¬°Hub de contenido!
Acceso a contenido educativo gratis.
Comience a aprender

Expertos analizan impacto de inteligencia artificial, aprendizaje autom√°tico y Big Data en la industria

En una mesa redonda exclusiva organizada con Automation World, los expertos en ingeniería, ciencias e investigación de Georgia Tech compartieron sus conocimientos sobre las trayectorias y los efectos de la inteligencia artificial.

Debate con Automation World, en el Georgia Tech.
Durante el debate en el Georgia Tech. Foto: River West Photography www.riverwest.co

Participantes de la mesa redonda coincidieron en que sistema educativo tendr√° que desempe√Īar un papel importante en la preparaci√≥n de las personas para que formen parte de fuerza laboral del futuro. Preparaci√≥n basada en el an√°lisis de datos.

Es posible que se lo haya perdido, pero en febrero de 2017 el Parlamento Europeo adopt√≥ una resoluci√≥n sobre las "Leyes de Derecho Civil de la Rob√≥tica". La resoluci√≥n propon√≠a que la Comisi√≥n Europea creara "un estatus legal espec√≠fico para los robots ... de modo que al menos las autoridades aut√≥nomas m√°s sofisticadas pudieran establecer que los robots tienen el estatus de personas electr√≥nicas, responsables de reparar cualquier da√Īo que pudieran causar, y posiblemente aplicar personalidad electr√≥nica a los casos en los cuales los robots toman decisiones aut√≥nomas o interact√ļan con terceros de manera independiente".

Hasta la fecha, un grupo de casi 300 l√≠deres pol√≠ticos de la Uni√≥n Europea (UE), investigadores de inteligencia artificial (IA)/rob√≥tica, l√≠deres de la industria, especialistas en salud f√≠sica y mental y expertos en derecho y √©tica han expresado su preocupaci√≥n acerca de este enfoque. Su respuesta est√° de acuerdo en que el impacto econ√≥mico, legal, social y √©tico de la IA y la rob√≥tica debe considerarse "sin prisas ni sesgos", pero que la resoluci√≥n, tal como se propone, tiene algunas lagunas evidentes. En particular, la respuesta se√Īala que, desde una perspectiva t√©cnica, la resoluci√≥n sobrevalora las "capacidades reales de incluso los robots m√°s avanzados" y muestra "una comprensi√≥n muy superficial de la capacidad de imprevisibilidad y autoaprendizaje", as√≠ como una percepci√≥n de robots "distorsionada por la ciencia ficci√≥n y por algunos recientes anuncios sensacionalistas de la prensa".

Es muy curioso este debate actual de la UE sobre el estado legal de los robots y su capacidad para defender los derechos humanos, pues está muy desconectado del trabajo diario de la industria con la robótica y de la inteligencia artificial. Pero la raíz del debate de la UE sobre cómo se gestionan los datos es verdaderamente interesante en términos de cómo la industria aborda su manejo de datos e integración de dispositivos y sistemas, como parte de una iniciativa del Internet de las cosas (IoT) o la Industria 4.0.

Para comprender más acerca de cómo la ciencia de los computadores y la investigación de datos podría impactar el futuro de la industria, fui invitado por Alain Louchez, director gerente del CDAIT (Centro para el Desarrollo y Aplicación de Tecnologías de Internet de las Cosas) de Georgia Tech, para moderar una mesa redonda, con algunos de los principales expertos de Georgia Tech. Además de Louchez, entre los participantes en la mesa estaban: Jeff Evans, ingeniero principal de investigación del Instituto de Investigación de Georgia Tech (GTRI) y director de Transformación Digital de las Cosas en el Centro de Georgia Tech para Política de Comunicaciones Avanzada; Dr. Haesun Park de la Escuela de Ciencias Computacionales e Ingeniería; Dr. Umakishore Ramachandran de la Escuela de Ciencias de la Computación; el Dr. Yan Wang de la Escuela de Ingeniería Mecánica; y la Dra. Margaret Loper, científica principal del Laboratorio de Información y Comunicaciones de GTRI; la Dra. Elizabeth Whitaker, ingeniera principal de investigación del Laboratorio de Información y Comunicaciones de GTRI; y Barry Drake, investigador científico senior del Laboratorio de Información y Comunicaciones en GTRI.

Alain Louchez, director del CDAIT de Georgia Tech (izquierda), y Jeff Evans del GTRI.Alain Louchez, director gerente del CDAIT (izquierda), y Jeff Evans, ingeniero investigador principal en el GTRI, Georgia Tech.

