4 mitos de la IA, desmitificado

_Conceptos erróneos de IA_ Pequeño_ Grande

La inteligencia artificial (IA) atraviesa casi todos los aspectos de la vida moderna. Recomienda el mejor viaje, sugiere qué música o podcast escuchar durante el trayecto, da vida a un sinfín de aplicaciones y máquinas durante el día, y recomienda espectáculos o películas para ver al llegar a casa.

La IA llegó para quedarse. 

La IA industrial puede ayudar a los fabricantes a maximizar el tiempo de producción mediante el monitoreo de equipos y programas de mantenimiento preventivo, la identificación de pérdidas de rendimiento y defectos (Cavallo). Y sus capacidades predictivas pueden generar modelos de demanda de aprendizaje y pronósticos (Koev).

Sin embargo, a la AI le ha costado alcanzar una adopción generalizada en los casos de uso de la automatización industrial. Muchas empresas todavía están lidiando con los conceptos básicos de la AI y dudan de que esta tecnología pueda reportarles ganancias significativas.

En el informe de IBM de 2022 sobre el índice de adopción global de IA, un 34 % de los encuestados –cerca de 2550 empresas de todo el mundo– indicaron que la falta de experiencia en IA está impidiendo la implementación (IBM). Otros factores que dificultaban la adopción de la IA incluían costos (29 %), falta de herramientas/plataformas (25 %), dificultad y escalabilidad (24 %) y complejidad de los datos (24 %).
A continuación, examinaremos esos obstáculos y desmentiremos algunas ideas erróneas comunes sobre la IA en el área de la fabricación y la logística.

N.º 1 Los términos son intercambiables y carecen de importancia.

Antes de explorar las opciones de IA, es fundamental entender las distintas formas, funciones y alcances de la tecnología. Si bien a primera vista algunos de los términos podrían repetirse o parecer sinónimos, entender los matices de la IA es el primer paso para determinar si esta tecnología es capaz de satisfacer sus expectativas.

Algoritmo: un conjunto de instrucciones y cálculos que ayudan a una computadora a alcanzar un objetivo. Un algoritmo de “aprendizaje” utiliza las metodologías de prueba y error y aprendizaje mediante ejemplo para optimizar los procesos de producción sin intervención humana.

Inteligencia artificial: un grupo de técnicas informáticas que intenta imitar el proceso de toma de decisiones humana valiéndose de la automatización para realizar tareas difíciles para los humanos a través del reconocimiento de imágenes, el procesamiento del lenguaje natural y otras tecnologías.

Deep Learning: el Deep Learning es una tecnología de IA diseñada para automatizar aplicaciones complejas y muy personalizadas. Los procesos tienen lugar en una unidad de procesamiento gráfico (graphics processing unit, GPU), que permite a los usuarios analizar vastos conjuntos de imágenes con rapidez y eficiencia, a fin de detectar defectos sutiles y diferenciar entre anomalías aceptables e inaceptables.

Edge Learning: es una tecnología de IA diseñada para que sea fácil de utilizar. El procesamiento tiene lugar en el dispositivo o “en el perímetro”, mediante una serie de algoritmos preentrenados. La tecnología es fácil de configurar, pues requiere conjuntos de imágenes más pequeños (solamente entre 5 y 10 imágenes) y períodos de entrenamiento más breves que las soluciones tradicionales basadas en el Deep Learning. 

Aprendizaje automático: procesos informáticos que pueden mejorar los resultados sin necesidad de programación humana. Los algoritmos de aprendizaje automático entrenan una computadora para buscar el éxito, evitar fallas millones de veces para que consiga sus objetivos y generar así resultados de aprendizaje. 

Visión artificial: algoritmos basados en reglas que identifican características específicas de un objeto. Gracias a la visión artificial, las herramientas trabajan mucho más rápido que el ojo humano. La IA puede mejorar significativamente la precisión y eficacia de estas herramientas.

iStock-1281389422_600x700px

N.º 2 La IA reemplazará los puestos laborales y fomentará la desconfianza entre los empleados.

El mito de la tecnología emergente, sustituye puestos de trabajo que probablemente se remonte a la invención de la rueda. La verdad es un poco más complicada.

Los avances en la tecnología industrial, incluidas la IA, rara vez se conciben de forma aislada. Por el contrario, están diseñados para mejorar el desempeño, la eficiencia, la calidad y las capacidades de la industria. Es fácil darse cuenta por qué los motores de combustión interna y a vapor reemplazaron con eficacia a los caballos y las carretas o como el telégrafo abrió nuevas líneas de comunicación en comparación con las cartas entregadas a mano. Estas innovaciones suceden a otras formas de tecnología. Aunque los motores reemplazaron al caballo y la carreta, esta tecnología creo una industria completamente nueva que posibilitó el transporte masivo, transformó la logística, los viajes personales y el envío de mercancías.

Lo mismo puede decirse de la IA. En vez de reemplazar los puestos laborales con IA, las empresas están descubriendo que los empleados pueden trabajar junto a la IA para lograr una mayor productividad y abrir nuevas posibilidades. 

