Según Gartner’s Data and Analytics Leader’s Guide to Data Literacy, “para el año 2020, el 50% de las organizaciones tendrán insuficientes habilidades de inteligencia artificial y de conocimiento de datos para obtener un valor empresarial real”.
El otro 50% de las organizaciones dentro de cualquier industria tendrá conocimiento de datos, algoritmos inteligentes y poder de computación de alto recurso para proporcionar valor real al negocio. La Inteligencia Artificial y el Aprendizaje Automático ayudarán a cualquier organización a evolucionar hacia la cuarta revolución industrial.
Pero tener modelos avanzados de IA y ML no es suficiente. La IA sin datos no es nada, y la IA sin potencia de computación es imposible.
En este artículo, describiremos siete formas en que la IA impactará en la Automatización Industrial en 2020. Se trata de tecnologías de IA que ya están despegando, como la visión por computadora, los robots de colaboración o el aprendizaje de refuerzo, y que tendrán un impacto en la industria en el año 2020.
Descubra las perspectivas de los datos con IA
“Los datos son el nuevo petróleo. Es valioso, pero si no está refinado no puede usarse realmente. Tiene que ser transformado en gas, plástico, productos químicos, etc. para crear una entidad valiosa que impulse la actividad rentable; por lo tanto, los datos deben ser desglosados, analizados para que tengan valor” dijo Clive Humby, matemático británico y empresario en el campo de la ciencia de datos.
¿Qué sentido tiene tener toneladas de terabytes de datos almacenados?
Los datos son prácticamente inútiles a menos que les demos algún sentido. De hecho, tener lagos de datos es importante, pero ser alfabetizado en datos es mucho más importante para desbloquear el verdadero valor “petrolero” de los datos. Y cuantos más datos tengamos, más valioso puede ser el análisis.
La industria genera toneladas de datos valiosos en un solo día. Registros de la línea de fabricación, sensores de temperatura, video, audio, etc. Con los modelos adecuados de Inteligencia Artificial en su lugar, todos estos datos en bruto pueden convertirse en valiosos conocimientos. Los nuevos conocimientos pueden llevar a los ingenieros o diseñadores a descubrir nuevas formas de mejorar un producto, la línea de ensamblaje, o incluso aprender sobre las tendencias.
Gracias a la IA, los profesionales de cualquier industria podrán tomar decisiones más rápidas y mejores. Las siguientes industrias se pueden beneficiar del descubrimiento de nuevos conocimientos:
- Minería, petróleo y gas.
- Transporte.
- Manufactura.
- Servicios de alojamiento y alimentación.
- Construcción.
- Finanzas y Seguros.
- Investigación científica.
Mejorar los servicios y productos a través de visión por computadora
La Visión por Computadora, un campo dentro de la IA, intenta replicar las sofisticadas funcionalidades de la visión humana y extraer alguna información valiosa de las imágenes y el video. Utiliza el aprendizaje automático y las redes neuronales para identificar y procesar los objetos en los videos o imágenes.
A continuación se muestra una imagen de cómo la visión por computadora identifica los objetos de una imagen.
Para funcionar, la Visión por Computadora se basa en tres elementos, los datos visuales, los algoritmos inteligentes y las computadoras de alto procesamiento.
La Visión por Computadora ha estado operando en su más baja capacidad hasta hace poco. Pero ahora, las aplicaciones de realidad aumentada como Snapchat, están empezando a adoptar la automatización a través de la visión por computadora. A continuación se presentan algunos de los productos/servicios mejorados más comunes gracias a la visión por computadora.
- Vehículos autónomos: La industria automotriz es una de las pioneras de la visión por computadora. Los coches que se conducen por sí mismos son un gran ejemplo de la visión por computadora en la práctica. Esta tecnología ayuda a que los coches tengan un mejor sentido de lo que ocurre a su alrededor. Las cámaras ubicadas alrededor del automóvil alimentan a la computadora central con datos visuales brutos en tiempo real. Esta computadora ejecuta algoritmos de visión computarizada para procesar las imágenes y encontrar obstáculos en la autopista e incluso leer las señales de tráfico.
- Reconocimiento facial: Una fotografía de un usuario se toma y se envía a la computadora para ejecutar algoritmos de visión computarizada en la biometría facial y compararla con una base de datos con perfiles faciales. Además de encontrar a los delincuentes, el reconocimiento facial puede utilizarse para mejorar la seguridad de los productos y servicios. Los dispositivos de consumo como teléfonos móviles, sistemas de cierre de puertas, dispositivos de salud y otros, pueden beneficiarse de la seguridad que aporta el reconocimiento facial.
