Aplicaciones industriales de la IA: más allá de la prueba de concepto
Escollos comunes en la aplicación de la IA en contextos industriales
Los avances de la IA en diversos ámbitos de nuestra vida la convierten en una de las tecnologías más apreciadas en la actualidad. Se han conseguido éxitos impresionantes y las expectativas no dejan de aumentar. También se observa en este ámbito una tendencia a transferir la tecnología del espacio del consumidor a las aplicaciones industriales. Sin embargo, según varios documentos de analistas, los proyectos industriales de IA nunca pasan de una PdC en aproximadamente el 75% de los casos. ¿Por qué ocurre esto?
El entusiasmo por aprovechar el éxito de la IA en el espacio del consumidor suele dejar de lado algunas propiedades importantes de las aplicaciones industriales. En este artículo enumeramos algunos retos industriales que deben abordarse para que un proyecto de IA tenga éxito.
Índice
La importancia de los datos
La tecnología que se denomina IA es hoy en día principalmente redes neuronales/red neuronal artificial (véase también: Aprendizaje automático). Sin entrar en detalles, pueden verse como funciones matemáticas que aproximan una variable de salida a partir de un conjunto de variables de entrada mediante una red entrenada.
Para entrenar esa red, se necesita un gran conjunto de datos etiquetados. Se trata de pares de datos en los que se conoce la salida relacionada con una entrada. A continuación, se ajusta la red entre la entrada y la salida de manera que se obtenga esa salida conocida. Dado que las redes neuronales pueden tener un gran número de variables internas, es necesario un gran número de conjuntos de datos de entrenamiento para conseguir resultados satisfactorios. Una vez que la red ha sido entrenada, se pueden aplicar nuevos datos de entrada y la red produce una salida derivada de los datos de entrenamiento.
A diferencia de otras formas de software, la funcionalidad de una red neuronal apenas está definida por el código de programación que describe el algoritmo. Los algoritmos de las redes neuronales son genéricos. El tipo de problema que resuelve una red neuronal viene definido por los datos con los que se entrena.
Por tanto, la calidad de una solución de IA depende totalmente de la disponibilidad y la calidad de los datos de entrenamiento. Dicho esto, la red sólo es capaz de aproximarse a los datos que se han incluido en el conjunto de datos de entrenamiento. Si se le dan fotos de gatos y perros, será capaz de decir «esto es probablemente un gato», pero nunca detectará un elefante. Además, no hay garantía de que la red resuelva un conjunto de datos determinado, aunque sea del espacio en el que fue entrenada.
En las aplicaciones de consumo, estos conjuntos de datos están disponibles en su mayoría, a menudo en las bases de datos de las grandes empresas tecnológicas. Y en la mayoría de las aplicaciones de consumo de la IA, algunos resultados mal etiquetados están bien. Si 500 imágenes de gatos se reconocen correctamente y sólo un puñado no, es suficiente. Para las aplicaciones industriales, esto es diferente. ¿Por qué?
En las aplicaciones industriales, las decisiones apoyadas por la IA pueden tener un impacto significativo en la producción industrial. Por otro lado, la recopilación de información suficiente es bastante difícil, y quizá también costosa. Si los resultados del sistema de IA son erróneos, pueden provocar pérdidas o incluso daños o algo peor. Una mala interpretación ocasional de un sistema de IA no suele ser aceptable. He aquí algunas pistas sobre lo que hay que observar en los proyectos industriales de IA.
Iniciación – Antes de comenzar un proyecto de IA
Antes de iniciar un proyecto de IA, hay que aclarar algunas cuestiones. La primera y más importante, que -sorprendentemente- a menudo se pasa por alto, es: Qué problema se quiere resolver y por qué. Este problema tiene que ser lo suficientemente relevante como para justificar el esfuerzo, es decir, tiene que haber algunas consideraciones básicas de negocio. La siguiente cuestión es qué tecnología utilizar para resolverlo. La IA puede ser, o no, la mejor solución. Una razón importante por la que puede no serlo es la falta de datos, lo que lleva a la pregunta relacionada: ¿tenemos datos sobre el problema a resolver?
Y, por último, hay que poner en marcha la solución. Muy a menudo, esto incluye la ampliación de la escala. Por lo tanto, es útil considerar desde el principio si no sólo se dispone de datos de una sola máquina para la PdC, sino también si será factible obtener los datos de otras máquinas, tal y como requiere el caso de negocio.
Encontrar el problema adecuado es una decisión empresarial, por lo que vamos a profundizar un poco más en las demás cuestiones.
Información – Datos para aplicaciones de IA
Las plantas industriales generan muchos datos. Para controlar un robot, o una acería, o cualquier otro proceso industrial, se utilizan sensores para controlar el equipo de manera que se comporte como está diseñado. La mayoría de esos datos se descartan inmediatamente. Pero se generan y se pueden registrar. Así que debería haber suficientes datos para entrenar a la IA.
