IA, VISIÓN ARTIFICIAL, REALIDAD AUMENTADA 78 INTRODUCCIÓN DE INTELIGENCIA ARTIFICIAL EN LOS GEMELOS DIGITALES El modelo de gemelo digital descrito en el apartado anterior puede aún ampliar muchísimo sus capacidades introduciendo un elemento clave, la inteligencia artificial. A continuación se explica cómo aumentar las capacidades de automatización y productividad del gemelo digital introduciendo sistemas de inteligencia artificial discriminativa, y más adelante, las ventajas que puede aportar el tipo de IA que más relevancia ha ganado en los últimos meses, la IA Generativa. Se conoce como IA discriminativa a aquellos modelos que son capaces de diferenciar entre diferentes tipos de datos. Pueden aprender de los datos de entrada y luego hacer predicciones o decisiones sin la necesidad de entender la distribución de los datos. Los algoritmos de clasificación, como las máquinas de vectores de soporte (SVM) y las redes neuronales convolucionales (CNN) son ejemplos de modelos discriminativos. Este tipo de IA puede aportar, al menos, 3 mejoras a un gemelo digital: modo de simulación, sensores virtuales y mantenimiento predictivo. Modo de simulación Una adición interesante que aporta la IA discriminativa es un nuevo modo de funcionamiento, el de simulación. Gracias a la gran cantidad de datos que genera el gemelo digital, es posible entrenar modelos discriminativos de regresión o clasificación que permitan simular el comportamiento de un sistema variando las condiciones de entrada, ya sean estas los parámetros propios de la máquina como la velocidad de funcionamiento, y la cantidad de piezas de entrada, entre otros., o bien condiciones ambientales como temperatura, humedad, velocidad del viento, etc. Con un modelo suficientemente bien entrenado, el gemelo es capaz de ofrecer de forma precisa las variables de salida de la máquina, como la cantidad de piezas defectuosas fabricadas, los paros o averías que se puedan producir, entre otras. En la imagen se puede apreciar un esquema del funcionamiento del gemelo en modo simulación. Sin embargo, antes de implementar este tipo de solución, es vital entender que el sistema de IA no es capaz de ‘inventar’ situaciones que no ha conocido, sino más bien es capaz de aprender de los datos de situaciones que ya han ocurrido. Esto es especialmente significativo cuando se quiere realizar una simulación de cómo reaccionaría la máquina ante una configuración ‘extrema’. Si los datos que se utilizan para entrenar el modelo de IA no incluyen ninguna situación con valores de entrada anormales, el modelo será capaz de seguir la tendencia existente en los valores previos, pero la fiabilidad de los resultados que ofrezca en estos puntos será muy baja. Se indican a continuación dos posibles soluciones a este problema: • Experimentación. Una posibilidad para obtener simulación fiable con cualquier valor de entrada es realizar experimentos con la máquina cuando no está en producción. En este caso se forzarían los valores extremos para incluirlos en el conjunto de datos del entrenamiento. Esta solución conlleva varios riesgos y problemas. Detener una máquina durante mucho tiempo para este fin implica una reducción en la capacidad productiva de la empresa. Además, forzar valores extremos puede llevar a una rotura o desencadenar un mal funcionamiento, implicando un perjuicio sustancial en la facturación. • Modelo de fabricante. Otra posibilidad es que el entrenamiento del modelo no se realice en fábrica, sino que sea proporcionado directamente por el fabricante y se incluya en el gemelo digital del cliente. Esta solución es posible porque para el fabricante implica un valor añadido al producto y no le resulta tan punitivo como al cliente realizar experimentos con el sistema. Por contrapartida, se está utilizando el mismo modelo para todas las máquinas sin, quizás, tener en cuenta algunas características particulares de cada instalación, lo que supondría una pérdida de precisión. Ilustración 3. Diagrama del funcionamiento del modo simulación del gemelo digital. Foto: elaboración propia. Ilustración 4. Señal Atmósfera explosiva.
RkJQdWJsaXNoZXIy Njg1MjYx