- Realidad mixta RA/RV: Cuando se utilizan aplicaciones de realidad mixta (RA/RV) como Pokémon Go, la visión por computadora es la encargada de superponer los objetos virtuales al mundo físico que se muestra en la pantalla. Los algoritmos avanzados de visión por computadora pueden mejorar estos servicios identificando planos como calles o mesas durante el video. La identificación de estos planos ayuda a que las aplicaciones de realidad mixta se ocupen de las dimensiones y la profundidad.
Aprendizaje profundo mejorado basado en datos para la fabricación inteligente
Todo comenzó con las populares técnicas de fabricación ajustada desarrolladas por el Sistema de Producción Toyota (TPS). Este sistema se basaba en la medición ininterrumpida y el modelado estadístico de una gran cantidad de procesos.
A medida que los datos recopilados de estos procesos comenzaron a crecer, las instalaciones de producción fueron capaces de alimentarlos a computadoras de alto procesamiento que tenían modelos de Aprendizaje Automático (ML). Hoy en día tenemos el Aprendizaje Profundo (DL) que juega un papel clave aquí, ya que puede tratar de manera efectiva los patrones de datos no lineales. El aprendizaje profundo utiliza técnicas de aprendizaje automático que se basan en redes neuronales artificiales. Puede extraer conocimientos de alto nivel de las entradas de datos sin procesar.
El aprendizaje automático y el aprendizaje profundo ayudarán a la planta de fabricación inteligente a:
- Mejorar el control de calidad de la línea de montaje.
- Mejorar la calidad del producto con la detección de anomalías y la supervisión del proceso.
- Mejorar el mantenimiento de las máquinas con análisis predictivo.
- Ayuda con la planificación de la capacidad.
El Kit Abierto de Optimización Visual de Inferencia y Red Neural (OpenVINO), es un ejemplo de los esfuerzos que se están realizando para mejorar el rendimiento de la red neural para cualquier procesador Intel. Este kit de herramientas ayuda a las aplicaciones de visión artificial que dependen de las redes neuronales para el procesamiento y análisis de imágenes.
Colaboración y productividad más segura de los robots con Cobots
Amazon dio un gran salto en la industria de la automatización cuando adquirió la startup de robótica de almacenes Canvas Technology, a principios de 2019. Amazon fue capaz de construir nuevos robots de almacén gracias a la sofisticada visión por computadora impulsada por Canvas Technology.
El nuevo y mejorado sistema autónomo ya está permitiendo a los trabajadores de los almacenes de Amazon trabajar de forma segura junto con Robots de Colaboración (Cobots). La tecnología también está ayudando a rastrear cada movimiento de cada producto en el almacén, lo que pretende maximizar la eficiencia y la productividad.
Los Cobots juegan un gran papel en industrias como la manufactura o los laboratorios. Estos robots están destinados a trabajar junto con los humanos, a diferencia de los grandes robots industriales enjaulados, que pueden ser peligrosos. Los cobots son sistemas autónomos que pueden recoger y colocar artículos, empaquetarlos, inyectarlos, hacer análisis y hacer mucho más. El poder de los Cobots es limitado para evitar accidentes. También tienen paradas monitorizadas y pueden hacer un seguimiento del movimiento y la velocidad.
¡Estos robots pueden ser configurados con tanta precisión que incluso pueden hacer bosquejos!
Los Robots de Colaboración están potenciados por la Inteligencia Artificial, el Aprendizaje Automático, y los algoritmos de visión computarizada para hacerlos rápidos en la toma de decisiones. Los Cobots no sustituirán a la mano de obra humana, sólo ayudarán a realizar tareas monótonas que requieren una gran precisión.
Mejora de los robots de toma de decisiones con el aprendizaje de refuerzo
El Aprendizaje de Refuerzo (LR) es una técnica de aprendizaje de máquina de última generación que intenta entrenar modelos ML para la toma de decisiones avanzadas y el aprendizaje de estrategias. Cuando un modelo pasa por el aprendizaje de refuerzo, utiliza el método de prueba y error para encontrar una solución a un problema complejo. En otras palabras, la máquina es recompensada o castigada por las acciones que realiza para alcanzar un objetivo, que es una recompensa final.
