Q
Atrás

El impacto de la IA y los datos en el sector Industria

Los desarrollos tecnológicos aseguran que la industria ha entrado en la siguiente fase de su desarrollo: Industria 4.0.

Las soluciones innovadoras de inteligencia artificial, aprendizaje automático e IoT pueden predecir el mantenimiento de la máquina, mejorar la eficiencia organizacional y minimizar los riesgos y costes operativos. En parte debido a la gran cantidad de datos disponibles, esto es cada vez más fácil. Sin embargo, las investigaciones muestran que las empresas no saben cómo explorar las posibilidades de la IA.

En esta serie analizamos el impacto de estas tendencias en la organización de las TIC. Mostramos cómo las organizaciones de la industria  pueden hacer que sus procesos sean más rápidos, mejores y más inteligentes al dar vida a sus datos. ¿Qué pueden significar la inteligencia artificial y el aprendizaje automático para las empresas? ¿Cuáles son los requisitos previos para tener éxito con la IA dentro de una empresa? En la parte 1 de esta serie, respondemos estas preguntas y presentamos nuestras soluciones Applied AI y Data Hub.

Los programas informáticos son cada vez más inteligentes y capaces de ayudar a las personas y empresas en su trabajo. Estos programas hacen esto usando grandes cantidades de datos. Donde hasta hace poco procesábamos principalmente esos datos en informes y paneles de control para mirar hacia atrás y obtener información como seres humanos, los ordenadores ahora pueden usar los mismos datos para presentarnos la información o incluso tomar decisiones basadas en esa información.

Predecir con algoritmos

Estos programas de computadora no solo miran hacia atrás en los datos, sino que nos ayudan a mirar hacia adelante. Con algoritmos inteligentes ahora podemos predecir tendencias complejas en el futuro. Por ejemplo, en el ámbito financiero. O en el campo de la oferta y la demanda o stock. Podemos predecir el mantenimiento no planificado analizando automáticamente los sensores integrados en las máquinas, mucho antes de que se requiera el mantenimiento. Podemos analizar varios procesos comerciales, como la cadena de suministro, las adquisiciones y la línea de producción. Y podemos automatizar varias actividades que antes eran principalmente humanas utilizando algoritmos.

Ejemplos de aplicaciones de IA

Debido a que ahora tenemos suficiente capacidad de almacenamiento para todos los datos que generamos por primera vez y hay suficiente potencia informática para realizar los cálculos necesarios, tenemos todo lo necesario para crear una poderosa aplicación de IA. Algunos ejemplos de aplicaciones:

Visión por ordenador. El algoritmo de Yolo (You Only Look Once) puede reconocer dónde se encuentra un objeto y qué es ese objeto en un solo fotograma de una película. Puede reconocer miles de objetos diferentes. Consiste en una red artificial profunda entrenada en una gran cantidad de imágenes. Supongamos que en una fábrica necesita reconocer rápida y frecuentemente si todas las partes de una línea de producción están disponibles rápidamente. Entonces podrías usar esta técnica.
Agente. Se trata de muñecos virtuales que hacen algo, por ejemplo, jugar un juego sin conocer las reglas de antemano. Usando un algoritmo llamado aprendizaje por refuerzo, aprenden las reglas del juego después de jugar millones de partidos virtuales entre ellos. Con el tiempo, incluso aprenden estrategias complejas. Con la ayuda del aprendizaje por refuerzo u otros algoritmos, puede realizar optimizaciones complejas para que su proceso de producción sea más eficiente o incluso automatizado.
Procesamiento del lenguaje natural combinado con la generación de nuevas imágenes. Un ejemplo de esto es que dices en lenguaje natural qué tipo de imagen quieres que dibuje un programa. ¿Una silla en forma de aguacate? ¿Un elefante hecho de pepino? Una red artificial los crea en el lugar en función de la entrada de un usuario.

La IA no es mágica

Con todos esos ejemplos, uno puede comenzar a pensar que la IA es casi mágica. Afortunadamente, la IA tal como la conocemos hoy en día no es más que un algoritmo de aprendizaje que aprende de una gran cantidad de datos cómo pasar de una determinada entrada a una determinada salida.
Cuantos más datos, más precisa, y mejor será la IA. La IA tampoco es siempre la mejor solución a su problema. Puede ser caro y tomar mucho tiempo antes de que la solución de IA esté finalmente en funcionamiento en producción. A veces, un programador inteligente puede resolver un problema a la antigua.

Teniendo esto en cuenta, es bueno saber que cualquiera puede empezar ahora que dispone de las herramientas y los recursos adecuados. La gran pregunta es: ¿Por dónde empiezas y cómo te aseguras de que tu primer proyecto de IA no fracase estrepitosamente? A menudo las cosas salen mal porque se aborda un problema que no aporta valor. Cualquiera que sea el problema que se aborde primero debe ser un tema de discusión entre los profesionales de datos comerciales y experimentados, de modo que tanto el valor agregado como la viabilidad se consideren al mismo tiempo.

También suele fallar con los datos en sí. Los datos correctos no están allí, no hay datos suficientes, los datos son de calidad insuficiente o no se puede acceder a los datos. Un problema específico que vemos a menudo en el sector industrial es que los datos quedan atrapados en las máquinas y solo los proveedores pueden liberarlos.

