Tabla de contenido0
En un artículo de opinión publicado por la empresa consultora Gartner en septiembre del 2020 se destaca que la Inteligencia Artificial está superando su hype, el pico de expectativas desproporcionadas, lo cual significaría que comienza a dar resultados de acuerdo con su potencial y aporta beneficios a las empresas. Según el autor, la IA se está convirtiendo en una realidad, gracias a su democratización y a la industrialización de plataformas de IA.
¿Es esto una realidad tangible? En un informe a nivel internacional realizado en mayo del 2020 por Capgemini, en el que se contó con la colaboración de más de mil empresas, se presentaba la evolución de la penetración de la IA en el mundo empresarial y por sectores, con unos resultados francamente insuficientes. Una amplia mayoría de las empresas bajo estudio (72 %) conforma las denominadas “Struggling organizations”: han arrancado experiencias piloto antes de 2019 pero, no han conseguido aún desplegar una aplicación en operación real de producción.
Mi compañera Jone Echazarra ya apuntaba algunas posibles causas para este despliegue irregular en la industria de soluciones basadas en la IA. Si las analizamos desde una perspectiva puramente científico-tecnológica, o desde un prisma de implantación y adopción de soluciones como producto siempre existe cierta brecha en la percepción de las tendencias o tecnologías habilitadoras.
El conocido valle de la muerte de la tecnología es ese desierto que separa el innegable y espectacular avance científico de este robot que ha aprendido a caminar solo, de la implantación real de una solución basada en algoritmos similares de reinforcement-learning en una planta de fabricación para el aprendizaje continuo de un modelo de IA con los datos de producción en tiempo real, sin la supervisión e intervención humana durante el proceso.
¿Es esta una señal inequívoca de que la IA permanecerá en ese limbo de las tecnologías prometedoras, pero nunca suficientemente efectivas? Quien entienda como insuficiente no llegar a desplegar un modelo IA que deduzca y aprenda solo cómo predecir un defecto de calidad en la fabricación de una pieza metálica por estampación, por poner un ejemplo, respondería afirmativamente: sí, la IA se ha quedado en otro hype tecnológico cuya penetración efectiva en la realidad industrial no ha estado a la altura de la grandiosidad prometida. Esta creencia se ve reafirmada por las voces que califican como avances muy limitados, incluso inservibles, todos aquellos pequeños éxitos que no supongan alcanzar las expectativas de la ciencia ficción.
Cómo no sentirse obnubilado por J.A.R.V.I.S; “Just A Rather Very Intelligent System”, la Inteligencia Artificial creada por el personaje Anthony Stark (Ironman) de Marvel. Es un sistema tan avanzado que, a partir del escaneo digital ultrarrápido de una maqueta de una ciudad, es capaz de clasificar el propósito de los elementos representados sin supervisión alguna, inferir y combinar las reglas de uniones moleculares para estructurar protones y neutrones sobre el esqueleto digital de la maqueta, y valorar la viabilidad de generación de un nuevo elemento químico, en menos de un minuto. J.A.R.V.I.S es omnipresente, integra todo tipo de fuentes de datos, presenta una interfaz de interacción inmersiva, interpreta sin error órdenes gestuales y procesa el lenguaje natural, aprendiendo continuamente y de forma autónoma.
Efectivamente, es una visión irreal para la IA en la actualidad. En el ciclo hype de Gartner (mostrado en la figura) la denominada General Artificial Intelligence, que podríamos asociar a esta visión, se sitúa aún en el inicio del Innovation Trigger, con una perspectiva estimada de más de 10 años para superar el punto álgido del ciclo, y llegar a un posible régimen estable.
Sin embargo, algunos pensamos que esta afirmación no es óbice para declarar al mismo tiempo que la IA que conocemos y aplicamos abre un espectro de nuevos horizontes en la industria actual que, de otro modo resultarían impensables e inalcanzables. Las técnicas data-driven basadas en algoritmos de Machine Learning actuales tienen un impacto transversal y transformador en la concepción de los retos en procesos de fabricación. Es un hecho que el desarrollo de modelos IA de predicción permite anticipar y minimizar riesgos de un modo automatizado y en adaptación continua.
Desplegar e integrar en una solución digital un soft sensor (modelo IA de predicción en tiempo real), que predice una medida de calidad de un proceso continuo, es un gran avance con un beneficio medible y directo. Esa misma medida previamente se efectuaba en laboratorio, aplicada a una muestra aleatoria tomada una vez al día, y cuyo resultado se demoraba unas horas: esto podía suponer desechar la producción de medio día, si la calidad caía por debajo del umbral exigible.
En general, la aplicación de la IA en industria tiene como objetivo la mejora del OEE (Overall Equipment Effectiveness), bien sea por:
- Incrementar la productividad: se produce mejor, con un ajuste óptimo de parámetros para aumentar la rapidez sin perder calidad, aumento de flexibilidad (reducción de inercias y tiempos en cambios de material o ajuste de línea).
- Minimizar los costes de producción: reducción de desecho por aseguramiento de calidad, predicción de defecto (anticipación), uso óptimo y eficiente de materia prima, reducción de tiempos de calibración de equipos ante un cambio de referencia, reducción de consumos, reaprovechamiento de calor residual.
- Aumentar la disponibilidad: se desarrolla predicción y prescripción en mantenimiento de los bienes de equipo, se optimiza la vida útil de equipamiento en función de los requisitos de producción y disponibilidad.
La IA se introduce con gran impulso en la persecución de objetivos específicos de sostenibilidad y economía circular. Se emplean técnicas IA para modelar procesos donde se introducen materias primas con porcentajes reciclados, de forma que se minimice el riesgo de desajuste, o para reducir emisiones de CO2, o determinar de forma automática (i.e. visión artificial) el posible uso secundario de un desecho (energético o material) en el proceso original.
La Inteligencia Artificial, más allá de su propio hype, ha superado la barrera de impacto en la industria y su potencial real en la práctica. Además de los topics y líneas candentes en investigación, quedan aún grandes retos por resolver, entre ellos los más relevantes podrían ser:
- La imbricación del conocimiento experto en la concepción de los modelos data-driven. Las técnicas conocidas como human-in-the-loop pretenden un doble objetivo: incorporar el conocimiento, supervisión y experiencia del operario en el diseño y mejora continua de los modelos IA, y favorecer la adopción e integración de entendimiento y capacidades digitales en dicho operario/usuario.
- La generalización y flexibilización de los modelos IA. Trabajar y desarrollar modelos data-driven cuyo rendimiento y precisión no se muestren tan estrechamente dependientes del set de datos con los que fueron diseñados y entrenados, o de sus anotaciones (metadatos).
- La interacción orgánica con los sistemas digitales que incorporan IA. En un entorno de producción industrial, cualquier avance en la naturalidad de interacción entre el operario y los sistemas digitales (interfaces avanzadas, NLP) aportará gran impacto en adopción y usabilidad de estos.
“Caminante, no hay camino,
se hace camino al andar.”
