El aprendizaje automático avanza en la Industria 4.0 (2)

Después de repasar los antecedentes y lo que se entiende por aprendizaje automático, nos queda ver los distintos tipos de algoritmos y aplicaciones de este concepto que viene a revolucionar ciertos campos de las Tecnologías de la Información y las Comunicaciones (TIC).

Aprendizaje automático en la Industria 4.0

Recordando, el machine learning (ML) o aprendizaje automático es un tipo de inteligencia artificial dirigida al desarrollo de técnicas para que las máquinas puedan aprender y tomar decisiones por sí mismas, sin ser explícitamente programadas.

Existen multitud de algoritmos de aprendizaje automático, y se suelen englobar en 3 grandes grupos:

Aprendizaje supervisado

Consiste en hacer predicciones basadas en comportamientos o características que se han visto en datos previamente almacenados.

Este tipo de algoritmo depende de datos previamente etiquetados, en lo que se conoce como histórico de datos. Lo más habitual es que las etiquetas sean colocadas por personas para asegurar la efectividad y calidad.

El ordenador aprende de esta multitud de ejemplos y a partir de ahí ya puede resolver el mismo problema cuando aparezca en el futuro

Los algoritmos intentan encontrar una función que a partir de los datos de entrada les asigne una etiqueta de salida adecuada. Como se entrenan con un histórico de datos, aprenden a asignar la etiqueta de salida adecuada a un nuevo valor, realizando el equivalente a una predicción del valor da salida.

Hay varios tipos específicos de algoritmos de aprendizaje supervisado:

  • Clasificación: Cuando los datos se usan para predecir una categoría. Un ejemplo puede ser categorizar un correo electrónico como SPAM.
  • Regresión: Cuando se predice un valor concreto, como pudiera ser el precio de las acciones.
  • Detección de anomalías: Cuando el objetivo es identificar puntos de datos no habituales, como pueden ser patrones de gasto de una tarjeta de crédito con la finalidad de detectar fraudes. En este caso, el enfoque es aprender que se debe considerar como normal (a partir de las transacciones no fraudulentas del historial) e identificar lo que es significativamente diferente.

Aprendizaje no supervisado

Son un tipo de algoritmo útil para descubrir relaciones implícitas en un conjunto de datos pero que no son conocidas, de forma que permite considerar que varios elementos pertenecen al mismo grupo o a diferentes grupos gracias al estudio de sus características.

Por tanto, el objetivo de un algoritmo de aprendizaje sin supervisar es organizar los datos de alguna manera o describir su estructura para encontrar algún tipo de organización que simplifique el análisis.

Esto puede significar agruparlos en clústeres o buscar diferentes maneras de examinar datos complejos para que parezcan más simples o más organizados.

Se suelen usar estos algoritmos para agrupar clientes con comportamientos similares para llevar a cabo campañas de marketing segmentadas. Las llamadas tareas de clustering buscan agrupamientos basados en similitudes, pero nada garantiza que éstas tengan algún significado o utilidad.

Aprendizaje de refuerzo

Los algoritmos de este tipo están preparados para aprender a base de prueba y error, asociando de forma progresiva los patrones de éxito para repetirlos periódicamente hasta perfeccionarlos.

Para ello, reciben una señal de recompensa que indica cómo de buena fue la decisión tomada, y en función de esto modifica sus estrategias para lograr la mayor recompensa.

Por ejemplo, la navegación de un vehículo automático utiliza este tipo de algoritmos

Una vez hemos visto los distintos tipos de algoritmos de ML, vamos a pasar a sus aplicaciones, siendo una pequeña muestra de lo que nos va a deparar este habilitador tecnológico:

Sistemas de optimización automáticos

Cuando hablamos de optimizar nos referimos a buscar la forma de realizar una actividad de la manera más eficiente posible.

Por lo tanto, los sistemas de optimización automáticos deben evaluar continuamente su estrategia y efectuar cambios en ella cuando sea necesario.

Estos sistemas no deben limitarse sólo a buscar más optimización puntual, sino que también deben incrementar el histórico que les ayudará a plantear una mejor estrategia en cada momento.

Entre estos sistemas de optimización automáticos, se incluyen los nuevos sistemas productivos de la Industria 4.0, que están organizados por redes de máquinas inteligentes que cada vez más incorporan mecanismos de machine learning.

Un ejemplo de estos sistemas pueden ser los de Homag.

Administración de empresas

Puede el caso de la organización de agendas de reuniones de equipos y la programación de viajes de negocios y la asistencia en la toma de decisiones.

Este tipo de soluciones basadas en ML e IA pueden ayudar a muchas actividades relacionadas con la administración de empresas y negocios.

Asistentes personales y en el hogar con IA y ML

Asistentes para la atención de clientes y usuarios

Es un campo de mucho desarrollo ya que a las personas no nos gusta sentir que estamos siendo atendidos por máquinas y, tampoco, tener que esperar mucho tiempo en la línea para que los atiendan.

En este sentido, asistentes como Alexa de Amazon permiten mantener conversaciones a nivel humano y terminar realizando interacciones y transacciones. En esta misma línea están Google Assistant y Apple HomePod.

Sistemas cognitivos

Sirven para el reconocimiento de imágenes, del habla, de textos, de vídeos … Este tipo de servicios se comercializa habitualmente mediante pago por uso, con tarifas de entrada muy asequibles, como pueden ser el caso de muchos servicios de este tipo prestados por Microsoft y Google.

Marketing y ventas

También podemos aplicar esta tecnología a la publicidad digital para encontrar la mejor audiencia o grupo demográfico para nuestros anuncios.

Son servicios cognitivos que también ser ofertan y se prestan a través de la red mediante pago por uso, como es el caso de Microsoft Azure, Google Cloud Platform e IBM Watson.

Es destacable el caso de Ikea, que está explorando la posibilidad de incluir inteligencia embebida en algunos de sus muebles.

IKEA apuesta por el diseño sostenible para liderar el mercado

También en el espacio de innovación Space 10 en Dinamarca se llevan a cabo tareas de experimentación con asistentes virtuales.

Y por último, existen  aplicaciones  que permiten a los consumidores tomar fotos de los muebles que les gustan, ya sea de un catálogo o del mueble real, y luego encontrar coincidencias y determinar la disponibilidad en una variedad de minoristas.

Si deseas saber más sobre las tecnologías habilitadoras que se aplican en el contexto de la Industria 4.0 te recomendamos el Análisis de viabilidad para la Implantación de la Industria 4.0 en el sector hábitat, disponible en nuestro fondo documental ecointeligente.

 

, , , , , , , ,

No hay comentarios.

Deja un comentario

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.