IA/ML EN LA INDUSTRIA

Share on facebook
Share on linkedin
Share on twitter
Share on email

INTRODUCCIÓN

Todo tipo de empresas están usando ya o planean usar en breve la Inteligencia Artificial (en adelante, IA). Por ejemplo, una encuesta de Deloitte de 2020 [1] daba como resultado que más del 54% de las empresas consultadas ya estaban usando alguna técnica de IA y que un 94% pensaba hacerlo en un año.

Lo anterior no quiere decir que muchas de ellas tengan claras sus posibles aplicaciones, que puedan aprovechar todas las ventajas de usar IA o que vean satisfechas sus expectativas. Hay que reconocer que existe cierto componente de moda y gancho comercial, efecto de todo el ruido mediático que envuelve a la denominada 4ª Revolución Industrial en el que no es raro que se mezclen múltiples conceptos como Big Data, Inteligencia Artificial, Machine Learning, Digital Twin, Analítica de Datos, IIoT… todos ellos muy relacionados/solapados entre sí en las aplicaciones prácticas, pero que hablando con propiedad no son lo mismo.

¿QUÉ ES LA IA?

Podemos definir la IA como cualquier técnica que capacita a los ordenadores a imitar el comportamiento humano (ver, leer, hablar, aprender, tomar decisiones, etc). El término Inteligencia Artificial fue acuñado en 1956 por John McCarthy, un informático estadounidense, durante la Conferencia de Dartmouth, evento donde nació esta disciplina.

Actualmente vivimos un auténtico boom de la IA, gracias a la progresiva digitalización de todas nuestras actividades, propiciada por las mayores capacidades y el abaratamiento del hardware y la potencia del software. En nuestra vida diaria ya estamos rodeados de IA, aunque quizás no seamos conscientes de ello [2]. Los más “puristas” dirán que la gran mayoría de estas aplicaciones no son IA, sino más bien Machine Learning (en adelante, ML), pero si el lector me lo permite, en este artículo usaré ambos conceptos prácticamente como sinónimos. La siguiente figura muestra cómo encajan todos estos conceptos.

                                                                                              Figura 1. Así encajan IA, ML y DL

La IA disponible actualmente es del tipo Inteligencia Artificial Débil o Estrecha, sistemas capaces de resolver un único tipo de problema, muy bien definido y acotado. Existe otro tipo de IA, la Inteligencia Artificial Fuerte o General que podría resolver problemas muy diversos. Gracias a la Ciencia Ficción, quizás sea esta la imagen mental de la IA extendida entre el público general, pero de momento es un desarrollo lejano.

¿QUÉ DIFERENCIA A LA IA DE UN PROGRAMA INFORMÁTICO?

Un programa informático es una lista finita de instrucciones que indica a una “máquina” qué tiene que hacer paso a paso. Estas instrucciones deben cubrir todas las posibilidades que el programa puede encontrarse durante su funcionamiento, para lo cual, antes han debido ser analizadas por los programadores. En caso de un imprevisto, el programa no sabrá qué hacer y “se colgará” o dará un enigmático mensaje de error, algo que seguramente os ha pasado.

La IA en cambio, no recibe órdenes explícitas para obtener un resultado, es ella sola la que, a partir de unos datos de entrada, “se las apaña” para obtener los resultados, utilizando para ello distintos algoritmos, en función del tipo de problema.

¿CÓMO FUNCIONA LA IA?

Es imposible explicar en detalle los fundamentos de la IA en este post, pero creo conveniente desarrollar un poco más las “grandes divisiones” esbozadas en la Figura 1.

Aprendizaje Supervisado (Supervised Learning)

En el Aprendizaje Supervisado, los algoritmos reciben un conjunto de datos de entrenamiento. A través del análisis de estas parejas de ejemplo de datos y resultados, el algoritmo “aprende” por sí mismo las reglas que le permitirán predecir el resultado cuando reciba un input sin etiquetar. Una aplicación típica son los problemas de regresión y de clasificación.

Aprendizaje No Supervisado (Unsupervised Learning)

En este caso no hay datos de entrenamiento etiquetados, sólo datos de entrada, sin datos de salida relacionados. El objetivo del Aprendizaje No Supervisado es analizar la estructura de los datos, para intentar encontrar algún tipo de organización (anomalías, similitudes, diferencias o asociaciones entre los datos de entrada). Una aplicación típica en Marketing es segmentar el público objetivo.

