29/01/2021
Posted by

En cinco años, más de la mitad de los líderes industriales esperan que la inteligencia artificial controle activos de alto valor como plantas industriales, equipos y máquinas; esta es una de las tendencias internacionales notables que revela una encuesta de Longitude Research y Siemens.

Se preguntó a más de 500 líderes senior de los sectores de energía, manufactura, industria pesada, infraestructura y transporte sobre los usos, beneficios, barreras y actitudes hacia la IA. Sus respuestas ofrecen una visión única del futuro de la IA en las empresas industriales.

Imagina si pudiera automatizar algunas de las decisiones operativas del día a día en tu organización, de modo que tus empleados pudieran enfocarse en proyectos estratégicos, como desarrollar nuevas líneas de productos o expandir el negocio.

¿Qué tan bueno debería ser un modelo de IA antes de darle el control? ¿Debería, por ejemplo, igualar el desempeño de los ingenieros humanos o demostrar un mejor desempeño? ¿Qué pasaría si un error pudiera causar pérdidas económicas importantes o incluso lesiones humanas? ¿Cómo cambiaría esto tu respuesta?

Una nueva encuesta presentó escenarios como este a 515 líderes senior del mundo industrial (incluidos los sectores de energía, manufactura, industria pesada, infraestructura y transporte) como parte de una investigación sobre los usos, beneficios, barreras y actitudes hacia la IA. Sus respuestas ofrecen una visión única del futuro de la IA en las empresas industriales.

Industria pesada y graves consecuencias

En estas industrias, se espera que muchos casos de uso de la IA ayuden a evitar desastres y hagan que los lugares de trabajo sean más seguros. Esto es importante porque si bien las metodologías de IA son similares en todas las industrias, las consecuencias de fallas no lo son.

En muchas organizaciones industriales, las malas decisiones pueden dejar a miles de personas sin un tren para trabajar; se pueden perder millones de dólares si la maquinaria se sobrecalienta; leves cambios de presión pueden provocar una catástrofe medioambiental; e innumerables escenarios pueden provocar la pérdida de vidas.

Por lo tanto, es significativo que un gran número de encuestados (44%) crea que, en el transcurso de los próximos cinco años, un sistema de inteligencia artificial controlará de forma autónoma máquinas que podrían causar lesiones o la muerte. Un número aún mayor (54%) cree que la IA, dentro del mismo período, controlará de forma autónoma algunos de los activos de alto valor de su organización.

Para otorgarle a la IA tal responsabilidad, la IA industrial deberá volverse más sofisticada y, a menudo, esto será impulsado por nuevos enfoques sobre la forma en que se gestionan, generan, representan y comparten los datos. Por ejemplo:

Simulaciones y datos contextuales.

Ya hoy vemos la IA aplicada a conjuntos de datos creados y organizados de nuevas formas para mejorar los conocimientos y la comprensión.

Los ejemplos incluyen gráficos de conocimiento, que capturan el significado y las relaciones entre elementos en diversos conjuntos de datos, y gemelos digitales, que proporcionan representaciones digitales detalladas y simulaciones de sistemas, activos o procesos reales.Slide 1 of 1Slide 1 of 1Play Video

Inteligencia artificial integrada y conocimientos generales.

 Las tecnologías de Internet de las cosas (IoT) y Edge están dando lugar a diversos conjuntos de datos generados por máquinas que pueden admitir nuevos niveles de conocimiento de la situación y conocimientos en tiempo real en la nube o directamente en el campo.Slide 1 of 1

Datos más allá de las paredes.

Los protocolos y tecnologías mejorados para compartir datos entre organizaciones podrían respaldar el desarrollo de modelos de inteligencia artificial que se extraen simultáneamente de los datos de proveedores, socios, reguladores, clientes y quizás incluso competidores.

El contexto cambia de significado

Para tomar un ejemplo de lo anterior, existe un enorme potencial en el uso de gráficos de conocimiento industrial para mejorar los modelos de IA mediante la combinación de diferentes conjuntos de datos. “Los gráficos de conocimiento agregan contexto a los datos que está analizando”, explica Norbert Gaus, director de I + D en digitalización y automatización de Siemens.

“Por ejemplo, los datos de la máquina se pueden analizar en el contexto de los datos de diseño, incluidas las tareas para las que está hecha la máquina, las temperaturas a las que debería funcionar, los umbrales clave integrados en las piezas, etc. A esto, podríamos agregar el historial de servicio de máquinas similares, incluidas las fallas, las retiradas y los resultados de inspección esperados a lo largo de la vida útil de la máquina. Los gráficos de conocimiento hacen que sea mucho más fácil aumentar los datos de la máquina que usamos para entrenar modelos de IA, agregando información contextual valiosa “.

Norbert Gaus, Director de I+D.

La encuesta exploró los tipos de datos contextuales que los líderes creen que serían más útiles en la actualidad. Los datos de los fabricantes de equipos se destacaron, con un 71% calificando esto como un beneficio mayor o menor. A esto le siguieron datos internos de otras divisiones, regiones o departamentos (70%), datos de proveedores (70%) y datos de rendimiento de productos vendidos en uso con clientes (68%).

Una empresa que utiliza gráficos de conocimiento para reunir diferentes tipos de datos, como el historial del producto, el rendimiento operativo, las condiciones ambientales, podría crear un único modelo de IA que impulse mejores predicciones, ideas útiles, nuevas eficiencias y una automatización más poderosa.

Construyendo fe en algoritmos

Sin duda, las aplicaciones cada vez más potentes plantearán nuevos desafíos. Requerirá confiar en la IA con responsabilidades que solo se otorgaron a los humanos. En estos casos, las aplicaciones de IA deberán ganarse la confianza de los responsables de la toma de decisiones, mientras que las organizaciones deberán desarrollar nuevos marcos de riesgo y gobernanza.

Para explorar estos temas, la encuesta pidió a los encuestados que imaginaran varios escenarios como el que se encuentra al comienzo de este artículo. Por ejemplo, el 56% decidió aceptar la decisión de un buen modelo    IA impresionante sobre un empleado experimentado (44%), donde la decisión tendría importantes consecuencias financieras. ¿El 56% es alto o bajo? Uno podría pensar que es bajo considerando que a los encuestados se les dijo que el modelo de inteligencia artificial había superado a los empleados más experimentados de la organización en un piloto de un año. Sugiere que el otro 44% podría tener un sesgo hacia las decisiones humanas, incluso cuando la evidencia favorece a la IA. 

Dejando a un lado los desafíos, la investigación sugiere una perspectiva optimista para la IA. A medida que la IA se vuelve más sofisticada, los líderes esperan menos ciberataques dañinos, una gestión de riesgos más sencilla, más innovación, márgenes más altos y lugares de trabajo más seguros. En general, con la promesa de una gama tan diversa e importante de impactos positivos potencialmente en el horizonte, no habrá escasez de motivación para superar todos los desafíos en el camino hacia la IA industrial de próxima generación.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Back to Top