Saltar al contenido principal

Inteligencia Artificial En La Industria Colombiana

· 8 min de lectura

Mediante la digitalización de instrumentos y analizadores se logra capturar la dinámica de procesos industriales en series de tiempo almacenadas en bases de datos. Toda esta información es valiosa pues intrínsecamente incluye relaciones entre las variables de proceso e indicadores de producción y/o efectividad. Estos datos pueden estar registrados en frecuencias desde mili(en incluso micro)segundos hasta minutos y horas, dependiendo de la necesidad del proceso y a lo largo de días y meses el tamaño de esta información (y la cantidad de puntos en el tiempo) crece de gran forma. Esta vasta cantidad de datos hace posible que el empleo de algoritmos de aprendizaje automático, en particular, aprendizaje profundo (deep learning) sea plausible y se puedan desarrollar análisis sobre condiciones de proceso y predicciones de comportamiento como también ayudar a tomar decisiones criticas de forma mas inteligente y ágil.

Emplear este tipo de tecnologias se hace imperativo para mantener la competitividad a medida que se fortalece y se impulsa mas y mas la industria 4.0 en el país. No sobra resaltar algunos puntos importantes de esta cuarta revolución industrial que empieza a tomar forma en Colombia y que mediante servicios como los que proveemos en INSA facilitamos el acceso a tecnologías de vanguardia para mejorar y automatizar procesos:

  • Estandarización
  • Manejo de sistemas complejos
  • Infraestructura de telecomunicaciones
  • Seguridad y protección (de datos e infraestructura digital)
  • Eficiencia de recursos

El impacto de la inteligencia artificial se ve favorecido por metodologías y arquitecturas que distribuyen la carga de transferencia y análisis de información de forma efectiva. En particular, con el IIoT (Industrial Internet of Things) donde se encuentran tres capas o niveles, a saber, el nivel edge (1), donde se recoge la información de diversos componentes y maquinas de la industria, el nivel de plataforma (2), donde se procesa la información obtenida en la capa edge para proveer realimentacion operativa de forma rápida y segura, y el nivel de empresa (3), donde se analiza a fondo la información obtenida en el nivel de plataforma para proveer soporte de alto nivel para toma de decisiones.

Distribuyendo de esta forma, los algoritmos de aprendizaje supervisado se pueden implementar sobre plataformas en la nube, disminuyendo el costo operacional para el despliegue de metodologías inteligentes, pues son algoritmos computacionalmente costosos, que pueden ser ejecutados remotamente, con servicios web especializados sin que se afecte la operación en planta.

Es importante reconocer las limitaciones que estos algoritmos presentan, pues, aunque existe bastante expectativa frente a lo que pueden hacer, no pueden aun reemplazar las labores o la capacidad analítica que un ser humano tiene. En breve, las metodologías de aprendizaje profundo sirven actualmente para dar un nivel extra de análisis para toma de decisiones informadas; también proveen una capa de automatización para manejar y extraer patrones relevantes de grandes volúmenes de datos, reduciendo en gran manera el tiempo empleado para entender la información que se extrae de planta. En cuestión de algoritmos para predicción de series de tiempo, es importante resaltar que los datos temporales pasados no necesariamente representan causalidad de eventos futuros, y el empleo de inteligencia artificial para predecir eventos temporales futuros esta basado en los patrones que la red neural ha encontrado sobre los datos proveídos y es relativo a la cantidad de datos y la calidad de estos que la predicción se vuelva mas o menos precisa.

Capturar datos de campo es entonces el primer paso para empezar a emplear estas tecnologias que permiten optimizar procesos y encontrar patrones que permitan mejorar la eficiencia. En ese sentido, implementar instrumentos digitales y concertadores de señales a nivel de planta es fundamental. Con las señales de mediciones que representan variables importantes para el proceso digitalizadas es entonces posible usar dispositivos edge Siemens como el Ruggedcom RX1400, un dispositivo multiprotocolo que facilita la comunicación con la nube para transferir los datos a servicios de procesamiento y almacenamiento dedicados como AWS de forma segura, mediante encriptacion de 128 bits. Dependiendo de la necesidad, los requerimientos críticos del proceso y las facilidades de comunicación, la transferencia de información se puede hacer mediante internet, donde se tendría latencia minima; también es posible usar los servicios LTE o GSM para telemetría; en locaciones remotas con restricciones de comunicacion, la telemetría satelital de Orbcomm es una solución factible para lograr telecomunicaciones M2M e implementar IIoT en cualquier ámbito e industria. Las alternativas y soluciones para cada requerimiento, por especial que sea, existen y esta estandarización es la que nos permite llevar soluciones digitales a lo largo y ancho del pais e incluso mas allá de sus fronteras.