Dr. Yan Wang (derecha) Dra. Haesun Park (centro), David Greenfield (izquierda).Dr. Yan Wang de la Escuela de Ingeniería Mecánica (derecha), Dra. Haesun Park de la Escuela de Ciencias Computacionales e Ingeniería (centro), David Greenfield, director de contenido de Automation World (izquierda).

Dra. Haesun Park de la Escuela de Ciencias Computacionales e Ingeniería.Dra. Haesun Park de la Escuela de Ciencias Computacionales e Ingeniería. Foto: River West Photography.

Nadie en el medio

"Probablemente haya escuchado la frase 'los datos son el nuevo petr√≥leo'", dijo Evans. "Y es cierto, porque el control de los datos se ha vuelto tan importante para las empresas como [cualquier otro tipo de] propiedad intelectual. El gran desaf√≠o ahora es que, como todo est√° integrado, usted l√≥gicamente desea compartir los datos para sacar el m√°ximo provecho de ellos. Pero debe comprender que, en estos entornos integrados de an√°lisis y de compartir de datos, la gran mayor√≠a de ellos se manejar√°n de forma autom√°tica, de m√°quina a m√°quina sin una persona involucrada; s√≥lo un porcentaje muy peque√Īo de toda la informaci√≥n debe estar en un formato que sea amigable para los usuarios humanos‚ÄĚ.

Estos comentarios subrayan la conexión entre el enfoque de desarrollo de la UE para los robots y el manejo de datos por parte de la industria. En ambos casos, las decisiones y actividades humanas serán impulsadas cada vez más por análisis conducidos primero por máquinas. Y es importante darse cuenta de que confiar en estas decisiones impulsadas por las máquinas no es una opción para el futuro de la industria. El hecho de que los dispositivos industriales, las máquinas y los sistemas generen tanta información exige nuestro uso de análisis automatizado. Después de todo, simplemente existen demasiados datos para que los humanos los procesen por sí solos, como para que tengan un gran valor para la industria.

"Los usuarios están acumulando una gran cantidad de datos sin saber qué están obteniendo y por qué los están obteniendo", dijo Ramachandran. "Es por eso que la poda o recorte de datos en la fuente es un desafío", agregó.

Dr. Umakishore Ramachandran (izquierda) y Alain Louchez (derecha).Dr. Umakishore Ramachandran de la Escuela de Ciencias de Computadores (izquierda) y Alain Louchez, director gerente de CDAIT de Georgia Tech (derecha).

"Big data no significa todos los datos relevantes", agreg√≥ Park, coincidiendo con el comentario de Ramachandran. A√Īadi√≥ que primero es preciso entender otros √°ngulos de los datos, como las cuatro V: volumen, variedad, velocidad y veracidad. Advirti√≥, adem√°s, que cualquier poda de datos debe hacerse con prudencia. "Debido a que los datos existen en tantos formatos diferentes, vienen de tantas fuentes diversas, y sus valores difieren seg√ļn los objetivos finales, existen ventajas y desventajas de clasificarlos en una etapa temprana", concluy√≥.

"Por supuesto vale la pena repetir que la seguridad de los datos y la privacidad son de suma importancia, y que deben proporcionarse desde el principio, por dise√Īo", dijo Loper. "Se han logrado grandes avances en los √ļltimos a√Īos en la industria, el mundo acad√©mico y las organizaciones de est√°ndares para garantizar la confidencialidad, integridad y disponibilidad de los datos, pero estas √°reas siempre seguir√°n siendo un trabajo en progreso", puntualiz√≥.

Para comprender c√≥mo deben manejarse de manera √≥ptima los datos y para tener un impacto significativo para la industria, Wang dijo que debe haber conversaciones y colaboraciones continuas en tres comunidades de conocimiento relevantes para datos industriales ‚Äďcient√≠ficos de computaci√≥n, cient√≠ficos de datos y expertos en dominios. ‚ÄúSi tiene una cantidad limitada de datos puede ser dif√≠cil tomar una decisi√≥n; por otro lado, con una gran cantidad de datos puede sobrecargar a las personas y a los sistemas‚ÄĚ, dijo. Por lo tanto, debe haber una participaci√≥n en el conocimiento del dominio, en una etapa temprana, para "recopilar y procesar datos a un nivel que sea significativo para quien toma las decisiones".

Y ah√≠ es donde los profesionales de la tecnolog√≠a de operaciones (OT) desempe√Īar√°n un papel importante en el desarrollo de an√°lisis de datos automatizados.

"La Tecnología de la Informacion, IT, necesita información de la Tecnología de Operaciones, OT", subrayó Ramachandran. “Necesitan expertos en el dominio para encontrar el área de enfoque. Las empresas deben transformarse en la experiencia de dominio para resolver problemas a un nivel aplicable en todos los dominios", concluyó.

