Inteligencia artificial en líneas de fabricación: Un glosario de términos
No necesita un doctorado para sentirse cómodo hablando de la inteligencia artificial, aunque ciertamente ayuda. Conocer algunos términos y conceptos básicos relacionados a la inteligencia artificial puede ayudar a entender la tecnología más reciente y los avances de inspección en la automatización industrial.
Los siguientes son los términos más comunes que se mencionan en conversaciones y artículos sobre inteligencia artificial en la automatización industrial.
Algoritmo: Un conjunto de instrucciones y cálculos que ayudan a una computadora a alcanzar un objetivo. En la automatización industrial, los algoritmos pueden clasificar conjuntos de datos masivos de sensores, escáneres y cámaras digitales para detectar ineficiencias, aumentar la calidad y recomendar mejoras. 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 (IA): Técnicas de computación que intentan simular la toma de decisiones humana, mediante automatización para realizar tareas que son difíciles para los humanos. Los algoritmos de IA son fundamentales para la automatización de las fábricas porque pueden utilizar tecnologías como el reconocimiento de imágenes y el procesamiento de lenguaje natural para disminuir los errores humanos y anticipar los desafíos de producción.
Grandes bases de datos: Tecnologías que vinculan enormes conjuntos de datos de múltiples fuentes mediante herramientas de análisis para generar perspectivas únicas. Las grandes bases de datos sientan las bases de la IA porque los algoritmos de aprendizaje requieren montañas de información para emular la toma de decisiones humanas y producir pronósticos precisos. Una fábrica automatizada utiliza grandes bases de datos para informar a sus iniciativas de IA.
Clasificación: Separar los datos en diferentes categorías mejora la eficacia de la IA. En la automatización industrial, los dispositivos que recopilan datos escanean el entorno de producción y reconocen objetos específicos, como piezas de máquinas y componentes electrónicos. Los algoritmos de IA ayudan a clasificar estos objetos y enrutarlos hacia sus destinos correspondientes en la línea de producción.
Agrupación: Segregar un conjunto de puntos de datos en grupos para determinar cuáles son similares y cuáles son diferentes. Los algoritmos de aprendizaje escanean agrupaciones para interpretar su significado y predecir cursos de acción adecuados. Por ejemplo, los algoritmos de agrupación procesan información de dispositivos de escaneo óptico para determinar qué hacer cuando un escáner detecta una falla en el producto.
Limpieza/depuración de datos: Eliminar datos erróneos para mejorar la efectividad de un algoritmo de aprendizaje. La IA depende de modelos sofisticados de datos que deben tener fuentes precisas, confiables y consistentes. Lamentablemente, la recopilación de datos suele generar información redundante, inexacta, desactualizada o inútil. Por tanto, la limpieza (o depuración) de los datos disminuye los riesgos y mejora la precisión de la IA.
Deep Learning: Una metodología de IA que utiliza redes neuronales y algoritmos de aprendizaje mediante ejemplos para mejorarse con el tiempo sin intervención humana. Los algoritmos de Deep Learning se tornan más efectivos a medida que procesan datos, no como los algoritmos basados en reglas que tienen límites estrictos en su capacidad de procesar datos. En la automatización industrial, los algoritmos de Deep Learning pueden detectar defectos en productos de forma similar a la cognición humana, solo que mucho más rápido.
Descargue nuestro recurso gratuito: Libro digital sobre Deep Learning vs. visión artificial
Reconocimiento de imagen: Usar la IA para analizar el contenido de una imagen digital. Los algoritmos de reconocimiento de imagen pueden escanear millones de píxeles y aplican el Deep Learning para distinguir entre personas, lugares y cosas. Estas tecnologías permiten escaneos de códigos de barras e inspecciones automatizadas que pueden mejorar significativamente la productividad de una fábrica automatizada. Ver también: visión artificial.
La internet de las cosas (IoT): Una red de sensores conectados a internet para recopilar inteligencia en tiempo real de máquinas y comportamiento humano. Los dispositivos incluyen teléfonos celulares, dispositivos portátiles, cámaras de video, monitores de tráfico y sensores de maquinarias y líneas de producción. Los sensores IoT generan las cantidades masivas de datos necesarios para permitir el aprendizaje automático.
