Dada la relevancia de la inteligencia artificial en la actualidad, es importante aclarar y definir la terminología relacionada con este campo. La IA se ha expandido rápidamente en muchas industrias, incluidas todas las áreas de fabricación. Por lo tanto, existe una necesidad urgente de desarrollar un entendimiento común entre los expertos que se enfrentan a estos desafíos.
Este glosario de IA aborda las tecnologías de IA centrales relevantes para la fabricación inteligente y excluye tecnologías relacionadas indirectamente como Big Data e Internet de las cosas (IoT). Hemos clasificado los términos en tres categorías principales: Técnicas de IA, Subárea de IA y Aplicaciones funcionales de IA. En este post nos hemos centrado en las técnicas de IA, en artículos posteriores veremos conceptos relacionados con las otras categorías.
Para cada concepto indicaremos su término en español, en inglés, su definición y su aplicación en la industria 4.0.
Técnicas de IA
Algoritmo genético (Genetic Algorithm - GA)
Definición: trata de replicar el modelo de selección natural que propuso Darwin. Este modelo básicamente dice que, dentro de una población, los individuos que sobreviven son aquellos que están más adaptados al medio. Se utilizan para resolver problemas de búsqueda y optimización pues se basan en hacer evolucionar poblaciones de soluciones hacia valores óptimos del problema.
Aplicación en la industria 4.0: ampliamente utilizado en problemas de programación de producción, control automático, robótica, procesamiento de imágenes, etc.
Aprendizaje automático (Machine Learning – ML)
Definición: el aprendizaje automático es un subcampo de la informática que evolucionó a partir del estudio del reconocimiento de patrones y la teoría del aprendizaje computacional en Inteligencia Artificial. En 1959, Arthur Samuel definió el aprendizaje automático como un "campo de estudio que brinda a las computadoras la capacidad de aprender sin ser programadas explícitamente".
Aplicación en la industria 4.0: se aplica ampliamente en los procesos de fabricación modernos, por ejemplo, para el reconocimiento de imágenes, la robótica, procesamiento de señales de producción y el control estadístico de proceso SPC.
Aprendizaje de pocos disparos (Few-shot learning – FSL)
Definición: el aprendizaje de pocos disparos (FSL) es una serie de técnicas y algoritmos utilizados para desarrollar un modelo de IA con una pequeña cantidad de datos de entrenamiento. Permite que un modelo de IA clasifique y reconozca nuevos datos después de exponerlos a algunas instancias de entrenamiento. El entrenamiento de pocos disparos no se parece en nada a los métodos tradicionales del modo de entrenamiento de aprendizaje automático que utiliza una gran cantidad de datos de entrenamiento.
Aplicación en la industria 4.0: usado principalmente en visión artificial para la detección y clasificación de piezas. La robótica también utiliza el aprendizaje de pocos disparos. Ayuda a los robots a aprender sobre las tareas a partir de unas pocas demostraciones, lo que les permite aprender cómo deben realizar un movimiento y tomar medidas correctamente.
Aprendizaje no supervisado (Unsupervised Learning)
Definición: el aprendizaje no supervisado es un tipo de aprendizaje automático en el que un algoritmo resuelve todo tipo de problemas de reconocimiento de patrones/modelos sobre la base de muestras de entrenamiento cuyas categorías son desconocidas (no etiquetadas).
Aplicación en la industria 4.0: los escenarios de fabricación inteligente son complejos y diversos, y la cantidad de muestras de formación es inmensa. Si todos ellos se basan en datos etiquetados, el progreso general será muy lento. La aplicación de métodos efectivos de aprendizaje no supervisado puede aliviar la necesidad de datos etiquetados en el entrenamiento de escenarios de fabricación inteligente, mejorando así la eficiencia y precisión del entrenamiento.
Aprendizaje por transferencia (Transfer learning)
Definición: el aprendizaje por transferencia es un método de aprendizaje automático que reutiliza un modelo previamente entrenado para otra tarea, generalmente relacionada de alguna manera. Es una técnica útil para reducir la carga de etiquetar nuevos datos de entrenamiento.
Aplicación en la industria 4.0: al usar el aprendizaje de transferencia, el modelo preentrenado en un escenario de fabricación inteligente también se puede aplicar a otro escenario de fabricación inteligente similar, pero sin etiquetar. Esto revolucionará la eficiencia de producción, adquisición, aplicación y transmisión del conocimiento de fabricación.
Aprendizaje profundo (Deep Learning)
Definición: es una técnica de aprendizaje automático que copia la manera en que funciona el cerebro humano para crear conexiones (redes neuronales) entre distintos conjuntos de datos, crear patrones y tomar decisiones.
