Razones para implementar IA en el perímetro y cómo superar los desafíos de la IA en el perímetro
La inteligencia artificial (IA) es omnipresente. Desde recomendaciones de compras en línea hasta aplicaciones meteorológicas, su adopción está aumentando rápidamente. La digitalización de la fabricación en el ámbito de la Industria 4.0 ha impulsado la adopción de la IA en la automatización de la fabricación con una gama de aplicaciones como la detección de defectos, la inspección de calidad y la seguridad de los trabajadores, por nombrar algunas.
Sin embargo, la IA tradicional que impulsa a los recomendadores de compras y las aplicaciones meteorológicas tiende a residir en la nube. En dichas aplicaciones, la solicitud del usuario se envía a la nube, un modelo de IA procesa la solicitud y los resultados se devuelven al usuario. Aunque ampliamente adoptada, esta arquitectura de implementación de aplicaciones puede no adaptarse a todos los casos de uso, como la automatización industrial.
AI en el borde es cuando los datos y la IA asociada con los datos residen más cerca de la fuente de datos o su uso. Los requisitos que rigen la fabricación son diferentes de los de un usuario de una aplicación móvil, como se describe a continuación.
Las regulaciones de privacidad de datos para la protección de PII (información de identificación personal) e IP (propiedad intelectual) a menudo requieren que los datos estén más cerca de donde se originan. Por ejemplo, en una configuración de fábrica, los datos de configuración de una máquina son propiedad intelectual del fabricante y les gustaría mantenerlos más cerca de la fuente de datos para evitar cualquier fuga de datos.
La segunda razón es la latencia. El tiempo que se tarda en enviar datos a la nube y volver al perímetro puede ser demasiado largo para las aplicaciones sensibles al tiempo. Por ejemplo, en el caso de la inspección de la calidad de la soldadura, el modelo de IA que predice la calidad de la soldadura tiene requisitos de latencia del orden de un milisegundo. Esto es especialmente importante cuando el modelo de IA es parte de una aplicación completamente autónoma. En el caso de soldadura, se necesitan cambios de configuración en un controlador de soldadura para rectificar la falla de soldadura que se detectó como resultado de la clasificación del modelo AI de inspección de calidad de soldadura.
La tercera razón es el problema del ancho de banda. La transmisión de grandes cantidades de datos a la nube es costosa y requiere un uso intensivo de la red. En algunos casos, es posible que las fábricas ni siquiera tengan la infraestructura de red para manejar este tráfico. Por ejemplo, docenas de cámaras utilizadas para la detección de defectos en la planta de producción producen miles de fotogramas por segundo; no es práctico enviar cantidades tan grandes de datos a través de la red.
Un problema conocido al entrenar un modelo de IA son las clases desequilibradas (es decir, la distribución de clases sesgada en los conjuntos de datos). Esto es especialmente importante en los casos de uso industrial, ya que la mayoría de los productos fabricados no son defectuosos. La proporción de valores atípicos o defectos en dicho conjunto de datos podría ser tan bajo como menos del 1% al 3%. Las formas tradicionales de desarrollar un modelo sin técnicas especiales en dicho conjunto de datos darían como resultado un modelo que funciona mejor solo con muestras de entrenamiento y no funciona bien con otras muestras de prueba. Por lo tanto, la calidad del modelo se degrada rápidamente, lo que reduce el ROI (retorno de la inversión) de un modelo de IA.
Agregar contexto a la IA, especialmente en circunstancias con datos etiquetados muy limitados, puede ayudar a impulsar el desarrollo del modelo de IA. Esto se puede hacer involucrando a un experto en la materia con conocimiento de la heurística del proceso lo antes posible en la fase de exploración de datos. Este enfoque centrado en los datos produce una mayor precisión y ayuda a escalar el modelo de IA.
Los procesos de fabricación, como la construcción de un automóvil, culminan en múltiples procesos individuales. Por ejemplo, las láminas de metal se pegan antes de aplicar una soldadura por puntos. La humedad es un factor que determina la calidad del encolado, lo que podría afectar la calidad de la soldadura. Por lo tanto, si el proceso de soldadura se mira independientemente del pegado, esta relación se pierde.
La captura de interdependencias y relaciones mejora la interpretación y confiabilidad del modelo de IA en lugar de ver la IA como una caja negra. Si bien es probable que determinar estas relaciones requiera una gran cantidad de datos y tiempo, ayuda a la IA a pasar de una solución simple a una más escalable con el tiempo.
La IA aún se encuentra en las primeras fases de adopción en la revolución de la Industria 4.0. De ahí que no sea raro ver algunas dudas sobre sus beneficios. En tal entorno, es esencial elegir un problema de alto valor para aplicar la IA. El impacto de resolver un problema bastante importante con un alto ROI puede llevar a las organizaciones a aceptarlo. Esto anima a los empleados a buscar otros procesos que puedan mejorarse con IA y, a su vez, mejorar la eficiencia y la calidad, creando así un ROI positivo.
