¿Cómo aplicar la inteligencia artificial en la industria?

Los titulares que más nos atraen son aquellos que incluyen palabras de moda, que incluso llegamos a desconocer, pero que por su contenido sexy nos imanta. Es el caso de las inteligencia artificial, que copa muchos titulares de proyectos que a decir verdad se entienden poco, pero que se convierten en “atractivos” por ese maquillaje tecnológico.

Ni qué decir tiene que si en el vídeo salen robots bailando, la atracción es ya generalizada, y aunque no sepamos qué hay detrás ni para qué se utilicen, no solo los vemos sino que lo compartimos con nuestros círculos profesionales con un “¡mira lo que viene!”.

En 2019 un estudio publicado por el mundo decía que el 40% de las empresas españolas usaba el reclamo de la inteligencia artificial para conseguir herramientas de financiación a fondo perdido, esto es, subvenciones de las administraciones. En esa misma línea, otro estudio europeo mostraba que más del 50% de las empresas que decían usar inteligencia artificial no la usaban (y personalmente creo que ese 50% se queda corto). Por no hablar de la confusión entre machine learning e inteligencia artificial o el verlo como cosas diferentes, tecnologías, etc.

¿Dónde nos puede ayudar la inteligencia artificial, y en especial la rama del machine learning, realmente en nuestras empresas?

En este artículo pretendemos dar dos usos del machine learning aplicados a unos cuantos ejemplos presentes en la industria:

  1. Aprendizaje supervisado: uno de los aspectos donde el machine learning puede ayudar es con aspectos de clasificación, y en la industria, clasificar patrones o fallos es algo normal. Si tenemos un histórico trazado de piezas con defectivo por ejemplo, se podría entrenar un modelo de machine learning para poder definir de forma automática la clasificación de piezas buenas y mala. Quizá éste sea uno de los casos más comunes y sencillos de aplicación del machine learning en la industria productiva. Son problemas de aprendizaje supervisado: estamos dotando a una máquina o a un software, el conocimiento histórico que poseemos en la empresa para que en el futuro nos automatice determinadas tareas de clasificación gracias a ese conocimiento previo. Con este mismo enfoque se pueden tratar modelos de comportamiento orientados al mantenimiento predictivo, eficiencia energética, rendimiento de máquina, etc, en el que buscamos patrones de normalidad o de fallo gracias a los datos históricos y al comportamiento conocido. Usaremos clasificadores, árboles de decisión, regresiones de diferente tipo, redes neuronales, o técnicas similares.
  2.  Aprendizaje no supervisado: en ocasiones, esos problemas de clasificación autónoma por parte de un algoritmo no disponen de conocimiento previo, y por lo tanto, es la inteligencia artificial la que nos tiene que ayudar a clasificar comportamientos. Por ejemplo, analizando tendencias y comportamiento de variables de proceso como temperaturas, presiones, caudales, pesos, velocidades, espesores, composición química, etc. De entre todas estas variables disponibles, el aprendizaje no supervisado realizará un trabajo previo para analizar patrones y grupos de comportamiento similar dentro de toda la información compartida para tal fin. Tras esa primera fase de clasificación no supervisada, los problemas a resolver son similares a los que indicábamos en el caso del aprendizaje supervisado. Podríamos decir que en este caso, el conocimiento lo aporta el análisis a través de machine learning y que no procede tanto del conocimiento previo de las personas de la empresa, aunque en ocasiones nuestras cabezas de forma inconsciente puedan contar con parte de ese conocimiento sin saberlo o sin tener la certeza de su origen. Por ejemplo, para aquellas empresas que no tengan una trazabilidad precisa de los procesos y productos producidos, o que su histórico contenga lagunas de información, el paso previo de clusterización o clasificación puede ayudar a dar pasos hacia la generación de nuevo conocimiento evitando grandes inversiones en nueva maquinaria o elementos adicionales por ejemplo.
  3. Existen otras técnicas de machine learning, quizá la que falta por comentar es el concepto de aprendizaje por refuerzo o aprendizaje reforzado. En este caso, lo que se busca es que la máquina o algoritmo repita una y otra vez un escenario determinado recibiendo como feedback por parte del sistema un “premio” o “castigo”, o solo una de ellas, con la idea de maximizar el premio, o minimizar el castigo. Un ejemplo sencillo de esto son los videojuegos, en los que se le permite a un ordenador jugar por sí solo con el estímulo de buscar la mejor puntuación. Los algoritmos definidos por refuerzo, al cabo de miles de partidas y de prueba y error, podrán reconocer los patrones y movimientos adecuados para alcanzar las puntuaciones óptimas a través del feedback “premio” o “castigo”. No obstante, este tipo de problemas no suele ser muy habitual en la industria, dado que raro proceso se puede permitir fallar miles y miles de veces para poder encontrar el proceso ideal, sin tener además de forma tangible el feedback a modo de “premio” o “castigo”.

La próxima pregunta a responder una vez aclarado de forma sencilla los campos de actuación podría ser: ¿Cuántos datos hacen falta para empezar a trabajar en esta línea?

 

La respuesta correcta es que la pregunta ideal no es esa, sino para qué queremos utilizar el machine learning o la inteligencia artificial en nuestras empresas. Si tenemos definidos los casos de uso y los escenarios de negocio correctos, a partir de ahí será más fácil definir el campo de actuación y el análisis de qué y cuántos datos son necesarios.

Así mismo, estas líneas de análisis de datos no deberían ser rígidas si están bien planteadas, por lo que podrían permitir evoluciones a medida que crezca la riqueza de los datos como punto de partida. Es por ello que nunca es tarde para empezar y que cuando antes se arranque con la definición de la estrategia y el para qué, más rendimiento tendrá cualquier inversión en el ámbito de la captación de datos o del tratamiento de los mismos con técnicas avanzadas.

Si queréis más información, no dudéis en contactar o en dejar vuestros comentarios.

 

Alberto Conde Mellado

Leave a Reply

Usamos cookies y otras técnicas de rastreo para mejorar tu experiencia de navegación en nuestra web, para mostrarte contenidos personalizados y anuncios adecuados, para analizar el tráfico en nuestra web y para comprender de donde llegan nuestros visitantes. Más información

Los ajustes de cookies en esta web están configurados para «permitir las cookies» y ofrecerte la mejor experiencia de navegación posible. Si sigues usando esta web sin cambiar tus ajustes de cookies o haces clic en «Aceptar», estarás dando tu consentimiento a esto.

Cerrar