El reto de utilizar los datos es que contengan la información necesaria. Si se quieren predecir los fallos, hay que tener datos sobre los fallos. Dado que los equipos industriales fallan con poca frecuencia, probablemente no sea suficiente con recoger datos de una sola máquina. Para ello, necesita datos de muchas instalaciones en las que el equipo haya fallado. Si dirige sus propias fábricas, es posible que no disponga del número necesario de máquinas; si es proveedor, es posible que sepa dónde y por qué fallan las máquinas, pero es posible que sus clientes no le den los datos. Para conseguir los datos, tienes que ofrecer una propuesta de valor a tu cliente de por qué debería hacerlo.
Además, utilizar la IA para reproducir la información que ya tiene, no es eficiente. Dado que los datos del proceso están correlacionados por la física del proceso, el entrenamiento del sistema de IA con datos brutos puede revelar esas leyes de la física. Pero esas son conocidas, se aplicaron cuando se diseñó la planta. Usted querría aplicar la IA para detectar los efectos que no pueden ser explicados fácilmente por sus datos de ingeniería. Por lo tanto, hay que eliminar lo conocido de los datos, para entrenar la red en lo que no se sabe.
En resumen: para utilizar con éxito la IA, se necesitan datos que contengan la información adecuada para lo que se quiere conseguir. Estos datos pueden estar en diferentes lugares, en diferentes formatos. Si no están fácilmente disponibles, tenga en cuenta que su recopilación consumirá fácilmente la mayor parte del presupuesto de su proyecto de IA.
Impacto – Resultados de la IA
La IA puede conseguir resultados impresionantes, pero también puede provocar fallos sorprendentes. Y a diferencia del software convencional, es difícil de probar. Incluso pequeñas variaciones en los datos de entrada pueden conducir a resultados completamente diferentes, y la naturaleza de una red neuronal no revela la razón por la que el resultado ha cambiado. Tampoco revela una razón de por qué llegó a la conclusión correcta.
Al aplicar la IA en un sistema industrial, hay que ser consciente de sus deficiencias y riesgos, y hay que mitigarlos con otros medios técnicos. Hay que tener en cuenta que no se pueden descartar ni los falsos positivos ni los falsos negativos, algo que debe tener en cuenta el diseño del sistema y del proceso. Es necesario un sistema de supervisión convencional, o un sistema de seguridad, que se asegure de que la parte de la IA se mantiene dentro de unos límites operativos razonables.
En resumen: aplique la IA donde tiene su fuerza, y no intente estirarla donde tiene sus puntos débiles. Sé consciente de ellos y cúbrelos con procesos y tecnologías alternativos.
Implementación – Aplicación de la IA
Una vez que se disponga de los datos de entrenamiento iniciales, estará listo para empezar. Hay muchas posibilidades de que su PdC funcione. Convertirlo en un sistema en producción sigue teniendo sus retos.
Una cuestión clave es la arquitectura general: como hemos mencionado, el entrenamiento del sistema requiere muchos datos y mucha potencia de cálculo. Para ambos requisitos, las soluciones en la nube son muy adecuadas en muchos casos. Sin embargo, aplicar la red entrenada es mucho menos complejo y puede hacerse localmente, quizá incluso en chips de IA dedicados. La velocidad, la disponibilidad de los datos, la seguridad, la privacidad y tal vez otros parámetros tienen que dirigir su decisión de arquitectura.
Si quieres aprender del funcionamiento, tu red neuronal tiene que ser reentrenada de vez en cuando, los modelos tienen que ser actualizados, etc. Esto puede requerir recursos informáticos adicionales que no se necesitaban en el PoC.
Una propiedad desagradable de los sistemas de IA es el hecho de que no está garantizado que los datos de entrenamiento del PoC creen una red que funcione en un entorno similar, pero ligeramente diferente. Por lo tanto, transferir una solución a otra instalación tiene sus dificultades, y actualmente se está investigando al respecto.
El sistema puede ser más robusto frente a estas variaciones si se tienen en cuenta los datos de entrada de una variedad de instalaciones para el entrenamiento. Volviendo a una afirmación anterior: considere esto al principio de su proyecto, porque puede arriesgarse a gastar el elevado esfuerzo de recogida y limpieza de datos de nuevo con su próximo cliente, mientras que puede reutilizar el pequeño esfuerzo que se gasta en el entrenamiento de la IA.
Conclusiones
No nos cansamos de insistir en que unos buenos y representativos conjuntos de datos de entrenamiento que contengan la información que necesitas para tu solución son la clave del éxito de una solución de IA. Asegúrese de que dispone de esos datos, inicialmente y a lo largo del ciclo de vida de su solución. Pero lo más importante es que sea consciente de qué tareas quiere que ejecute su solución. Aplique la IA allí donde sea adecuada y combínela con otros componentes que puedan realizar esa tarea de forma más eficiente.
Los comentarios están cerrados.