Inteligencia artificial en la industria de procesos: Un tema muy caliente

En los últimos años, la inteligencia artificial ha estado presente con mucha frecuencia en los principales titulares de publicaciones de todo el mundo:

  • En 2016, en una serie de cinco partidas de go entre el jugador profesional surcoreano Lee Sedol y el programa AlphaGo desarrollado por Google DeepMind, AlphaGo se impuso por 4-1.
  • En 2018, la casa Christie's subastó la primera obra de arte creada por medio de inteligencia artificial, denominada ‘Retrato de Edmond de Belamy ‘, por más de 400.000 dólares.
  • Hoy en día, el generador de texto GPT-3, basado en inteligencia artificial y desarrollado por el laboratorio de investigación Open AI, cofundado por Elon Musk, está inundando la web con noticias falsas a través de posteos generados por máquinas.

Ahora bien, ¿qué ocurre con las aplicaciones industriales de inteligencia artificial? ¿Cuáles son las oportunidades y los desafíos que plantea la inteligencia artificial en la industria de procesos?

¿Qué es realmente esta 'inteligencia artificial'? El tema polariza… muchas veces asusta y perturba a la gente. Sobre todo cuando la maquinaria cinematográfica de Hollywood ha alimentado nuestra idea de inteligencia artificial durante décadas, mucho más que lo logrado por las definiciones científicas. Veamos los hechos: inteligencia artificial es un término que se refiere a la forma en que las computadoras manejan los datos, cómo analizan, interpretan y aprenden de los datos y, por último, cómo usan lo aprendido para alcanzar ciertos objetivos por medio de una adaptación flexible.

Cuanto más detalles vemos acerca del tema, más borrosos son los límites entre procedimientos, métodos y conceptos individuales. A veces, los aspectos individuales son subconjuntos de otros. Sin embargo, hay una diferencia fundamental entre inteligencia artificial fuerte y débil.

Gran parte de lo que Hollywood nos quiere hacer creer se basa en una inteligencia artificial fuerte (también denominada superinteligencia), cuyo objetivo es alcanzar o superar las mismas capacidades intelectuales de los humanos. En cambio, lo que podemos implementar hoy en día se basa en una inteligencia artificial débil, que procede estadísticamente, recolecta datos y obtiene conocimiento a partir de ellos. No es una cuestión de reemplazar personas, sino de respaldarlas, por ejemplo en el procesamiento de cantidades inimaginablemente grandes de datos para reconocimiento de texto o imágenes.

 

Inteligencia artificial en la industria de procesos: Un tema muy caliente
Los métodos de inteligencia artificial se combinan con modelos mecanicistas para aprovechar al máximo el potencial del conocimiento de proceso disponible digitalmente. Tales métodos ya se están usando en aplicaciones y servicios digitales para la industria de procesos. (Fuente: Siemens)

 

A la hora de transformar grandes cantidades de datos en un número manejable de resultados consentidos, las redes neuronales artificiales (ANNs) sirven. Son una clase de algoritmos de aprendizaje cuya estructura está inspirada en el cerebro humano y que se caracterizan por una entrada, una salida y varias capas intermedias. Desde un punto de vista técnico, las capas de neuronas artificiales se combinan una con otra, por lo que se pueden modelar relaciones incluso complejas si la red es lo suficientemente grande. Sin embargo, cuando hablamos de inteligencia artificial, por lo general nos referimos a lo que se denomina machine learning (ML) y, por lo tanto, a la ‘capacidad de prognosis’.

ML es el término genérico para la generación de conocimiento a partir de la experiencia: las máquinas de autoaprendizaje pueden, por ejemplo, reconocer patrones de error en la producción industrial o predecir fallas. A diferencia de los algoritmos que funcionan basados puramente en reglas, ML deriva probabilidades a partir de datos de entrenamiento estructurados. De esta forma, se pueden resolver incluso tareas cuyas reglas son difíciles o imposibles de describir. Un sistema ML aprende de cientos de miles de ejemplos y puede generalizarlos en un modelo estadístico luego de una fase de aprendizaje.

