Inteligencia artificial: Desafíos en la transformación digital

Las primeras computadoras se instalaron en una planta petroquímica y una central térmica en 1957, marcando el comienzo de la convergencia de la operación de planta y la informática. Si bien las primeras computadoras tuvieron algunos problemas en cuanto a robustez y tiempo real, tales problemas se resolvieron mejorando el hardware y el software. Poco tiempo después, las computadoras de proceso conquistaron la operación de planta allá por los años ’60. Y en los años ’70 hace su ingreso el microprocesador, que llevó al desarrollo del DCS para operación de planta, que luego se desparramó por toda la industria.

La inteligencia artificial (IA) también nació en los años ’50, pero recién logró una buena aceptación durante el segundo boom de IA allá por los años ’80. La investigación apuntaba a sistemas expertos, con fuertes intentos de introducir IA en la operación de planta. Pero las computadoras de esa época eran demasiado primitivas en términos de cálculo, capacidad de memoria y transmisión.

Por su parte, los algoritmos eran embrionarios y sólo servían en aplicaciones restringidas. Al no obtenerse resultados satisfactorios, comenzó el así llamado ‘invierno de IA’ a fines de los años ’80 y que duró bastante tiempo.

Gracias al desarrollo de las tecnologías de Big Data y aprendizaje profundo, en 2010 se inicia el tercer boom de IA. En marzo de 2016, AlphaGo, un programa de computadora escrito para jugar Go, vence al mejor jugador humano del mundo, captando la atención de todos. Este rápido desarrollo se logró gracias al progreso de hardware y algoritmos.

La escala de integración de semiconductores se fue acelerando de acuerdo con la Ley de Moore, mientras los precios iban disminuyendo constantemente.

 

Productos de Yokogawa habilitados para inteligencia artificial. Incluyen registradores sin papel SMARTDAC+ y software de recolección de datos, junto a la plataforma de computación de borde e-RT3 Plus. El uso de IA permite detectar problemas en una etapa temprana y mejorar la productividad.

 

Los dispositivos de almacenamiento también se volvían más accesibles. Hace 35 años, los discos duros costaban 90.000 dólares por gigabyte, pero hoy en día el precio unitario se desplomó a sólo 0,02 dólares, lo que se traduce en la capacidad de almacenar enormes volúmenes de datos.

Las velocidades de procesamiento de la CPU también mejoraron considerablemente: el iPhone de hoy en día es al menos 1.000 veces más rápido que la supercomputadora Cray-2 de 1985.

Por su parte, los algoritmos se volvieron más sofisticados, incluso más rápido que el hardware.

Gracias a todos estos avances y mejoras, los algoritmos pueden manejar ahora tareas previamente inabordables aun cuando la estructura básica haya cambiado poco en muchos años. Hoy en día, la capacidad de IA supera a la de los seres humanos en algunas áreas.

En operación de planta, Big Data e IA despertaron un gran interés. En este campo se han logrado resultados impresionantes, que incluyen reconocimiento de imágenes para inspección visual de productos, diagnóstico para determinar el estado, diagnóstico de tendencias para detectar signos de anormalidad y predicción de variables de calidad que no se pueden medir online.

Inicialmente, la informática se usaba en un lazo abierto que sólo mostraba los resultados a los operadores humanos, pero ahora se la usa cada vez más en lazo cerrado. La informática en operación de planta ha ingresado en una nueva fase.

Pero a medida que el uso de IA se iba expandiendo en muchas áreas, surgieron algunos desafíos.

El primero es un problema inherente a IA: la ausencia de explicación. En segmentación y análisis de regresión, IA primero aprende las variables explicativas y también las variables objetivo como datos de entrenamiento y crea un modelo. Cuando se dan nuevos datos (variables explicativas), IA utiliza este modelo para retornar las correspondientes variables objetivo. Por lo general, IA no explica cómo llegó a esta conclusión. Por supuesto que no se necesitan razones detalladas, pero normalmente los operadores humanos no aceptan una respuesta si no están convencidos.

Esto es muy válido en cuanto a operación de planta. Incluso si IA recomienda la operación óptima, los operadores humanos no siguen ciegamente la recomendación a menos que se la presente con razones claras. Los investigadores de IA tomaron muy en serio este aspecto y están trabajando en una IA explicable, pero faltan todavía resultados satisfactorios.

El segundo desafío es la escasez de datos. Si bien parecería que hay grandes cantidades de datos operativos que se acumulan y están disponibles en una planta, la realidad es que las plantas de proceso operan en estado estacionario y los datos operativos fluctúan dentro de un rango angosto, de modo que los datos almacenados no siempre reflejan las distintas condiciones de operación.

Las muestras de entrenamiento correspondientes a situaciones anormales son esenciales a la hora de construir un sistema de detección y diagnóstico de fallas pero todavía no están disponibles. Más aún, algunas variables importantes rara vez se miden ya que la mayoría de las variables medidas son para control, no para mantenimiento. Además, muchos datos, tales como los relacionados con la calidad de producto, son muestreados por los operadores humanos durante un número limitado de chequeos. En consecuencia, los datos clave son sorprendentemente escasos.

Una solución es utilizar modelos físicos y simuladores, que pueden generar datos incluso en dominios donde no se habían obtenido datos, lo que permite la implementación de los métodos ya existentes de IA.

Otra solución es recurrir a la tecnología IA. Hoy en día, el modelado con datos escasos y el aprendizaje de transferencia están siendo activamente estudiados para superar la escasez de datos.

  El tercer desafío es cómo asegurarse de disponer de gente experta. Incluso los especialistas en informática no pueden hacer un uso completo de los datos a menos que tengan un amplio conocimiento de ingeniería. Sólo se podrán obtener resultados útiles cuando aquellos familiarizados con el proceso puedan aprender acerca de IA y recién entonces abordar los problemas reales. En unas primeras etapas, aquellos que conocen bien la planta podrán distinguir entre lo que se puede y lo que no se puede hacer, para encarar luego el proceso.

Si bien han pasado casi 60 años desde el momento en que la operación de planta y la informática comenzaron a mezclarse, fue difícil combinar informática (IT) y tecnología operativa (OT), ya que han evolucionado de manera independiente. Gracias al desarrollo de IIoT, ahora es más fácil reunir ambas tecnologías para conformar sistemas ciberfísicos (CPS). El rol de la informática será cada vez más importante a medida que avance IA.

Basada en IIoT, la transformación digital irrumpirá en la operación de planta. Resolver los tres desafíos ya mencionados será indispensable para concretar esta transformación.

A medida que se amplíe el uso de IA e IIoT en operación de planta, el rol de los operadores humanos irá cambiando. No se convertirán en redundantes; por el contrario, se volverán aún más necesarios. Por lo tanto, será clave desarrollar recursos humanos con amplios conocimientos y habilidades tanto en operación de planta como en informática para abrir el camino hacia una nueva era y resolver los distintos desafíos.

 

Preparado en base a una presentación de Yoshiyuki Yamashita, profesor de la Escuela de Graduados de Ingeniería de la Universidad de Tokyo.

Modificado por última vez en Martes, 19 Mayo 2020 18:51
© 2018 Editorial Control. Desarrollado por Estudio Pionero.