¿Un ChatGPT en la industria?

Con la reciente aparición de ChatGPT y el enorme éxito que ha tenido, nos ha surgido la duda de si este éxito se debe a que ha aparecido una herramienta que hace el trabajo por mí, sin que yo tenga que hacer nada, o a que realmente es un hito tecnológico. Polémicas como que el ChatGPT redactará los trabajos a los estudiantes o incluso que les hará los exámenes, son las primeras conversaciones que escuchamos, incluso antes de saber qué era realmente esta herramienta. ¿Pasará lo mismo en la industria? Os queremos compartir unas reflexiones en torno a esta temática.

La Inteligencia Artificial (IA) y el Machine Learning (ML) han experimentado un crecimiento exponencial en los últimos años. Cada vez son más las empresas que se interesan por esta tecnología y la aplican en sus procesos, y la industria no es una excepción. De hecho, el Machine Learning puede tener un gran impacto en la productividad, la eficiencia y la rentabilidad de las empresas.

¿Qué es el Machine Learning? Antes de entrar en detalles, es importante entender qué es el Machine Learning. En términos simples, el Machine Learning es una rama de la Inteligencia Artificial que permite a las máquinas aprender de los datos sin ser programadas explícitamente. Es decir, el Machine Learning utiliza algoritmos para analizar grandes cantidades de datos y extraer patrones que luego se utilizan para hacer predicciones o tomar decisiones.

El Machine Learning se divide en tres categorías principales: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. En el aprendizaje supervisado, se proporciona a la máquina un conjunto de datos etiquetados que se utiliza para entrenar el modelo. En el aprendizaje no supervisado, la máquina tiene que encontrar patrones por sí misma, sin etiquetas. Por último, en el aprendizaje por refuerzo, la máquina aprende a través de la interacción con un entorno y la retroalimentación que recibe en función de sus acciones.”

Podríamos seguir copiando el resultado obtenido en ChatGPT al pedirle “redáctame un artículo sobre Machine Learning aplicado a la industria”, pero creemos que es suficiente para ver la capacidad y el potencial que tiene la Inteligencia Artificial hoy en día en determinadas aplicaciones, en este caso en el de modelo de lenguaje ¿Podremos tener algún día algo similar en la industria? Estaría muy bien tener algún software que nos pudiese responder a peticiones como ‘dime cómo producir más en mi línea de producción al menor coste’, pero nuestra percepción es que no lo vemos en un futuro cercano… ni quizás lejano.

En el caso de la industria, la Inteligencia Artificial es una herramienta que permite a las personas tomar mejores decisiones, de manera más rápida y fiable, pero no deja de ser una herramienta. Y esta es una de las claves que a veces olvidamos o simplemente nos hemos dejado influir por personajes de ciencia ficción como Wall-E, Terminator o el supercomputador HAL 9000 de “2001: Odisea en el espacio”. Hablar de Inteligencia Artificial no es cambiar el cerebro humano por una máquina. Difícilmente se podrá tener una máquina (o software) con las inquietudes propias del ser humano como la creatividad, o como la necesidad de investigar, innovar o simplemente curiosear, que al fin y al cabo son las que permiten que las sociedades avancen.

Tanto el Machine Learning como la Inteligencia Artificial son herramientas, y requieren del apoyo y supervisión de expertos en la industria/máquina correspondiente. Por ejemplo, estas dos técnicas necesitan de un trabajo previo por parte de personas que les preparen los datos para que puedan analizar y buscar patrones. Este trabajo previo es clave y muchas veces arduo por el tiempo que se tiene que dedicar a limpiarlos y prepararlos para que sean útiles. Y aquí encontramos otra confusión bastante habitual en el mundo industrial, el concepto de “vamos a empezar guardándolo todo y después ya veremos”. Y eso es empezar a construir la casa por el tejado, aparte de tirar posiblemente dinero y recursos.