Aplicación en la industria 4.0: las redes neuronales artificiales son el núcleo de la mayoría de las aplicaciones de IA en la fabricación inteligente, como el mantenimiento predictivo, la optimización de procesos o el control de la calidad visual.
Aprendizaje supervisado (Supervised Learning)
Definición: con el aprendizaje supervisado, los algoritmos se entrenan a base de ejemplos, de manera similar a cómo un maestro educa a una clase de estudiantes. Con el aprendizaje supervisado, los datos de entrenamiento se clasifican y etiquetan, y se proporciona el resultado esperado. Los algoritmos están entrenados para buscar en los datos patrones que logren los resultados esperados.
Aplicación en la industria 4.0: se utiliza principalmente para la clasificación de piezas o material.
Computación basada en humanos (Human-Computation o Human-based Computation - HBC)
Definición: la computación humana consiste en usar humanos para resolver problemas o realizar tareas que son difíciles de realizar para los ordenadores.
Aplicación en la industria 4.0: uno de los campos en los que se está usando la computación humana es el aseguramiento de la calidad. Además, la computación basada en humanos amplía el concepto de automatización de la fabricación haciéndolo más flexible, inteligente y altamente integrado.
Computación cognitiva (Cognitive Computing)
Definición: se enfoca principalmente en la capacidad del ordenador para pensar, aprender y tomar decisiones al igual que los humanos. La computación cognitiva se refiere a los ordenadores que están programados para aprender de forma independiente y resolver problemas de manera inteligente.
Aplicación en la industria 4.0: la fabricación cognitiva transforma la fabricación en distintos aspectos. Por ejemplo, mediante el uso de equipos inteligentes que permiten autodiagnosticar problemas con el fin de optimizar el rendimiento y reducir los tiempos de inactividad innecesarios o, por ejemplo, mediante el uso de información cognitiva que permite optimizar los recursos, tanto la mano de obra como la energía.
IA incorporada (Embodied AI)
Definición: la “IA incorporada” se define como inteligencia artificial para robots virtuales. El concepto se basa en el campo de estudio de los robots virtuales con la capacidad de moverse, ver, hablar e interactuar dentro de su espacio virtual con otros robots virtuales existentes. Estas simulaciones de robots pueden luego ser transferidas a robots reales con cuerpos físicos.
Aplicación en la industria 4.0: se emplea en los robots industriales, les permite aprender nuevas tareas y mejorar el modo de hacer las actuales sin necesidad de la intervención humana.
Informática autónoma (Autonomic Computing)
Definición: es una tecnología en la que los sistemas de información se administran automáticamente y mantienen su confiabilidad.
Aplicación en la industria 4.0: permite que el proceso de producción se autoconfigure antes de la puesta en marcha y que durante la ejecución se autooptimice, por ejemplo reduciendo el consumo de recursos.
Inteligencia emocional artificial (Affective Computing)
Definición: la computación afectiva es el estudio y desarrollo de sistemas y dispositivos que pueden reconocer, interpretar, procesar y simular las emociones humanas.
Aplicación en la industria 4.0: es útil para situaciones de interacción entre humanos y máquinas como por ejemplo las interacciones de las personas con los robots.
Razonamiento abductivo (Abductive reasoning)
Definición: es un tipo de razonamiento que a partir de la descripción de un hecho o fenómeno ofrece o llega a una hipótesis. Este proceso, a diferencia del razonamiento deductivo, consiste en explicar una conclusión mediante una premisa considerando a esta última como una hipótesis explicativa.
Aplicación en la industria 4.0: se usa para diagnosticar síntomas y fallos de la maquinaria.
Razonamiento analógico (Analogical Reasoning)
Definición: es un tipo de razonamiento de carácter inductivo en el cual se relacionan dos situaciones distintas pero que responden a la misma lógica amparados en un proceso determinado.
Aplicación en la industria 4.0: útil para el diagnóstico de síntomas y fallos de la maquinaria.
Razonamiento basado en casos (Case-Based Reasoning – CBR)
Definición: es un método general para resolver nuevos problemas basado en las soluciones de problemas anteriores similares.
Aplicación en la industria 4.0: CBR es una de las técnicas de IA más citadas en la fabricación inteligente. Se utiliza, por ejemplo, para el diagnóstico en el análisis de síntomas y fallas, así como para tareas de configuración y programación.
Red neuronal artificial (Artificial Neural Network – ANN)
Definición: es una serie de algoritmos que buscan relaciones en un conjunto de datos. Consta de nodos interconectados que le dan la apariencia de una red neuronal biológica y de la que toma su nombre.
Aplicación en la industria 4.0: las redes neuronales artificiales son el núcleo de la mayoría de las aplicaciones de inteligencia artificial en la fabricación inteligente, como el mantenimiento predictivo, la detección de anomalías, la optimización de procesos y la supervisión de la calidad visual.
Fecha de publicación: