Inteligencia artificial en la industria

La inteligencia artificial industrial , o IA industrial , generalmente se refiere a la aplicación de la inteligencia artificial a la industria y los negocios. A diferencia de la inteligencia artificial general, que es una disciplina de investigación de vanguardia para construir sistemas computarizados que realizan tareas que requieren inteligencia humana, la IA industrial se ocupa más de la aplicación de dichas tecnologías para abordar problemas industriales para la creación de valor para el cliente, la mejora de la productividad, la reducción de costos, la optimización del sitio, el análisis predictivo ^[1] y el descubrimiento de información. ^[2]

La inteligencia artificial y el aprendizaje automático se han convertido en facilitadores clave para aprovechar los datos en la producción en los últimos años debido a una serie de factores diferentes: sensores más asequibles y el proceso automatizado de adquisición de datos; capacidad computacional más poderosa de las computadoras para realizar tareas más complejas a una velocidad más rápida con un menor costo; infraestructura de conectividad más rápida y servicios en la nube más accesibles para la gestión de datos y la subcontratación de la capacidad computacional. ^[3]

Las posibles aplicaciones de la IA industrial y el aprendizaje automático en el ámbito de la producción se pueden dividir en siete áreas de aplicación: ^[4]

• Análisis de mercado y tendencias
• Maquinaria y equipo
• Intralogística
• Proceso de producción
• Cadena de suministro
• Edificio
• Producto

Cada área de aplicación se puede dividir en escenarios de aplicación específicos que describen escenarios concretos de IA/ML en la producción. Si bien algunas áreas de aplicación tienen una conexión directa con los procesos de producción, otras cubren campos adyacentes a la producción, como la logística o la construcción de la fábrica. ^[4]

Un ejemplo del escenario de aplicación del diseño de procesos y la innovación son los robots colaborativos . Los brazos robóticos colaborativos pueden aprender el movimiento y la trayectoria demostrados por los operadores humanos y realizar la misma tarea. ^{[5] El mantenimiento} predictivo y preventivo a través del aprendizaje automático basado en datos son escenarios de aplicación ejemplares del área de aplicación de maquinaria y equipo . ^[4]

A diferencia de los sistemas completamente virtuales, en los que las aplicaciones de ML ya están muy extendidas hoy en día, los procesos de producción del mundo real se caracterizan por la interacción entre el mundo virtual y el físico. Los datos se registran utilizando sensores y se procesan en entidades computacionales y, si se desea, las acciones y decisiones se traducen de nuevo al mundo físico a través de actuadores o por operadores humanos. ^[6] Esto plantea grandes desafíos para la aplicación de ML en sistemas de ingeniería de producción. Estos desafíos son atribuibles al encuentro de características de proceso, datos y modelo: los altos requisitos de confiabilidad del dominio de producción, el alto riesgo y potencial de pérdida, la multitud de fuentes de datos heterogéneas y la falta de transparencia de la funcionalidad del modelo de ML impiden una adopción más rápida de ML en los procesos de producción del mundo real.

En particular, los datos de producción comprenden una variedad de modalidades, semánticas y calidades diferentes. ^[7] Además, los sistemas de producción son dinámicos, inciertos y complejos, ^[7] y los problemas de ingeniería y fabricación son ricos en datos pero escasos en información. ^[8] Además de eso, debido a la variedad de casos de uso y características de los datos, se requieren conjuntos de datos específicos del problema, que son difíciles de adquirir, lo que obstaculiza tanto a los profesionales como a los investigadores académicos en este dominio. ^[9]

El campo de la ingeniería de producción puede considerarse una industria bastante conservadora en lo que respecta a la adopción de tecnología avanzada y su integración en los procesos existentes. Esto se debe a las altas demandas de confiabilidad de los sistemas de producción que resultan del daño económico potencialmente alto de la reducción de la efectividad del proceso debido, por ejemplo, al tiempo de inactividad adicional no planificado o a la calidad insuficiente del producto. Además, las características específicas de los equipos y productos de mecanizado impiden la adopción en toda el área en una variedad de procesos. Además de las razones técnicas, la adopción reticente del ML se ve impulsada por la falta de experiencia en TI y ciencia de datos en todo el dominio. ^[4]

Los datos recopilados en los procesos de producción provienen principalmente de sensores de muestreo frecuente para estimar el estado de un producto, un proceso o el entorno en el mundo real. Las lecturas de los sensores son susceptibles al ruido y representan solo una estimación de la realidad bajo incertidumbre. Los datos de producción generalmente comprenden múltiples fuentes de datos distribuidas que dan como resultado varias modalidades de datos (por ejemplo, imágenes de sistemas de control de calidad visual, lecturas de sensores de series temporales o información transversal de trabajos y productos). Las inconsistencias en la adquisición de datos conducen a bajas relaciones señal-ruido , baja calidad de datos y un gran esfuerzo en la integración, limpieza y gestión de datos. Además, como resultado del desgaste mecánico y químico del equipo de producción, los datos de proceso están sujetos a varias formas de desviaciones de datos .

Los modelos ML se consideran sistemas de caja negra  debido a su complejidad y falta de transparencia en la relación entrada-salida. Esto reduce la comprensibilidad del comportamiento del sistema y, por lo tanto, también la aceptación por parte de los operadores de la planta. Debido a la falta de transparencia y la estocasticidad de estos modelos, no se puede lograr una prueba determinista de corrección funcional, lo que complica la certificación del equipo de producción. Dado su comportamiento de predicción inherentemente irrestricto, los modelos ML son vulnerables a datos erróneos o manipulados, lo que pone en riesgo aún más la confiabilidad del sistema de producción debido a la falta de robustez y seguridad. Además de los altos costos de desarrollo e implementación, las desviaciones de datos causan altos costos de mantenimiento, lo que es desventajoso en comparación con los programas puramente deterministas .

El desarrollo de aplicaciones ML, comenzando con la identificación y selección del caso de uso y terminando con la implementación y mantenimiento de la aplicación, sigue fases dedicadas que pueden organizarse en modelos de procesos estándar. Los modelos de procesos ayudan a estructurar el proceso de desarrollo y definir los requisitos que se deben cumplir en cada fase para ingresar a la siguiente fase. Los procesos estándar se pueden clasificar en genéricos y específicos del dominio. Los procesos estándar genéricos (por ejemplo, CRISP-DM , ASUM-DM, KDD , SEMMA o Team Data Science Process) describen una metodología generalmente válida y, por lo tanto, son independientes de los dominios individuales. ^[10] Los procesos específicos del dominio, por otro lado, consideran peculiaridades y desafíos específicos de áreas de aplicación especiales.

El Machine Learning Pipeline in Production es una metodología de ciencia de datos específica del dominio que se inspira en el modelo CRISP-DM y fue diseñada específicamente para aplicarse en campos de ingeniería y tecnología de producción. ^[11] Para abordar los desafíos centrales del ML en ingeniería (características de procesos, datos y modelos), la metodología se centra especialmente en la evaluación de casos de uso, el logro de una comprensión común de los datos y procesos, la integración de datos, el preprocesamiento de datos de producción del mundo real y la implementación y certificación de aplicaciones de ML del mundo real.

La base de la mayoría de las aplicaciones de inteligencia artificial y aprendizaje automático en entornos industriales son conjuntos de datos completos de los respectivos campos. Esos conjuntos de datos actúan como base para entrenar los modelos empleados. ^[7] En otros dominios, como la visión artificial, el reconocimiento de voz o los modelos de lenguaje, se utilizan con frecuencia conjuntos de datos de referencia extensos (por ejemplo, ImageNet , Librispeech, ^[12] The People's Speech) y datos extraídos de Internet abierto ^[13] para este propósito. Dichos conjuntos de datos rara vez existen en el contexto industrial debido a los altos requisitos de confidencialidad ^[9] y la alta especificidad de los datos. Por lo tanto, las aplicaciones industriales de inteligencia artificial a menudo se enfrentan al problema de la disponibilidad de datos. ^[9]

Por estos motivos, los conjuntos de datos abiertos existentes que se pueden aplicar a aplicaciones industriales suelen proceder de instituciones públicas, como agencias gubernamentales o universidades, y de concursos de análisis de datos organizados por empresas. Además, existen plataformas para compartir datos. Sin embargo, la mayoría de estas plataformas no tienen un enfoque industrial y ofrecen capacidades de filtrado limitadas en lo que respecta a las fuentes de datos industriales.

La inteligencia artificial para la educación empresarial se refiere a los programas académicos ofrecidos por universidades que integran la inteligencia artificial (IA) con los principios de gestión empresarial. Estos programas tienen como objetivo preparar a los estudiantes para el papel cada vez mayor de la IA en los negocios, brindándoles las habilidades necesarias para aplicar las tecnologías de IA en áreas como el análisis predictivo, la optimización de la cadena de suministro y la toma de decisiones. Varias universidades del mundo ofrecen programas de IA para la educación empresarial tanto a nivel de pregrado como de posgrado.

Licenciatura en Inteligencia Artificial para Negocios (BAIB), Licenciatura en Ciencias de la Computación e Inteligencia Artificial (BCSAI), Maestría en Ciencias en Inteligencia Artificial para Negocios (MS-AIB): estos son programas nuevos que aún están en sus primeras cohortes y aún deben demostrar su valía en la industria. Los títulos de grado a menudo se ofrecen junto con un BBA como un programa de doble titulación de 5 años, los títulos de grado están pasando por los procesos de acreditación en sus respectivos países.

Los programas que combinan la IA con los estudios empresariales varían según la institución y el nivel de titulación. A continuación, se muestran algunos ejemplos destacados:

Grado en Inteligencia Artificial para Negocios (BAIB) : este programa, iniciado por Esade, se centra en la integración de la IA y el aprendizaje automático con disciplinas empresariales fundamentales como la gestión, el marketing y las finanzas. Esade Business School es una institución muy valorada por su innovación empresarial, su enfoque en la sostenibilidad y su visión de futuro. Durante el BBA+BAIB, los estudiantes reciben formación para aplicar la IA en entornos empresariales con el fin de mejorar la eficiencia, la innovación y la toma de decisiones. ^[14]

Licenciatura en Ciencias de la Computación e Inteligencia Artificial (BCSAI) : ofrecida junto con una Licenciatura en Administración de Empresas por IE University , la BCSAI combina estudios básicos en ciencias de la computación con una especialización en inteligencia artificial. El programa también proporciona una sólida base en principios empresariales, preparando a los graduados para crear soluciones de IA para problemas empresariales e impulsar la innovación tecnológica en el mundo empresarial. ^[15]

Máster en Inteligencia Artificial para Empresas (MS-AIB) – La Universidad Estatal de Arizona (ASU) ofrece un programa de posgrado centrado en las aplicaciones de la IA en entornos empresariales. Este título explora temas avanzados como la toma de decisiones impulsada por la IA, el análisis de big data y las implicaciones éticas de la IA en los negocios. El programa está diseñado para profesionales que buscan aprovechar las tecnologías de IA para transformar las prácticas comerciales y mejorar la eficiencia.

Estos programas suelen incluir una combinación de cursos de IA y empresariales. Las materias básicas suelen abarcar temas como el aprendizaje automático, la ciencia de datos, la estrategia empresarial y la gestión financiera. Los programas tienen como objetivo ofrecer a los estudiantes una amplia comprensión de las aplicaciones de la IA en un entorno empresarial, al tiempo que les permiten especializarse en áreas como la gestión de la cadena de suministro, el análisis de marketing y la innovación impulsada por la IA.

Además de los cursos técnicos, muchos programas incluyen capacitación práctica, como pasantías, proyectos de IA en el mundo real y estudios de casos de la industria. Esto ayuda a los estudiantes a adquirir experiencia práctica en la aplicación de herramientas y técnicas de IA para resolver desafíos comerciales.

Muchas universidades que ofrecen estos títulos cuentan con acreditaciones de organismos educativos reconocidos, lo que garantiza que sus programas cumplen con los rigurosos estándares académicos y de la industria. Por ejemplo, ESADE e IE University están acreditadas por instituciones como EQUIS y AACSB, que evalúan la calidad de los programas de educación empresarial. De manera similar, la Universidad Estatal de Arizona cuenta con acreditaciones para sus programas de posgrado en negocios y tecnología.

• Inteligencia artificial operativa
• Inteligencia artificial en la industria pesada