Estas técnicas de RL han sido ampliamente adoptadas por la industria de los juegos de azar. En un caso, se utilizó un modelo de RPG para jugar al antiguo videojuego RPG avanzado, Abbey of Crime por sí mismo. El modelo era capaz de tomar decisiones, aprender y completar el juego con éxito.
Minecraft, un videojuego popular moderno, organizó un concurso llamado MineRL, donde animaba a los jugadores a programar modelos de RL para jugar Minecraft. AWS también está organizando una competencia de Robots autónomos, que promete mejorar los vehículos autónomos a través de modelos ML y RL.
El RL ayuda a una máquina a aprender a realizar tareas sin saber mucho sobre cómo hacerlas al principio. Cuando los algoritmos de aprendizaje de refuerzo se ejecutan a través de un número masivo de misiones de resolución de problemas, el modelo/máquina alcanzará habilidades increíbles.
Además de los juegos, el RL también dará forma a otras industrias. Por ejemplo, un robot programado con RL situado en un laberinto desconocido observará, navegará y aprenderá a través del proceso. La próxima vez que el robot pase por el laberinto, será capaz de tomar decisiones automáticas que fueron previamente aprendidas.
Llevando el aprendizaje automático al límite con los chips habilitados para IA
En un modelo típico de comunicación servidor/cliente, el servidor tiene gran parte de la capacidad computacional, de almacenamiento y de red. Un ejemplo claro de esto es la computación en la nube. La nube tiene la infraestructura y los servicios para ejecutar algoritmos de IA y ML sobre los datos y luego enviar los resultados. Aunque esta es una gran solución para aquellos con acceso a Internet de alta velocidad y una conexión confiable, es inalcanzable para aquellos en áreas remotas.
Así que en lugar de depender de una computadora de alto procesamiento desplegada en la nube o en el núcleo de la red, la IA ahora puede ser llevada más cerca del usuario final, o al borde.
La computación de borde distribuirá y acercará el poder de la nube al usuario. En la computación de borde, todos los datos son manejados, procesados, transmitidos por toneladas de dispositivos. El uso de este tipo de computación permitirá capacidades de ML e IA en el borde. Tener acceso a la inteligencia sin servicios de IA basados en la nube beneficiará a cualquier industria, especialmente a aquellas que operan en áreas remotas.
Algunos casos de uso de ML llevado al límite
Un ejemplo de un dispositivo que puede llevar al límite el aprendizaje automático es el Movidius Neural Compute Stick de Intel. Este pequeño dispositivo permite la rápida creación de prototipos y la implementación de aplicaciones de redes neuronales profundas en el borde. Utiliza una arquitectura de Unidad de Procesamiento de Visión (VPU), que es un chip integrado optimizado para IA para acelerar la visión de computación basada en redes neuronales.
El dispositivo es tan pequeño y sencillo como una unidad USB.
Este dispositivo de Intel ya se está utilizando en todo el mundo en el sector sanitario y de la salud. Por ejemplo, un sistema de IA que detecta bacterias dañinas en el agua en tiempo real, sin necesidad de una conexión a la nube. Otro caso de uso de este dispositivo fue un escáner de cáncer de piel en tiempo real.
Análisis predictivo potenciado por las plataformas de aprendizaje profundo in situ
Tradicionalmente, un algoritmo de ML entrena un modelo utilizando un conjunto de datos etiquetados y estructurados. Después de algún tiempo, el modelo aprende de los datos y predice los conjuntos de datos que vendrán en el futuro. Deep Learning toma este mismo concepto pero utiliza datos no estructurados sin ninguna preparación. A los modelos de Aprendizaje Profundo también se les puede dar datos como imágenes, video o audio. Por eso el aprendizaje profundo es crucial para el reconocimiento de voz e imágenes.
El aprendizaje profundo depende de tres factores diferentes: toneladas de datos, algoritmos inteligentes y la GPU para acelerar el aprendizaje.
La aceleración de la Unidad de Procesamiento Gráfico (GPU) es un tipo de cálculo que utiliza la GPU y la CPU avanzadas para procesar operaciones intensivas de aprendizaje y análisis. Se necesita toda esa información, ejecutar el análisis y predecir las tendencias. Un ejemplo de esto es la GPU de NVIDIA Jetson, para una IA de alto rendimiento en el borde.
La computación acelerada en la GPU está creciendo en popularidad en diferentes industrias. El mantenimiento predictivo ayudará a informar cuándo es necesario atender a ciertas máquinas. Esto será útil para la industria automotriz, manufactura, logística y transporte, industria petrolera y de gas, y servicios públicos.