Aprendizaje por Refuerzo (Reinforcement Learning)

Al algoritmo se le proprocionan unas “reglas de juego” y un objetivo a cumplir. Mediante prueba y error aprende por sí mismo -obteniendo recompensas (si se acerca a su objetivo) y/o penalizaciones (si se aleja de él) – cómo alcanzar la meta fijada. Por ejemplo, una IA podría aprender a operar una instalación manteniendo la producción y optimizando su consumo energético, “jugando” con un simulador del proceso.

Aprendizaje Profundo (Deep Learning)

El cerebro humano está compuesto por células especializadas (las neuronas) interconectadas entre sí. El aprendizaje y el razonamiento humano pueden verse como interconexiones entre neuronas.

De forma similar, en DL la unidad mínima es el perceptrón que al interconectarse con otros perceptrones forma una red neuronal. El adjetivo profundo hace referencia a la superposición/interconexión de varias de estas redes neuronales. El DL puede reemplazar los distintos algoritmos incluidos dentro de las categorías listadas anteriormente. Se utiliza para el reconocimiento de objetos en fotos y videos, traducciones automáticas, etc.

                                         Figura 2. Tipos de Machine Learning “clásico”, clasificación de sus algoritmos según su uso y aplicaciones típicas

Es importante saber que todas estas técnicas dependen de los datos de entrenamiento para su correcto funcionamiento. Siempre hay que tener siempre en mente el acrónimo GIGO del inglés Garbage In, Garbage Out, o sea, si alimentas a los algoritmos con basura (datos insuficientes, poco fiables o que no tienen relación con el problema que se pretende resolver) el resultado será basura.

¿PARA QUÉ USAN LAS EMPRESAS LA IA?

Hasta aquí se han tratado algunos principios básicos de la IA y su funcionamiento, para hacernos una idea de sus potencialidades y sus debilidades, pero ¿para qué se está usando la IA en las empresas? De modo general [3]:

  • Automatizando un proceso o función que normalmente realizaría un ser humano; por ejemplo, chatbots de atención a clientes.
  • Optimizando la eficiencia de un proceso o función, por ejemplo, mantenimiento predictivo.
  • Mejorando la capacidad de las personas para realizar tareas o permitirles hacer algo que normalmente no podrían: por ejemplo, diagnosticar averías en máquinas, prever la demanda, etc.

Idealmente, la IA/ML debería ser transparente para el usuario, estando embebida en las herramientas de trabajo habituales, dotándolas de más y mejores funcionalidades. De esta manera, el usuario no necesita ser un experto en IA/ML para sacar provecho de ella.

Un ejemplo de uso en la Industria: Implementación de Analizadores Virtuales

Una aplicación práctica de las técnicas de la IA/ML en la industria es la inferencia de propiedades mediante Analizadores Virtuales.

En la Industria de Refino y la Petroquímica, aunque las condiciones de proceso se mantengan dentro de los valores normales, por muy diversas razones las características/propiedades de los productos terminados o intermedios pueden verse alteradas. Por eso, periódicamente -una o varias veces por turno de trabajo- se extraen muestras que se envían al laboratorio para que sean analizadas y detectar cualquier problema. El inconveniente: si la muestra no cumple con las especificaciones, hasta que no se conoce el resultado negativo no podrán modificarse las condiciones de proceso para corregirlo y habrá que esperar hasta tener los resultados de una nueva muestra para ver si las modificaciones tuvieron el efecto deseado. Durante todo este intervalo de tiempo -que pueden ser varias horas- la producción podría estar fuera de especificación y habrá que reprocesarla para corregirla, con los consiguientes extracostes que esto supone.

Para algunas de estas corrientes y variables de interés existen los analizadores de proceso en línea, “pequeños laboratorios autónomos” que miden propiedades de las corrientes, evitando algunos de los problemas propios del método antes descrito de muestreo manual + análisis en laboratorio. El diseño, construcción y mantenimiento de estos equipos no es sencillo, y por lo tanto, tampoco barato, además de que por cómo funcionan (muestreo, preparación de muestra, análisis), en muchos casos el tiempo necesario para obtener la medida de interés limita su uso a una indicación, no pudiendo ser utilizados en lazos de control.

                             Figura 3. Esquema de los componentes de un analizador en línea. Cada uno de ellos introduce un retardo en la medición.