La IA puede reducir la cantidad de tareas mundanas y repetitivas, y facultando a los trabajadores para que se ocupen de otras funciones más creativas o especializadas. En 2018, una sociedad de beneficencia de Nueva York empezó a implementar la IA en tareas de ingreso de datos, lo que contribuyó a bajar su tasa de rotación anual de un 42 % a un 17 % (Knight).

El uso de la tecnología está muy difundido en la producción industrial y la logística como una solución a la continua falta de mano de obra, entre otros problemas crónicos. En conjunción con la robótica, la IA puede simplificar tareas tales como evitar chocar con objetos y mapear superficies para desplazar mercancías dentro de las fábricas. En conjunción con los sistemas de visión artificial, la IA puede realizar tareas de control de calidad repetitivas, aunque esenciales, incluyendo la inspección y detección del ausencia/presencia de piezas (Gow).

El aprovechamiento de la IA para realizar tareas repetitivas les permite a las plantas reasignar sus recursos a la realización de tareas más intensivas y ayudar al personal de primera línea alivianándoles su carga de trabajo.

iStock-1206251797_600x700px

N.º 3 La IA requiere miles de imágenes y grandes conjuntos de datos

La verdad respecto de esta idea errónea puede resumirse con uno de los dichos preferidos de los ingenieros: “depende”.

La IA es un campo amplio que abarca diversos tipos de tecnología que pueden implementarse de incontables maneras. Para que la IA pueda utilizarse en distintas aplicaciones complejas, como detectar anomalías en las costuras de soldaduras o analizar los patrones de costura en la industria textil, la tecnología debe pasar por un proceso exhaustivo de modelaje, desarrollo y comprobación, de modo tal que la soluciones basadas en Deep Learning con uso intensivo de datos sean capaces de satisfacer las necesidades de la industria.

Sin embargo, existen formas más directas de IA capaces de realizar ese tipo de tareas, incluidas la detección y clasificación/categorización de defectos. La tecnología de Edge Learning, por ejemplo, solamente precisa entre 5 y 10 imágenes para entrenar y puede ser implementada por el personal de primera línea sin necesidad de experiencia previa.

Para empezar, un operador entrena el sistema según el tipo de aplicación. Por ejemplo, en una situación de inspección de piezas, el usuario le presentaría el sistema imágenes de piezas aceptables y piezas defectuosas. 

Utilizando tan solo unas pocas imágenes, la tecnología de Edge Learning aprovecha los algoritmos avanzadados para diferenciar entre las piezas aceptables y las inaceptables. Una vez que el sistema está entrenado para distinguir entre las piezas buenas y las malas, los usuarios pueden implementar la solución en la línea de fabricación. 

iStock-531173386_600x700px

N.º 4 Es necesario tener un doctorado y un equipo de científicos de datos para implementar las soluciones de IA

El desarrollo, diseño y comprobación de la IA demanda un conjunto de habilidades especializadas, pero el uso de soluciones de IA modernas puede ser implementado por el personal de primera línea en unos pocos minutos.

Las soluciones de Edge Learning de Cognex se ejecutan por completo a través de una cámara inteligente equipada con iluminación integrada, lentes de autoenfoque y un poderoso sensor, que funcionan juntos para ofrecer capacidades precisas de inspección

capacidades.

Puesto que no requiere ningún conocimiento especializado de visión electrónica ni de IA, los ingenieros de línea pueden entrenar la tecnología valiéndose de su conocimiento sobre las tareas requeridas. Mediante la identificación y aclaración de las piezas relevantes de la imagen, el hardware avanzado de imágenes y el software con tecnología de Edge Learning reducen la carga computacional de los enfoques de Deep Learning tradicionales.

iStock-1219894345_600x700px
 
Conclusión

La IA no es una moda ni una tecnología especializada aplicable solo a mercados específicos; es un campo inmenso capaz de ayudar al sector industrial de diversas maneras. A medida que la tecnología avanza, se vuelve más fácil de utilizar. Se ha probado en la industria de la manufactura y la logística, en donde produjo una optimización en el control de calidad, mejoró la trazabilidad de los productos y permitió identificar antes los defectos en el proceso de producción.

La IA especializada ha sido utilizada para automatizar tareas específicas mediante el análisis de datos y patrones con el objeto de determinar las acciones futuras (autor, Mindell, Reynolds). Por ejemplo, la IA especializada se ha aplicado en las operaciones de fabricación y logística para inspeccionar las piezas, confirmar la ausencia o presencia de ciertos componentes y categorizar los paquetes. 

En particular, Edge Learning está diseñado para ser implementado con rapidez, puesto que solo requiere unas pocas imágenes para diferenciar entre las piezas aceptables y las no aceptables, y todo el procesamiento tiene lugar en un único dispositivo. Es una tecnología que los ingenieros de línea pueden implementar en cuestión de minutos y que ayuda a los operadores a optimizar los flujos de trabajo, mejorar la calidad de los productos e impulsar la eficiencia.

La investigación e información sobre la fabricación y los procedimientos descritos anteriormente fueron obtenidas de:

Más publicaciones en

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex