La Inteligencia Artificial abre una nueva dimensión al uso de los datos

La consolidación de la Inteligencia Artificial (IA) en los distintos sectores durante los últimos años ha convertido lo imposible en realidad. La Digitalización y la Industria 4.0 abren la puerta a un nuevo uso de los datos que, junto con la IA, pueden adquirir una nueva dimensión y convertirse en los impulsores de muchas aplicaciones a nivel industrial.

Son muchas las empresas que se han comprometido a mejorarse y optimizar sus procesos de la mano de la IA. Los beneficios están claros y la tecnología madura. Pero es necesario analizar con detalle la tecnología de la IA misma para comprender cuál es su valor intrínseco y como aplicarlo para sacarle el mayor partido.

Pero ¿qué representa realmente la Inteligencia Artificial? Ciertamente, el nombre no ayuda para nada. Y es que podríamos decir que la IA no es ni inteligente ni tampoco artificial. Al menos no es inteligente en el sentido estricto de la palabra. La IA no puede entender ni comprender nada de lo que se le está preguntando. No, ni Siri, ni Alexa, ni ningún otro asistente de voz entienden realmente lo que estás diciendo cuando preguntas por el pronóstico meteorológico o el tráfico de camino a la oficina. No es magia, es ingeniería. Detrás del telón se oculta un entramado de computaciones y cálculos que simulan una respuesta inteligente que puede ser utilizada en muchas aplicaciones de la industria.

Y ahora nos surge la pregunta, ¿hasta qué punto es artificial? En cualquier caso, no es más artificial que cualquiera de las tecnologías de la computación que utilizamos actualmente. Y para los que piensen que se trata de algo nuevo, tampoco es así. El término Artificial Intelligence data de los años 50. Y muchos de los algoritmos y técnicas comúnmente utilizados en la actualidad se desarrollaron en los años 80 y 90 del siglo pasado. ¿Quién no conoce a DeepBlue, la máquina que venció a Kasparov al ajedrez? DeepBlue contaba con una capacidad de cómputo no superior a la que todos tenemos hoy en día en nuestro bolsillo.

Entonces, si la Inteligencia Artificial no es nada nuevo, ni inteligente, ni artificial. ¿Qué es? ¿A qué llamamos IA? Decimos que un algoritmo es de IA, cuando nos permite resolver problemas para los que se supone que los seres humanos utilizan su inteligencia. Bajo el abanico de la IA caben algoritmos muy dispares. Los más relevantes son aquellos capaces de analizar grandes cantidades de datos en busca de patrones útiles. Esos patrones pueden ser luego utilizados para distintas tareas: clasificar elementos, calcular valores, predecir el siguiente número en una secuencia, etc. En este conjunto destacan el Machine Learning (ML), las redes neuronales y el Deep Learning (DL), la tecnología de moda que consigue muchos de los resultados impactantes que vemos hoy en día.

Una tecnología no-inteligente y no-artificial en la Industria

A pesar de que ni la Inteligencia Artificial, ni el Machine Learning, ni el Deep Learning son tecnologías nuevas, su aplicación en el campo de la industria sí que lo es. Actualmente, son algunas de las tecnologías centrales de la cuarta revolución industrial. El aumento de las comunicaciones entre dispositivos y la llegada tanto del IIoT como del Edge Computing, ha facilitado la disponibilidad de los datos en redes de procesamiento. Estas plataformas pueden estar cerca de la máquina, como es el caso en Siemens Industrial Edge, para facilitar la extracción, la flexibilidad, el tiempo de reacción y la privacidad de nuestros datos; o en un servidor remoto, como en el Cloud, donde se priorizan la mayor capacidad de procesamiento y potencia. Una vez que los datos están disponibles en estos entornos Edge o Cloud, sólo se necesitan los algoritmos de IA adecuados para darles valor en casos de uso concretos.

Las aplicaciones de la IA en este nuevo y cambiante entorno son muchas. Dos de las más relevantes son la detección de defectos y el mantenimiento predictivo, elementos clave en el Gemelo Digital. Garantizar la calidad de nuestro producto o proceso es una tarea central en la industria. No sirve de nada producir si no se cumplen los estándares de calidad establecidos. La IA nos permite utilizar los datos disponibles en los procesos de la Digitalización para este fin. Podemos entrenar un algoritmo de Machine Learning que haga uso de los datos para clasificar y encontrar piezas defectuosas. El planteamiento puede complicarse tanto como sea necesario, pero también puede ser muy sencillo. Por ejemplo, estos tres pasos: conectar todos los datos relevantes (imágenes, estado de variables, sensores, etc.); clasificarlos como correctos o incorrectos con la ayuda de un humano experto; y entrenar un algoritmo de ML o DL para que encuentre los patrones que diferencian a las piezas defectuosas de las no-defectuosas.

Otro caso de uso es el mantenimiento predictivo. Aquí se trata de predecir cuándo se van a producir las averías antes de que sucedan. De este modo, se pueden programar con suficiente antelación las paradas de mantenimiento necesarias. El sistema también podría advertirnos sobre el tipo de avería más probable en cada momento. Esto revierte en al menos tres grandes beneficios: un mayor control sobre la producción y su flexibilidad –podemos planificar las paradas con suficiente antelación—, reducción del coste de mantenimiento –no se realizan mantenimientos superfluos—, y un mejor mantenimiento de los equipos –nunca entran en la zona de avería—. Si disponemos de datos suficientes, podemos entrenar un algoritmo de ML que modele el estado actual de las máquinas y su estado futuro. Cuando el estado de las máquinas se aleja de los parámetros nominales, se lanza una alarma de aviso para notificar la posibilidad de una avería en el futuro próximo.

En Siemens llevamos tiempo trabajando en procesos de Digitalización y explorando las nuevas posibilidades que la conectividad de datos y la IA nos brindan. En nuestra fábrica de Amberg hemos mejorado el tiempo de testeo de nuestros productos gracias a la IA. En Amberg se producen placas de circuitos (PCBs) para distintos productos de la familia Simatic. Al final de la línea, una máquina de rayos X testea las placas para garantizar la calidad; pero este procedimiento es costoso, consume tiempo y puede provocar un cuello de botella, lo que dificulta el incremento de la producción. Para resolver este problema se planteó una solución basada en la IA apoyada en nuestra tecnología Cloud e Industrial Edge. Un dispositivo Edge recoge y limpia los datos de producción de las máquinas implicadas. Los datos se analizan en la nube y se utilizan para entrenar un modelo de ML junto con los resultados del análisis de rayos X. Finalmente, ese modelo es desplegado en producción en un dispositivo Edge que registra el estado de las máquinas y analiza los datos en tiempo real para detectar posibles defectos. De este modo, al tratar eficientemente los datos, se obtiene un beneficio triple: reducir el tiempo, reducir el coste, y reducir el efecto de cuello de botella que se producía con el testeo por rayos X.

Tómese todo lo dicho aquí con precaución. La IA evoluciona rápido, y no es extraño que los algoritmos sean substituidos en pocos años por otros que dan mejores resultados. Mientras tanto, debemos seguir apostando por una IA que sea práctica y útil en lugar de inteligente, y realista en lugar de artificial; capaz de adaptarse a las necesidades y retos a los que se enfrenta la industria española, y que puede convertirse en uno de los principales impulsores de la revolución industrial que ya está en curso.

Gregorio Nuevo Castro,
Especialista en Edge Computing e Inteligencia Artificial
en Siemens España

págs. 45 a 47.