Digestión de datos

Al describir un problema de rendimiento experimentado recientemente por una empresa de fabricaci√≥n de condensadores, Ramachandran dijo que la compa√Ī√≠a estudi√≥ el an√°lisis de sus datos de producci√≥n como una forma potencial de resolver el problema. Ramachandran not√≥ que el fabricante hab√≠a identificado conjuntos espec√≠ficos de datos que se estaban produciendo en cada paso del proceso de producci√≥n, pero debido a que estos datos no se estaban utilizando de manera espec√≠fica, no se pasaba informaci√≥n de una etapa de producci√≥n a la siguiente.

"Tener un mapa de datos com√ļn para obtenerlos en un formato donde se puedan compartir y analizar, resulta cr√≠tico", dijo. Ordenar los datos en un formato de este tipo, con la ayuda de expertos de dominio en la planta, permiti√≥ que la fabricaci√≥n de condensadores resolviera su problema de rendimiento y llev√≥ a una enorme mejor√≠a en la producci√≥n.

"Es preciso obtener datos para que puedan ser digeridos por la siguiente fase en la producci√≥n", agreg√≥ Ramachandran. "Pero sin expertos en dominio para ayudarlo a comprender el uso final de los datos, es dif√≠cil saber c√≥mo dise√Īar el sistema. Es por eso que los cient√≠ficos de datos siempre deben comenzar un proyecto trabajando con los usuarios finales ", indic√≥.

"Es importante dise√Īar caracter√≠sticas [de an√°lisis de datos] para procesar solo la informaci√≥n que los usuarios finales necesitan entender, y excluir as√≠ el ruido", dijo Drake. "El mayor obst√°culo para esto es reconocer el valor final de los datos y c√≥mo se utilizar√°n", agreg√≥.

Para ayudar con este proceso, Evans dijo que es importante dividir los datos en elementos discretos antes de escribir un algoritmo anal√≠tico. La relevancia de los datos para el an√°lisis cambiar√° de acuerdo con la aplicaci√≥n, como con los problemas de latencia relacionados con los programas de control o los an√°lisis que se realizan en el extremo y en la nube. Los algoritmos IA pueden impulsar a√ļn m√°s la clasificaci√≥n de los datos para su uso una vez que inicialmente se desglosan con la ayuda de expertos en dominios, agreg√≥.

Incluso con expertos en dominios involucrados en el proceso de an√°lisis de datos, Whitaker se√Īala que muchos usuarios a√ļn tienen dificultades para comprender cu√°l ser√° el uso final de cualquier an√°lisis de datos. Por eso es imperativo hacer que la interacci√≥n humana con estos sistemas sea lo m√°s f√°cil posible. Esta necesidad de facilidad de interacci√≥n es una raz√≥n importante por la que el uso de clipboards para la captura de datos en la fabricaci√≥n sigue siendo tan generalizado. Los sistemas tienen que ser tan f√°ciles de interactuar como un clipboard, dijo.

Antes de que se produzca cualquiera de estos cambios, desde el uso de expertos de la planta hasta la compartimentación de datos para el desarrollo de algoritmos, hasta el traslado de trabajadores del clipboard y el uso de sistemas automatizados, se requiere la participación de los ejecutivos. El problema es que actualmente "parece haber un abismo entre la suite C y el piso de la planta", dijo Louchez. “Existen numerosos ejemplos de ingenieros que producen una gran cantidad de datos que podrían usarse para extraer valor de una forma u otra, pero no existe una visión entre los directivos en cuanto a cómo hacerlo. "Para que todo esto funcione en el largo plazo es necesario que exista un plan general a nivel de negocios", expresó.

Wang sugiri√≥ que parte de esta desconexi√≥n se debe a que muchas compa√Ī√≠as todav√≠a est√°n en la etapa de "esperar y ver" cuando se trata de IoT y Big data.

Evans agreg√≥ que el entorno actual de "salvaje oeste" en las comunicaciones est√° contribuyendo a este problema de esperar y ver. "Sabemos que todo va a ser un sensor de alg√ļn tipo, pero c√≥mo se manejar√° la comunicaci√≥n de esos datos del sensor sigue siendo una gran pregunta", dijo. "¬ŅC√≥mo se aprovechan las operaciones m√°s eficientes cuando los est√°ndares de comunicaci√≥n siguen evolucionando?", se pregunta.