Por último, a menudo vemos que los científicos de datos producen un buen modelo de aprendizaje automático, pero que al configurar el modelo y las canalizaciones, la cuenta ha sido insuficiente.

Se ha analizado cómo se puede poner en producción el modelo. Por ejemplo: el modelo tarda demasiado en hacer una predicción o solo se ejecuta en una computadora portátil del científico de datos con todo tipo de dependencias externas. Y un modelo que se está entrenando hoy puede no ser común en seis meses. Si tal modelo ya no funciona bien, la empresa ya no lo necesita.

Nuestro enfoque: IA aplicada.

A partir de nuestra experiencia con proyectos de ciencia de datos e inteligencia artificial, hemos destilado un enfoque que aumenta significativamente nuestras posibilidades de éxito. A esto lo llamamos IA aplicada. La idea detrás de esto es muy simple: comienza poco a poco y fracasa rápidamente.
Nuestro punto de partida es el interés de una empresa o rama operativa en IA. La idea está viva o existe la sensación de que la IA puede significar algo, pero qué y cómo aún no está claro. A través de una serie de fases, obtenemos desde ese punto hasta el punto final, una solución de inteligencia artificial en producción que ofrece valor. Estos son los pasos.

Descubre el caso de uso. Un caso de uso es un problema específico que se puede abordar con IA o datos. Por ejemplo, aumentar la eficiencia de la producción o predecir el mantenimiento planificado o coordinar adecuadamente el stock. Los casos de uso son generados por la empresa, por ejemplo, en un taller y en presencia de un científico de datos. Luego, la empresa puede clasificar los casos de uso en términos de retorno de valor esperado, el científico de datos en términos de viabilidad. La búsqueda es para el caso de uso óptimo. ¿Qué caso de uso técnicamente factible ofrecerá el máximo valor si todo sale bien?
Definición del problema. Con el primer caso de uso, comenzamos con un escaneo rápido. En forma de talleres y análisis de datos, tratamos de responder a las preguntas cuál es el problema, por qué se debe resolver el problema y qué produce.
Identificar las condiciones previas para una buena solución del problema. Las preguntas que se discuten son: ¿qué se necesita predecir exactamente? ¿Cuál es la precisión mínima que debe tener el modelo para aportar valor? ¿Cómo se utilizará el modelo en producción? Este paso proporciona requisitos claros con los que un científico de datos puede comenzar.
Evaluación de datos. ¿Cuáles son los datos deseados frente a los datos disponibles? ¿Se puede resolver una brecha o debemos dar un paso atrás y ajustar nuestras ambiciones? ¿Hay suficientes datos, se pueden hacer accesibles y qué pasa con la calidad de los datos?
Investigar si se puede aprender el problema. ¿Puede el científico de datos crear un modelo súper simple que supere las probabilidades? Si es así, eso demuestra que el aprendizaje automático puede potencialmente resolver el problema. Si eso no funciona, tenemos que ver si necesitamos más datos o si nuestros criterios deben convertirse en soluciones.
Prueba de valor. En esta fase, intentamos hacer el mejor modelo posible con un equipo en seis u ocho semanas. Observamos hasta dónde podemos impulsar la precisión con diferentes algoritmos, agregando datos adicionales, etc. El resultado final es un modelo prototipo listo para entrar en producción. Determinamos el desempeño objetivo de ese modelo. Si funciona al menos tan bien como los requisitos establecidos en el escaneo rápido para una buena solución, cerramos el ciclo y pasamos a la producción en la fase de integración. De esta manera, recorremos los casos de uso hasta que vemos un buen rendimiento y decidimos llevar el modelo a producción y procesarlo en sistemas nuevos o existentes.
Integración / producción. En esta fase final, llevamos el modelo a producción y lo incorporamos a sistemas nuevos o existentes.

Plataforma de datos central

Es importante tener en cuenta que necesita diferentes roles en cada fase. Piense en el de consultor, científico de datos e ingeniero de datos. Tampoco debemos subestimar la recopilación de todos los datos necesarios y la transición de una fase a otra. Centralizar y hacer que todos los datos dentro de la empresa sean fácilmente accesibles es invaluable cuando se trata de acelerar este enfoque. y no solo por eso. Sabemos por experiencia con clientes que construir una plataforma central de este tipo es costoso y requiere mucho tiempo. Se debe considerar la arquitectura, la seguridad, la escalabilidad, los estándares que se utilizan, etc. Eso es complicado, especialmente si aún no sabe cómo se utilizará la plataforma en última instancia en el contexto de la ciencia de datos y la inteligencia artificial.

Basándonos en nuestras experiencias, hemos construido una plataforma de datos central, un centro de datos. Se puede implementar en la nube en unas pocas semanas. Utiliza la arquitectura de referencia del proveedor de la nube y es seguro por diseño. Usar la nube tiene muchas ventajas. Por ejemplo, es fácil de escalar, importante en el sector industrial, la transición de la innovación a la innovación a la producción y la integración es más fácil de hacer. Al utilizar elementos estándar del kit de herramientas del proveedor de la nube, sabemos que los componentes están optimizados y libres de errores. Además, a menudo es rentable porque solo paga por lo que usa.

En las próximas partes de esta serie, analizaremos más de cerca algunos ejemplos prácticos de activación de datos en la industria manufacturera.