Una vez se tiene los datos de campo extraídos, el almacenamiento de estos crecientes volúmenes de información requieren una forma practica, segura y accesible. Los servicios de almacenamiento de AWS RDS permiten tener disponibilidad completa de los datos reservados con altos estándares de seguridad en una nube privada. Usando el servicio de virtualizacion AWS EC2 se puede construir un terminal con IP fija para acceder a visualización en tiempo real de los datos desde cualquier lugar con una conexión a internet. Ahora bien, usando AWS Sagemaker se llega al punto que mayor impacto al negocio genera y por el cual todo el trabajo de digitalizar instrumentos, generar canales de telecomunicacion y usar servicios de almacenamiento cobra valor mas allá de la telemetría y la visualización remota de planta.

Mediante Sagemaker se tiene una plataforma que encapsula todo el ciclo de vida de una solución de inteligencia artificial, desde la creación de un modelo usando cuadernos Jupyter sobre servicios de procesamiento con GPU y TPU dedicados para solucionar algoritmos de redes neuronales, pasando por el entrenamiento y la optimización del modelo usando los datos almacenados y por ultimo, generando un punto de acceso desde el cual se puede cargar información o datos al modelo para obtener predicciones o análisis de valor en tiempo real, que, de igual manera puede ser visualizado transportando la información mediante websockets.

La creación de modelos de aprendizaje profundo es diversa, en relación al tipo de datos que se use para alimentar o entrenar la red neuronal. En el caso de la industria, la mayoría de los datos que tienen valor o representan una variable importante para la producción o el proceso de planta son datos registrados en segmentos temporales, o series de tiempo. En ese sentido, el uso de redes neuronales recurrentes, principalmente con “neuronas” LSTM (Long Short Term Memory) han demostrado ser ideales para este tipo de datos pues tienen “memoria” de patrones que se encuentren en los datos y sirven para generar predicciones de series de tiempo futuras. También se ha encontrado que el uso de redes neuronales convolucionales de una dimension (Conv1D) generan predicciones buenas, y hace parte del trabajo de desarrollo del modelo y el entrenamiento de la red neuronal encontrar un balance optimo entre el numero de neuronas y conexiones usadas, como también de metodologías para evitar el sobreajuste (evento en el cual la red neuronal empieza a memorizar en vez de aprender), en concordancia con la cantidad de datos y la correlación que pueda existir entre variables medidas del proceso, para poder generar una predicción que se ajuste a la realidad futura del proceso. Ademas de estos modelos de aprendizaje supervisado, existen metodologías para diversos requerimientos como aprendizaje no supervisado, agrupamiento (clustering), redes bayesianas para inferencia, modelos dinámicos para control optimo entre muchos otros, que son aplicables dependiendo del requerimiento, el proceso, el tipo de dato y el objetivo que se quiera lograr

Las metodologias y tecnologías digitales siguen avanzando a un paso creciente y la industria nacional debe ajustarse a estos cambios, manteniéndose concurrente con las tendencias tecnológicas que mejoran la eficiencia de los procesos industriales e incrementan la calidad final del producto o servicio que provea. El uso de estos algoritmos de inteligencia artificial promete un mejor análisis a los grandes volúmenes de datos que cada vez es mas complejo analizarlos manualmente mientras que entrega una herramienta que complementa las tareas de analítica en la industria para lograr efectuar decisiones rápidas y eficientes.


La aplicación de la inteligencia artificial en la industria

La inteligencia artificial surge con el propósito de automatizar las tareas intelectuales normalmente desarrolladas por humanos y a raíz de esto aparecen estrategias basadas en manipulaciones de largas cadenas de funciones geométricas para transformar la información de entrada en representaciones significativas en la salida, en otras palabras, aprender representaciones útiles de los datos de entrada que se asemejen a la salida esperada

La basta cantidad de datos que se están generando en las industrias digitales actualmente permite la implementación de algoritmos de aprendizaje profundo o Deep Learning para desarrollar análisis sobre condiciones de proceso y predicciones de comportamiento como también ayudar a tomar decisiones criticas de forma mas inteligente y ágil.

Emplear este tipo de tecnologias se hace imperativo para mantener la competitividad a medida que se fortalece y se impulsa mas y mas la industria 4.0. En INSA tenemos las herramientas y el personal para implementar tecnologías digitales que le permitan a su industria mantenerse a la vanguardia, desde el nivel de planta hasta la visualización remota de sus datos y la analítica.

Usando servicios de virtualización y computación en la nube podemos reducir los costos operativos de la ejecución de estos algoritmos de inteligencia, que son intrinsicamente, computacionalmente dispendiosos logrando llevar fácilmente los análisis optimizados a las operaciones de su compañía