Avanzando

Cuando se trata de compartir datos, la confianza siempre ha sido un problema importante ya sea que se trate de m√°quina a m√°quina, de m√°quina a persona o incluso entre humanos, dijo Drake. Teniendo en cuenta esta realidad, dijo que tenemos que ser capaces de responder a la pregunta: ¬ŅPor qu√© debemos confiar en la IA? Se√Īal√≥ que actualmente existe un gran impulso en el aprendizaje autom√°tico y en la inteligencia artificial para "abrir la caja negra de las conexiones de m√°quina a persona y de persona a m√°quina, para involucrar a las personas en el proceso de an√°lisis de datos y generar esta confianza. Es importante involucrar a las personas de manera que puedan visualizarlas y entenderlas, para que no sea solo una cuesti√≥n de confiar en la caja negra".

"Un componente importante de la confiabilidad de un sistema de IoT ‚Äďque el Instituto Nacional de Est√°ndares y Tecnolog√≠a (NIST) considera‚ÄĒ es que abarca a la ciberseguridad, la privacidad, la seguridad, la confiabilidad y la resiliencia, y que permita garantizar que existan reglas algor√≠tmicas adaptativas que las m√°quinas puedan usar para determinar c√≥mo confiar en los datos que se intercambian y en las decisiones que toman otras m√°quinas", se√Īal√≥ Loper.

"La reputaci√≥n y la experiencia pasadas son factores importantes para construir esa comprensi√≥n de la confianza", agreg√≥ Whitaker, y desempe√Īar√°n un papel importante en el aumento del nivel de confianza entre las personas y los sistemas. Para que haya seres humanos en el circuito necesitamos una manera f√°cil de interactuar con estos sistemas y tener un enfoque basado en el conocimiento que funcione para que puedan trabajar --de forma h√≠brida‚ÄĒ con an√°lisis de datos. Hasta la fecha a√ļn no se ha realizado mucho trabajo con un enfoque de arriba hacia abajo, y centrado en el ser humano para esto ", agreg√≥.

Los participantes en la mesa redonda coincidieron en que el sistema educativo tendr√° que desempe√Īar un papel importante en la preparaci√≥n de las personas para que formen parte de la fuerza laboral del futuro, basada en el an√°lisis de datos, que nos est√° llegando r√°pidamente.

El problema es que "el sistema educativo que tenemos hoy est√° medio roto, estamos demasiado aislados", dijo Ramachandran. "Para probar a los recursos humanos en el futuro no debemos producir silos de conocimiento, sino capacitar a las personas para que puedan comprender las disciplinas", a√Īadi√≥.

Evans agreg√≥ que forma parte de un grupo en Georgia Tech "que integra los conceptos de desarrollo de la fuerza laboral como parte de un programa que optimiza las operaciones b√°sicas para un cliente del Departamento de Defensa de Estados Unidos, y el an√°lisis de datos es una parte clave de lo que estamos haciendo. Lo que aprendimos al principio es que, para que los an√°lisis de datos sean exitosos, las personas necesitan entender los protocolos de comunicaci√≥n para poder evaluar los sistemas con los que est√°n interactuando y crear paneles de control para un uso m√°s amplio". Esto es una necesidad cr√≠tica ‚Äďsin una soluci√≥n clara en el horizonte a corto plazo (como todos en la industria conocen bien a trav√©s de la interacci√≥n con los distintos protocolos de la industria)‚ÄĒ, Evans afirma que la capacitaci√≥n espec√≠fica para el desarrollo de la fuerza laboral debe centrarse aqu√≠ en programas educativos de dos a√Īos.

Al ver estas desconexiones desde un nivel superior, Louchez dijo que cuando observa algunas iniciativas fallidas de IoT, ve que "se llevan como actividades aisladas y no se integran perfectamente en toda la empresa. IoT, por su naturaleza, es una integración interna y externa. Entonces, si no es parte de un panorama más amplio dentro de la empresa, está destinado a fallar ".

A√Īadi√≥ que otro problema com√ļn de falla de IoT ocurre cuando las compa√Ī√≠as intentan morder m√°s de lo que pueden masticar. "Se embarcan en cambios masivos y esperan resultados r√°pidos, pero deben darse cuenta de que una transformaci√≥n centrada en el IoT es una tarea a largo plazo e intr√≠nsecamente compleja que probablemente llevar√° mucho m√°s tiempo del que inicialmente se asumi√≥".

Foto del Grupo (De izquierda a derecha): Ramachandran, Drake, Whitaker, Evans, Greenfield, Louchez, Park y Wang.Foto del Grupo (De izquierda a derecha): Ramachandran, Drake, Whitaker, Evans, Greenfield, Louchez, Park y Wang (no est√° en la foto Loper). Foto: River West Photography www.riverwest.co