Debemos empezar definiendo el problema concreto que queremos solucionar. Necesitamos primero saber qué queremos mejorar, establecer nuestro objetivo (en singular o en plural).

No podemos llegar a ninguna parte si no sabemos a dónde queremos ir. Y no hay ningún software que pueda establecer nuestro objetivo. Sí, podemos preguntarle a ChatGPT y nos dará “algunas sugerencias que podrían ayudarte”, pero acabará diciendo: “Al implementar estas sugerencias, puedes mejorar significativamente el rendimiento. Sin embargo, ten en cuenta que cada situación es única y es posible que debas ajustar estas sugerencias para que se adapten a tus particularidades”.

Una vez establecido nuestro objetivo (ej. consumir menos energía, disminuir el ratio de rechazos, aumentar la productividad, disminuir el tiempo de ciclo, aumentar la calidad y mantenerla siempre dentro de los mismos parámetros, etc.) viene la parte de recoger datos que creamos relacionados con ese objetivo. Este conjunto de datos cualitativos (no tanto cuantitativos) será el segundo paso para poder extraer información. Y después hay que estudiar si el Machine Learning o la Inteligencia Artificial tienen sentido para alcanzar mi objetivo. Recordemos que son herramientas y como tales servirán en unas ocasiones, pero en otras no.

Una vez realizado este trabajo previo, es cuando podemos aprovechar el Machine Learning. El máximo beneficio lo obtenemos cuando trabajamos codo con codo Inteligencia Artificial e inteligencia humana. No tiene sentido la primera sin la segunda. Y la segunda incrementa su potencial con ayuda de la primera.

Existen muchas técnicas matemáticas y sobre todo aplicaciones que ayudan a crear modelos, descubrir patrones y digitalizar el mundo físico, por ejemplo, alteryx, Domino, KNIME, Rapid Miner, etc. Creo que no es tarea del mundo industrial generar nuestras propias herramientas que intenten imitarlas para aplicarlas a nuestro entorno, sino aprovechar todas esas herramientas en continuo crecimiento y a los científicos de datos cada vez más preparados y con más experiencia para conseguir nuestros objetivos. Y aquí nos encontramos con otro obstáculo, y es en la disponibilidad de personal cualificado para realizar estas tareas. No son muchas las personas con los conocimientos y experiencia adecuada en el mundo industrial (aviso para aquellos que se estén planteando su futuro profesional).

De todas maneras, no siempre es necesario crearse modelos, sino simplemente entender los datos, representándolos en un formato visual. Eso puede ayudar, a quien toma decisiones, a examinar visualmente los análisis o comprender mejor los patrones y conceptos más complejos. Quizá con eso ya podemos mejorar nuestro proceso. Es lo que permiten herramientas como FactoryTalk® Analytics™ DataView de Rockwell Automation.

Pero venga, vayamos un poco más adelante, cuál sería el siguiente paso cuando ya tengamos nuestro sistema de Machine Learning diseñado y validado con todos los datos históricos que hemos ido recopilando. Vendría lo que llamamos la “industrialización” de ese modelo, es decir, ponerlo a trabajar de forma autónoma, conectarlo con los datos en tiempo real y recibir el feedback que hemos preparado. Es en este punto donde las empresas de automatización aportamos nuestros conocimientos y experiencia. Como ejemplos podemos encontrar módulos de hardware o simplemente software que se instalan en ordenadores industriales. En el caso de Rockwell Automation tenemos un módulo hardware de Inteligencia Artificial (LogixAI®) que se instala el mismo chasis de nuestros controladores ControlLogix.

