Si se le pide que introduzca inteligencia artificial para la fabricación y la industria, lo más probable es que primero piense en los robots. Muchas empresas innovadoras, como
Rethink Robotics , han desarrollado robots de aspecto amigable para fábricas que
trabajan codo a codo con colegas humanos. Los robots industriales se han desarrollado históricamente para realizar tareas específicas, pero los robots modernos pueden ser entrenados en nuevos trucos y pueden tomar decisiones en tiempo real.
Y aunque los robots se ven sexys y brillantes, pero en su mayor parte, la IA en la producción es apreciada por la capacidad de tomar datos de los sensores y usar equipos convencionales para convertirlos en predicciones inteligentes destinadas a mejorar y acelerar la toma de decisiones. Hoy, unos 15 mil millones de automóviles están conectados a Internet. Para 2020, Cisco
predice un aumento de esta cantidad a 50 mil millones. La integración de estas máquinas en sistemas inteligentes en la nube automática es el siguiente paso importante en la evolución de la producción y la industria.
En 2015, General Electric lanzó el programa GE Digital para introducir innovaciones de software en todas las divisiones. Harel Kodesh, director técnico del programa, nos contó sobre las dificultades únicas en la aplicación de IA a la industria que distinguen esta área del consumidor.
1. Los datos industriales a menudo son inexactos
“Para que el aprendizaje automático funcione correctamente, se necesita una gran cantidad de datos. Los datos del consumidor son más difíciles de entender mal si, por ejemplo, compra pizza o hace clic en un anuncio, dice Kodesh. "Pero en Internet industrial, el 40% de los datos son falsos e inútiles".
Suponga que necesita calcular la profundidad de perforación, y coloca un sensor de humedad en el suelo para realizar mediciones importantes. Pueden distorsionarse por temperaturas extremas, acciones descuidadas de los trabajadores, mal funcionamiento del equipo o incluso un gusano montado accidentalmente en el dispositivo. "Nuestros datos no provienen de una computadora cómoda y segura ubicada en su sala de relajación", dice Kodesh.
2. La IA no funciona en la nube, sino en la frontera
Los datos del usuario se procesan en las nubes en clústeres informáticos con una capacidad aparentemente infinita. Amazon puede revisar con calma su historial de navegación y compras y proporcionar nuevas recomendaciones. “En las predicciones de los usuarios, el costo de las recomendaciones de falsos positivos y falsos negativos es bajo. Rápidamente olvidará que Amazon le recomendó un libro malo ”, señala Kodesh.
Y en una torre de perforación de aguas profundas, un elevador transfiere petróleo desde los pozos del fondo marino a la superficie. En caso de un problema, varias abrazaderas que bloquean la válvula deberían funcionar de inmediato. El sofisticado software que da servicio a los actuadores de estas abrazaderas realiza un seguimiento de los cambios mínimos de temperatura y presión. Cualquier error
puede ser un desastre .
Lo que está en juego y la capacidad de respuesta del sistema son excelentes en aplicaciones industriales, cuando están en juego millones de dólares y vidas humanas. En estos casos, no puede confiar en el trabajo de la IA en las nubes, debe implementarse localmente, a veces se le llama "en la frontera".
La IA industrial se construye como un sistema de extremo a extremo; Kodesh lo describe como un "boleto de ida y vuelta". Los datos aparecen en sensores ubicados "en el borde", los algoritmos lo procesan, luego la tarea se modela en la nube y luego se transfiere al borde para su implementación. Entre el borde y la nube hay nodos de control y muchos nodos de almacenamiento, ya que el sistema debe poder trabajar bajo la carga correcta en los lugares correctos.
En una fábrica que procesa mineral en lingotes de platino, debe controlar instantáneamente la aparición de lingotes de densidad incorrecta para ajustar la presión al comienzo de la cadena. Cualquier retraso significa pérdida de material. Del mismo modo, un molino de viento procesa constantemente datos para controlar el trabajo. Kodesh da un ejemplo de uno de los muchos problemas probables: “Un byte millonésimo puede contener información sobre el momento de torsión de la cuchilla, pero si es demasiado grande, la cuchilla se romperá. "Dicha información crítica debe procesarse primero, incluso si se encuentra en el lugar número un millón en la cola".
La entrega de datos precisos en tiempo real es tan compleja que GE tiene que confiar en soluciones a medida desarrolladas internamente. "Spark es rápido", admite Kodesh, "pero cuando necesita tomar decisiones en 10 milisegundos, necesita otros sistemas".
3. Una sola predicción puede costarle $ 1000
A pesar de la gran cantidad de datos falsos y el poder de cómputo limitado en la frontera, la IA industrial debe ser extremadamente precisa. Si el sistema analítico de la aeronave determina que se ha producido un problema en el motor, es necesario llamar a técnicos e ingenieros para retirar y reparar la pieza defectuosa. Las aerolíneas deben proporcionar un reemplazo temporal para que pueda continuar volando. Y toda esta empresa puede costar fácilmente $ 200,000.
"No le informaremos de un problema si no existe, y definitivamente no le informaremos de un problema si hay un problema", dice Kodesh. "Queremos asegurarnos de que el sistema tenga una alta precisión".
Según Kodesh, la única forma de verificar la alta precisión y velocidad del sistema es ejecutar miles de algoritmos simultáneamente. Una empresa de consumo como Amazon puede ganar entre $ 1 y $ 9 en un libro, por lo que puede estar dispuesto a gastar $ 0.001 en predicciones. Y cuando hay miles de dólares en juego, los gigantes industriales e industriales gastan de $ 40 a $ 1,000 en predicciones.
"Por $ 1,000, puedo ejecutar muchos algoritmos en paralelo, recopilar los resultados y ejecutar el algoritmo genético para hacer un pronóstico", dice Kodesh. "Esto creará el efecto de supervivencia del más apto cuando se utilizan los pronósticos más adecuados y se descartan los menos adecuados".
4. Los modelos complejos deben ser interpretables.
Los usuarios rara vez piensan por qué Amazon hace una recomendación específica. Cuando hay mucho en juego, la gente comienza a hacer preguntas. Los técnicos que trabajan en este campo durante 45 años no confiarán en las máquinas que no pueden explicar sus predicciones.
Para lograr un alto nivel de interpretabilidad, GE necesita inventar tecnologías completamente nuevas. Desafortunadamente, los talentos requeridos son extremadamente pocos. "Admiro a las instituciones educativas que intentan satisfacer las demandas del mercado con nuevos especialistas en procesamiento de datos, pero sus matemáticas no son lo suficientemente profundas", se queja Kodesh.
“Los verdaderos profesionales necesitan profundizar. Necesitan tener excelentes habilidades analíticas y saber cómo filtrar y normalizar millones de puntos de medición en tiempo real ".