Aprendizaje automático: Procesos informáticos que pueden mejorar resultados sin necesidad de programación humana. Los algoritmos de aprendizaje automático entrenan a una computadora para que busque el éxito y evite el fracaso millones de veces para generar resultados de aprendizaje. Por ejemplo, el reconocimiento de imagen analiza millones de imágenes para diferenciar objetos en una imagen digital. Ver también: datos de entrenamiento.
Visión artificial: Algoritmos basados en reglas que identifican características específicas de un objeto. Las tecnologías de visión artificial utilizan datos de escáneres ópticos y cámaras digitales para inspeccionar piezas en líneas de producción y escanear códigos de barras en centros de distribución. Gracias a la visión artificial, las herramientas trabajan mucho más rápido que el ojo humano. El Deep Learning puede mejorar significativamente la precisión y eficacia de estas herramientas.
Redes neuronales: Algoritmos y nodos de datos inspirados por las vías neuronales del sistema nervioso humano. Una red neuronal simula cómo las células nerviosas reciben información, la procesan y la trasmiten a otros nervios. Miles de nodos de procesamiento en una red neuronal detectan patrones en fuentes de información como imágenes, textos y discursos orales. Estos patrones ayudan al algoritmo a decidir qué hacer a continuación y aprender a desempeñarse mejor cada vez que realiza una tarea con éxito.
Reconocimiento óptico de caracteres (OCR): Traducción de números, letras y caracteres impresos a datos digitales significativos. Aunque la tecnología de OCR tiene décadas de antigüedad, sigue siendo fundamental para la automatización industrial y la distribución de productos. Además, las tecnologías de IA brindan un salto cuántico en la precisión del OCR, lo que permite escanear etiquetas dobladas, rasgadas, dañadas y oscurecidas por envolturas plásticas.
Automatización de procesos robóticos (RPA): Dispositivos, software y procesos que automatizan los procesos de producción, lo que mejora la productividad y libera a las personas de las tareas tediosas y repetitivas. Los dispositivos RPA incluyen brazos robóticos que realizan tareas como soldar piezas automotrices o ensamblar microprocesadores. El software RPA puede incluir algoritmos y aplicaciones que automatizan procesos que solían necesitar de intervención humana.
Datos estructurados vs. datos no estructurados: Marcos distintivos que ayudan a las máquinas a comprender el significado de los datos y procesarlos adecuadamente. Los datos estructurados se almacenan en formatos consistentes, similares a las filas, columnas y celdas de una hoja de cálculo. Los datos no estructurados son como el texto en un archivo de procesador de palabras o los píxeles en un video. Los algoritmos de IA permiten que los sistemas de automatización industrial extraigan conocimiento de ambos tipos de datos.
Inteligencia de enjambre: Un conjunto de algoritmos que trabajan en conjunto para generar una inteligencia que supera la capacidad de los individuos dentro del enjambre. Basado en el comportamiento de las abejas, los peces, los pájaros y otros organismos sociales, el sistema de inteligencia de enjambre asigna tareas específicas simples a algoritmos individuales de aprendizaje automático. Permitir que los algoritmos trabajen juntos puede producir resultados de aprendizaje mucho más sofisticados de los que podría generar un solo algoritmo. Ver también: redes neuronales.
Datos de entrenamiento: Información digital que alimenta el aprendizaje en un algoritmo de IA. Los algoritmos de Deep Learning y redes neuronales deben poder reconocer la diferencia entre datos buenos y malos. Los datos de entrenamiento les permiten resolverlo. En una fábrica automatizada, por ejemplo, las imágenes digitales proporcionan datos de entrenamiento que ayudan a que los algoritmos aprendan a identificar piezas defectuosas y mantenerlas fuera de a los productos terminados.
Conozca cómo aprovechar las tecnologías de inspección de IA y Deep Learning en nuestra ficha técnica de Deep Learning de VisionPro gratuita.