Así mismo Rockwell Automation dispone de un software, FactoryTalk® Analytics™ Edge ML, que aporta conectividad a los datos en tiempo real, permite realizar un pretratamiento de datos y los conecta con el modelo elaborado previamente. Lo hace en el Edge, de ahí su nombre, y el resultado puede regresar al controlador o enviarse a diferentes destinos en el Cloud. Usar una solución como esta nos permitirá:

1. Tener una interacción continua y en tiempo real entre el activo (máquina, controlador, PLC, etc.) y nuestro algoritmo de Machine Learning.
2. Reutilizar los modelos en equipos similares, reduciendo el tiempo y el coste de implementación.
3. Preprocesar los datos en el Edge, que reduce la carga de cálculo en los controladores y además permite conectar los datos analizados con herramientas de almacenamiento on-premise o en la nube, de manera que podamos seguir analizando cada proceso desde nuestras herramientas de visualización.
4. Usar sus propios modelos como hemos comentado y también los modelos existentes en bibliotecas de código abierto compatibles con Python o PMML.

Veamos a continuación algunos ejemplos de aplicaciones en la industria, donde tiene sentido utilizar Machine Learning y que ya tenemos desarrolladas en Rockwell Automation:

• Aprendizaje automático. 

Se trata de conectar nuestros equipos a un sistema de Machine Learning como FactoryTalk® Analytics™ para que aprenda cual es el comportamiento normal. Una vez lo aprenda nos podrá notificar cuando algo se está saliendo de lo normal. De esta manera un operario puede verificar el funcionamiento del equipo y tomar acciones antes de que se produzca cualquier anomalía más grave.

• Mantenimiento predictivo.

Tener un sistema de gestión de mantenimiento conectado en tiempo real a mis activos, con capacidad de Inteligencia Artificial - como nuestro Gestor de Mantenimiento Asistido por Ordenador (CMMS) Fiix–, nos permite sacar el máximo provecho a mis activos, así como reducir el stock de repuestos, ya que elimino en un buen porcentaje el factor “por si acaso”.

• Control Predictivo de procesos.

Poder evaluar continuamente los datos operativos actuales y previstos, compararlos con los resultados deseados, configurar nuevas consignas de control para reducir la variabilidad del proceso, operar dentro de las limitaciones del equipo y mejorar el rendimiento es lo que permite hacer usa solución como Pavilion8®.

• Monitorización de vibraciones.

La relación directa entre las condiciones mecánicas de una máquina y sus vibraciones permite prevenir roturas, y detectar comportamientos anormales antes de que sea tarde. Se puede ahorrar en costes tanto de reparación como de inactividad de la máquina si podemos prevenirlo. Detectar y analizar de forma automática estas vibraciones es lo que permite una solución como Dynamics™ 1444.

Hay muchas otras aplicaciones en las que es totalmente aplicable el Machine Learning, pero es una decisión que se ha de abordar desde la realidad, haciendo una análisis serio y coherente de si me va a aportar beneficio o no. Y en la mayoría de las veces se necesitará la creación de equipos multidisciplinares, o el apoyo de empresas externas con gente especializada en estos procesos. Al igual que una máquina realiza la tarea que el diseñador quiere, una aplicación de Machine Learning se limitará a lo que el programador prepare. No existe la piedra filosofal. Por tanto, lo más importante en este viaje es saber a dónde se quiere llegar y, una vez definida la meta, establecer un plan de acción, que sin duda será apasionante si encaja en él la Inteligencia Artificial.

El futuro del Machine Learning en la industria es muy prometedor, ya que se espera que siga siendo una tecnología clave para mejorar la eficiencia y reducir los costes en diversos sectores, pero bueno esta es una respuesta de ChatGPT. Nuestro futuro lo vamos a ir construyendo día a día, tocando con los pies en el suelo, sin descuidar cualquier herramienta que nos permita crecer y mejorar, pero siendo conscientes que no vendrá una tecnología que nos solucione nuestros problemas sin tener que trabajar. ¿Estás de acuerdo?

Josep Lloret

Technology Consultant Software

Rockwell Automation

----

Este artículo aparece publicado en el nº 545 de Automática e Instrumentación págs. 64 a 66.