Casi todas las demos de IA local acaban siendo un chat de texto en tu máquina. Vamos a hacer algo bastante más divertido: visión multimodal corriendo entera en el portátil, sin nube, sin API keys y sin latencia de red.

Con Foundry Local y modelos sobre ONNX Runtime, montaremos un pipeline que procesa el vídeo de una cámara en directo para detectar, describir y responder preguntas sobre lo que está viendo, con aceleración automática en NPU, GPU o CPU según el hardware que tengas delante.

Veremos cómo cargar y gestionar modelos de visión en local, qué rendimiento real puedes esperar en distintos equipos y por qué la ejecución local importa de verdad cuando hablamos de privacidad, coste y escenarios sin conectividad. Para cerrar, conectaremos todo con un agente construido con Microsoft Agent Framework para que las detecciones disparen acciones, siguiendo el patrón de agentes local first.

Sales de la sesión sabiendo montar visión multimodal en tu propia máquina y con criterio para decidir qué se queda en el edge y qué merece la pena mandar a la nube. Demo en vivo con la cámara y, sí, con el WiFi apagado.