Deep Learning (DL) es la parte de ML que se ocupa del aprendizaje de relaciones complejas por medio de redes neuronales profundas. Una red neuronal profunda es una red con muchas capas y no hay una definición general del número de capas que pueden ser consideradas como 'muchas'. Un ejemplo clásico de una aplicación DL es el reconocimiento facial automático.

 

Aplicaciones de inteligencia artificial en la industria de procesos

Las redes neuronales artificiales se conocen desde hace décadas en la industria de procesos, por ejemplo en la industria química, siderúrgica y de agua y efluentes.

Las ANNs se usan especialmente en control predictivo y modelado para reemplazar controladores convencionales o para asignarles setpoints determinados por la red neuronal a partir de una previsión autodesarrollada de la evolución del proceso.

También se puede lograr que los sistemas difusos sean aprendibles mediante una conversión bidireccional dentro de redes neuronales. Gracias a su flexibilidad, las ANNs se pueden utilizar en una gran variedad de aplicaciones para realizar importantes servicios en cuanto a reconocimiento de imágenes, análisis de series temporales o detección de errores.

Los métodos de ML permiten a las computadoras aprender de los datos sin necesidad de una programación explícita. Las computadoras están entrenadas para reconocer patrones en conjuntos de datos no estructurados por medio de algoritmos y para tomar decisiones en base a este ‘conocimiento’. En la industria de procesos, ML tendrá un rol cada vez más importante en la detección automatizada y autónoma de anomalías en la gestión de activos, entre otras cosas.

A la hora de encontrar correlaciones entre los datos y las previsiones que se pueden derivar a partir de ellos, DL es una herramienta extremadamente flexible y adaptable, ya que permite a los algoritmos ampliar su propia capacidad de identificar y clasificar patrones y relaciones entre datos. Incluso se pueden considerar automáticamente tipos de datos desconocidos sin necesidad de un aprendizaje manual, lo que hace crecer tanto la cantidad de datos suministrados al modelo de previsión basado en DL como la confiabilidad de las previsiones. De esta manera es posible preparar tales sistemas para una gestión de activos sofisticada incorporando conceptos de mantenimiento predictivo, como así también para una gestión de calidad implementada automáticamente.

 

El futuro

La realidad es que no hay una ‘única’ inteligencia artificial, sino distintas expresiones. Sin embargo, abre un abanico de posibilidades inimaginables para que la industria de procesos vaya más allá de los métodos clásicos con código de hardware a la hora de implementar soluciones de autoaprendizaje adaptativas basadas en grandes cantidades de datos y algoritmos de ML. De esta forma, en el futuro, la Tecnología Operativa, es decir el área de producción, y la Informática, es decir el área de procesamiento de datos usando hardware y software, se acercarán cada vez más una a otra.

Los ingenieros de proceso y de producción, como así también los ingenieros de datos y los científicos informáticos, tendrán que combinar sus respectivas experticias para desarrollar métodos óptimos de inteligencia artificial, que también podrán cumplir con los más elevados requerimientos de seguridad informática.

En el futuro, será necesario dar igual importancia a temas como bases de datos, arquitectura de datos, modelado, estadísticas, almacenamiento y recolección de datos, y también a calidad de datos, acceso a datos (históricos), análisis y contextualización de datos.

A pesar de décadas de investigación, ya que los comienzos académicos se remontan a los años ’60, todavía hay disponible un enorme potencial en términos de inteligencia artificial, y no sólo en la industria de procesos. Gracias a las numerosas aplicaciones ya implementadas con éxito, hoy en día se pueden medir las ventajas de la inteligencia artificial y los cambios son visibles.

 

Preparado en base a un documento elaborado por Bierweiler Thomas, Dr. Daniel Labisch y Dr. Konrad Grießinger, de Siemens.

Modificado por última vez en Viernes, 19 Febrero 2021 15:46
© 2018 Editorial Control. Desarrollado por Estudio Pionero.