AI Funnel — describa el flujo de IA en el edge en TOML.

Fase de build del ciclo de vida de despliegue del AI funnel, dentro de Cloud Connect. El contenedor del cliente — funnel.toml, modelos, dataset COCO y código de contenedor — se envía a un registro alojado por Munic o por el cliente. Desde el registro, los artefactos alimentan el entrenador de triaje, que fusiona varios funnels del cliente en un único detector de triaje unificado. El resultado alimenta el optimizador NPU, que aplica operaciones solo NPU e inferencia de baja precisión. El modelo optimizado alimenta el validador hardware-en-el-bucle, que ejecuta el candidato contra hardware de destino de referencia y aplica una barrera de precisión y latencia. Un bundle que pasa se firma y se emite como bundle de despliegue.

flowchart LR
  CB["Contenedor del cliente<br/>funnel.toml + modelos<br/>+ dataset COCO + código de contenedor"]
  REG[("Registro<br/>alojado por Munic o<br/>por el cliente")]
  TT["Entrenador de triaje<br/>varios funnels → un triaje"]
  OPT["Optimizador NPU<br/>ops solo NPU · inferencia de baja precisión"]
  HIL["Validador hardware-en-el-bucle<br/>hardware de destino de referencia<br/>barrera de precisión + latencia"]
  BUNDLE["Bundle de despliegue firmado"]
  CB --> REG --> TT --> OPT --> HIL --> BUNDLE
  class TT,OPT,HIL ai-node

Fase de provisión del ciclo de vida de despliegue del AI funnel, en el dispositivo. El bundle firmado se descarga mediante el mismo canal OTA que las actualizaciones de código. El DAG compilado desde funnel.toml se despacha y tres configuraciones se despliegan en paralelo: routing de cámara y sensor, el runtime de IA cargando los modelos en la NPU, y el ROI shader GPU configurando formato tensor, letterboxing y extracción de ROI. Las tres convergen en una señal de listo — el dispositivo está armado para el primer frame.

flowchart LR
  PULL["Bundle descargado<br/>mismo canal OTA que el código"]
  DAG["DAG despachado<br/>compilado desde funnel.toml"]
  CFG_CAM["Routing de cámara / sensor<br/>configurado"]
  CFG_NPU["Runtime de IA<br/>modelos cargados en NPU"]
  CFG_GPU["ROI shader GPU<br/>formato tensor · letterbox · ROI"]
  READY["Listo · primer frame"]
  PULL --> DAG
  DAG --> CFG_CAM --> READY
  DAG --> CFG_NPU --> READY
  DAG --> CFG_GPU --> READY
  class CFG_NPU ai-node

Fase de ejecución del ciclo de vida de despliegue del AI funnel, por frame en el dispositivo. La cámara o el sensor produce un frame GPU compartido. La GPU produce un tensor de triaje. El modelo de triaje NPU emite etiquetas y bounding boxes al router DAG de AI funnel. El router despacha por detección: la GPU recorta la región de interés con letterboxing y normalización, la NPU ejecuta el modelo posterior y devuelve etiquetas y confianza. El router o bien vuelve al bucle para encadenar otro modelo en el DAG o sale al contenedor del cliente, donde la carga de trabajo termina como seguimiento, mapeo, un mensaje en la nube o un mensaje CAN — el nodo terminal depende del DAG.

flowchart LR
  SRC["Cámara / sensor<br/>frame GPU compartido"]
  GPU1["GPU<br/>tensor de triaje"]
  NPU1["Triaje NPU<br/>etiquetas + bboxes"]
  AIF["AI funnel<br/>router DAG"]
  GPU2["GPU<br/>ROI por detección<br/>letterbox · normalizar"]
  NPU2["Modelo NPU<br/>etiquetas + confianza"]
  SINK["Contenedor del cliente<br/>seguimiento · mapa · mensaje nube · CAN"]
  SRC --> GPU1 --> NPU1 --> AIF
  AIF --> GPU2 --> NPU2 --> AIF
  AIF --> SINK
  class NPU1,NPU2 ai-node