los horarios de apertura, por lo que Jetpacker utiliza Firebase AI Logic con herramientas de grounding. La muestra puede añadir información de una página web específica, Google Search o Google Maps al contexto del modelo antes de generar una respuesta. El objetivo es que las respuestas sean más relevantes para un lugar concreto y más útiles para preguntas cuyas respuestas pueden cambiar con el tiempo.
El ejemplo de Google también ilustra una limitación importante: el grounding no elimina la necesidad de que los desarrolladores elijan fuentes fiables y diseñen comprobaciones adecuadas. Un modelo solo puede trabajar con el contexto que recibe, por lo que los equipos de las aplicaciones aún deben decidir qué sitios web, datos de mapas u otros servicios son de confianza antes de mostrar una respuesta a los usuarios.
La inferencia híbrida mantiene el procesamiento local dentro del circuito
El segundo ejemplo es una función para redactar reseñas de restaurantes. Jetpacker intenta generar un borrador en el dispositivo utilizando Gemini Nano y, después, recurre a un modelo en la nube en los dispositivos que no admiten la capacidad local necesaria. Google describe este enfoque como una forma de ofrecer una función en una base más amplia de dispositivos Android sin renunciar a las posibles ventajas de privacidad y costes de la ejecución local.
La API Firebase Hybrid Inference admite cuatro opciones de enrutamiento: PREFER_ON_DEVICE, PREFER_IN_CLOUD, ONLY_ON_DEVICE y ONLY_IN_CLOUD. En el ejemplo de Jetpacker, la aplicación prefiere el procesamiento local, pero puede utilizar la nube como alternativa. Los desarrolladores pueden elegir un modo más estricto cuando una función deba permanecer local, o dar prioridad a la nube cuando un razonamiento más completo sea más importante que la disponibilidad sin conexión.
Esta decisión tiene consecuencias directas para la experiencia del usuario. La inferencia local puede reducir la dependencia de la red, pero depende de un hardware compatible, de la disponibilidad del modelo y de los recursos del dispositivo. La inferencia en la nube puede admitir modelos más capaces, pero introduce requisitos de conectividad y puede aumentar la latencia o los costes operativos. Una ruta híbrida ofrece otra opción a los desarrolladores, siempre que la aplicación gestione claramente los cambios en el estado de la red y la disponibilidad del modelo.
La traducción muestra por qué el enrutamiento puede necesitar reglas personalizadas
El chat de asistencia hotelera de Jetpacker demuestra una configuración más compleja. La aplicación identifica primero el idioma de un mensaje entrante con ML Kit. Después, dirige determinadas combinaciones de idiomas a un modelo en el dispositivo y envía otros casos a un modelo en la nube. La muestra utiliza una lógica personalizada en lugar de una única regla universal, lo que permite tener en cuenta el idioma, la compatibilidad del dispositivo y las necesidades de la conversación.
Esto resulta útil para aplicaciones internacionales porque la calidad de la traducción, la compatibilidad de los modelos y los requisitos de privacidad pueden variar según el idioma. Un desarrollador podría mantener en el dispositivo las combinaciones de idiomas habituales y enviar a un servicio en la nube las menos compatibles. La muestra de Google enseña el mecanismo, pero no afirma que todos los idiomas o dispositivos produzcan resultados idénticos. Los equipos aún deben evaluar sus propios idiomas compatibles y definir qué ocurre cuando un modelo no puede responder con suficiente confianza.
La entrada también destaca el trabajo de seguridad necesario cuando una aplicación de Android envía solicitudes de IA a la nube. Jetpacker integra Firebase App Check con Play Integrity para las solicitudes de producción y utiliza un proveedor de depuración durante el desarrollo local. La muestra de Google inicializa la autenticación anónima como parte del flujo de la aplicación. Estos controles están pensados para ayudar a limitar el uso no autorizado de las API y reducir el riesgo de facturación inesperada o abuso.
Qué significa esto para los desarrolladores de Android
La actualización de Google trata menos de lanzar una única función nueva que de ofrecer a los desarrolladores un marco para tomar decisiones. Los equipos pueden empezar por los datos del usuario y los requisitos de la tarea: los documentos sensibles pueden favorecer el procesamiento en el dispositivo, la información local actual puede requerir grounding y una amplia compatibilidad entre dispositivos puede beneficiarse de una alternativa en la nube.
El enfoque también anima a los desarrolladores a mostrar los estados de error con honestidad. Si un dispositivo no dispone de Gemini Nano, la aplicación debería hacer predecible su comportamiento alternativo. Si una solicitud necesita acceso a la nube, la interfaz debería tener en cuenta el uso sin conexión, las demoras y el consentimiento. Si un modelo redacta un texto o traduce un mensaje, los usuarios deberían poder revisar el resultado antes de compartirlo.
Para los usuarios de Android, el resultado práctico puede ser menos visible que una interfaz rediseñada. La misma aplicación podría responder más rápido en una situación, funcionar sin conexión en otra y consultar información actual de la web o de los mapas cuando sea necesario. Estas mejoras dependen de un enrutamiento cuidadoso, de la selección de fuentes y de controles de seguridad, no solo de la marca de IA. La muestra Jetpacker de Google ofrece una referencia concreta para los desarrolladores que quieran incorporar ese equilibrio a sus propias aplicaciones.
Fuentes y evidencias