Por todo lo anterior ha surgido el interés de aplicar la IA/ML a este tipo de problemas. Entrenando algoritmos de ML/DL con datos históricos del proceso se generan modelos matemáticos que una vez validados permitirán prever ciertas características y/o propiedades a partir de los datos de entrada. El conocimiento del experto humano resulta fundamental para señalar los inputs que podrían influir en la variable a predecir. Los algoritmos de ML -típicamente, algún tipo de algoritmo de regresión dentro del Aprendizaje Supervisado o Redes Neuronales– “aprenden/descubren” las relaciones existentes entre las variables de entrada y cómo afectan a la variable que se pretende estimar. Al eliminarse los tiempos muertos antes comentados, puede disponerse de estos valores de una forma más rápida y eficiente, por lo que cabe incluso la posibilidad de emplear estas inferencias como una variable más para los lazos de control. En [4a y 4b] tenéis un par de ejemplos que incluyen detalles del desarrollo de estos.

CONSEJOS PARA APLICAR LA INTELIGENCIA ARTIFICIAL CON ÉXITO

Lo primero sería determinar si la IA/ML es el camino a seguir. Quizás no lo sea o bien estemos complicando la solución innecesariamente. El siguiente esquema puede servir de ayuda:

                                      Figura 4. Un esquema que puede ayudarnos a comprobar si el ML puede ser útil para resolver nuestro problema o no.

Si el uso de la IA/ML es factible, el proceso general a seguir es siempre el mismo:

La adopción de estas tecnologías y nuevos métodos de trabajo no resulta siempre sencilla [5]. Una vez desplegada la tecnología, los “malos resultados” obtenidos en programas piloto con un planteamiento inadecuado hacen que las posibilidades que ofrece la IA/ML se vean como un “bluff“, especialmente si se partía de unas expectativas demasiado elevadas. De forma similar, no es raro que programas piloto exitosos fracasen cuando se tratan de extender al resto de la organización.

CONCLUSIONES

  • La IA/ML no es una novedad, lleva varias décadas de desarrollo. El boom que vemos en la actualidad se debe a la convergencia de distintos factores como el abaratamiento de los sistemas, la digitalización de los procesos, la mayor potencia de procesamiento, el aumento de la capacidad de almacenamiento, miniaturización del hardware, mejora de la conectividad, etc.
  • La IA/ML no es una tecnología que pueda aplicarse a la resolución de cualquier problema en una empresa. Su campo de aplicación son problemas muy bien definidos y acotados de los que se disponga de datos adecuados.
  • La IA/ML ofrece múltiples mejoras de eficiencia en los procesos de las empresas, de ahí el interés que suscita.
  • Para sacar provecho de la IA/ML conviene tener unas nociones de cómo funciona, pero el usuario final no necesita conocer al detalle sus interioridades y/o dificultades técnicas. La IA/ML debe estar embebida en las herramientas de trabajo habituales, siendo completamente transparente para el usuario común.
Víctor Parra
Miembro de Grupo Industria Conectada 4.0 en ISA Sección Española
REFERENCIAS
[1] Thriving in the era of pervasive AI. Deloitte, julio de 2020 disponible en:
https://www2.deloitte.com/us/en/insights/focus/cognitive-technologies/state-of-ai-and-intelligent-automation-in-business-survey.html”
[2] 10 ejemplos de que ya dependes de la IA en tu vida diaria.
https://www.bbvaopenmind.com/tecnologia/inteligencia-artificial/10-ejemplos-de-que-ya-dependes-de-la-ia-en-tu-vida-diaria/
[3] An introduction to Industrial Artificial Intelligence. Revista InTech nº julio-agosto de 2020. Disponible en:
https://www.isa.org/intech-home/2020/july-august-2020/features/an-introduction-to-industrial-artificial-intellige 5 / 5
[4a] Aplicación de técnicas de Machine Learning para estimar propiedades físicas de hidrocarburos a partir de firmas espectrales. Sergio A. Castelblanco y Jhon F. González. Universidad de los Andes.
https://repositorio.uniandes.edu.co/bitstream/handle/1992/34930/u820869.pdf
[4b] Estimación de las propiedades de curado de gomas mediante SVM. A. González Marcos, E.P. Vergara González, A.V. Pernía Espinoza, M. Castejón Limas, F.J. Martínez de Pisón. X Congreso Internacional de Ingeniería de Proyectos. Valencia 13-15 septiembre de 2006.
https://gvis.unileon.es/wp-content/uploads/2018/09/ciip06_1163_1170.947.pdf
[5] 7 lessons to ensure successful Machine Learning projects. Artículo de 06/04/2021 en MIT Management Sloan School.
https://mitsloan.mit.edu/ideas-made-to-matter/7-lessons-to-ensure-successful-machine-learning-projects

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *