EMO Hannover 2019 propone un “enfoque de ingeniería” al uso sistemático de la inteligencia artificial

Fue en 1992 cuando estaba explorando el uso de redes neuronales artificiales en el diagnóstico de los ejes de la máquina-herramienta. Hoy en día me fascinan los tres grandes avances realizados en el aprendizaje profundo (parte del aprendizaje automático basado en redes neuronales y grandes cantidades de datos, nota del autor) y en redes neuronales convolucionales, algunos de los cuales ya superan las capacidades humanas en el reconocimiento de patrones e imágenes en el procesamiento de datos de audio y vídeo.

Algunos aspectos son cada vez más complejos, por lo que comprendo su escepticismo respecto a la inescrutabilidad de estos sistemas. Necesitamos crear estructuras de automatización más simples que faciliten una mejor comprensión y control de la complejidad del aprendizaje de la máquina. La cuestión es si los investigadores de producción pueden confiar en un sistema de autoaprendizaje lo suficiente como para que lo utilicen en la producción. La educación y la formación a menudo no se adaptan con la suficiente rapidez a un desarrollo tan rápido de la investigación. Esto significa que sólo con un retraso considerable podremos adquirir las habilidades necesarias para dominar esta complejidad y crear confianza en estas nuevas tecnologías. Todo esto, por supuesto, alimenta la noción de que los seres humanos finalmente serán dejados de lado.

Depende en gran medida del tipo de datos de los que esté hablando y de cuál sea el objetivo del ingeniero de producción. Un usuario, por ejemplo, quería utilizar el reconocimiento de imágenes para identificar y gestionar de 50.000 a 60.000 piezas en un almacén. Anteriormente, un trabajador del almacén se encargaba de identificar y clasificar las piezas mediante un catálogo. Sólo teníamos un número limitado de imágenes tomadas de cada parte, no lo suficiente para mapear la estructura de una red neuronal. Sin embargo, nos dimos cuenta de que, al utilizar redes preformadas basadas en datos de imágenes no industriales en combinación con una cantidad limitada de datos de componentes industriales, fue posible lograr tasas de reconocimiento aceptables para la prestación de funciones de asistencia incluso desde una etapa temprana. El sistema AI funciona como un asistente semiautomático que muestra las cinco partes más probables al trabajador del almacén. Gracias a esta ayuda, ahora trabaja de forma mucho más eficiente y precisa. Pero esto sólo funciona si conoces muy bien el proceso. Por eso mi mensaje es: no sólo inviertan en hardware y software, también necesitan hacer un uso sistemático del ‘conocimiento del dominio’ del personal de producción. Las personas también deben aprender a evaluar los procesos en la fábrica y decidir qué tareas puede asumir la IA. La inclusión del conocimiento de dominio de la producción es crucial para identificar de forma rápida y sistemática nuevas áreas de potencial de creación de valor.

Los datos generados por las empresas son polvo de oro digital para mí. En mi experiencia, muchas empresas aún no son conscientes del potencial de creación de valor que tiene. Las herramientas de aprendizaje automático son cada vez más potentes. En la producción, ahora deberíamos combinar sistemáticamente los datos con el conocimiento del dominio para refinar los procesos y hacerlos más eficientes. Estoy interesado en abordar este tema con colegas de WGP. Por ejemplo, ya no deberíamos centrarnos en aumentar las tasas de reconocimiento con la ayuda de métodos de aprendizaje automático, como hicimos en el pasado. En su lugar, deberíamos analizar el potencial de los datos de producción existentes para el aprendizaje a máquina de forma más sistemática que antes y explotar el potencial resultante para aumentar los niveles de eficiencia de la producción de forma más sistemática. Recomiendo ver el video de YouTube del científico canadiense Ajay Agrawal o leer su libro Prediction Machines: La Simple Economía de la Inteligencia Artificiocial. Aquí, los ingenieros de automatización o de producción ven las oportunidades de la IA desde una perspectiva económica para descubrir el polvo de oro digital en su propia empresa. De repente surgen nuevos modelos y nichos de creación de valor para las pequeñas empresas, especialmente para las de nueva creación.

La ‘sensorización’ suele ser el primer paso en la adquisición de datos para el aprendizaje. Cuanto más potentes y rentables sean las herramientas para el aprendizaje automático, más valiosos serán los datos subyacentes. Especialmente en el campo de la sensorización, se están realizando grandes progresos en la investigación y el desarrollo en relación con Industry 4.0, un buen requisito previo para dar el siguiente paso hacia el aprendizaje automático en la producción.

Los niveles de inversión en infraestructura de IA, como hemos visto en China en particular, son realmente impresionantes: es difícil ver cómo podríamos igualarlos aquí en Alemania. En términos de competencia internacional, sin embargo, veo un brillante futuro para Alemania al aplicar el pensamiento de ingeniería estructurada al uso industrial de la IA o al aprendizaje de máquinas. De este modo, en el futuro podremos mantener y desarrollar nuestra excelente posición global en el campo de la automatización.

Ciertamente, me interesará ver las exposiciones presentadas por nuestros colegas del WGP. Por ejemplo, he oído que un instituto presentará algo muy interesante en el campo del reconocimiento de patrones en los accionamientos de máquinas-herramienta. Es todo lo que puedo decirte. También merece la pena visitar los stands de algunos fabricantes de máquinas y empresas de automatización.

Trumpf: uso de la IA en la producción

“La inteligencia artificial no mata los puestos de trabajo; es simplemente un paso lógico más hacia la consecución de la competitividad y prosperidad de Alemania”, expone Thomas Schneider, jefe de desarrollo de la División de Máquina-Herramienta de Trumpf GmbH & Co. KG, Ditzingen. “Los conocimientos de ingeniería mecánica que hemos acumulado a lo largo de décadas son esenciales para hacer uso de la inteligencia artificial en la industria. Debemos aprovechar esta oportunidad”. En Suabia ya están desplegando IA: 25 empleados de Trumpf trabajan para asegurar la coordinación transparente y a nivel de grupo de las actividades de IA de la compañía. La inteligencia artificial puede, por ejemplo, utilizar un sistema láser automático para analizar la retirada de piezas de chapa cortada -inicialmente sin éxito, pero finalmente con éxito- y automatizar el procedimiento utilizando los datos resultantes. Trumpf puede entonces aplicar este método a todas las máquinas de este tipo. La IA también ha tenido éxito en la producción propia de la empresa: los sensores de la máquina registran grandes cantidades de datos durante una breve prueba y los envían a través del controlador a la nube, donde la solución de IA los analiza automáticamente. Una ingeniosa combinación de métodos de simulación, medición y análisis permite controlar la máquina en innumerables estados de funcionamiento. Si hay un problema en los datos, no sólo reconoce el error, sino que también sabe cómo corregirlo a partir de sus análisis anteriores.