Hombre vs. máquina: Deep Learning en la manufactura

Hombre vs. máquina

Las Máquinas sobresalen al realizar un gran número de tareas variadas. Las computadoras, por dar un ejemplo, son ideales para realizar cálculos matemáticos. Hasta la computadora más lenta de nuestros días tiene más poder computacional que el humano promedio, por amplio margen. Por dar un ejemplo, el Apple iPhone 4, lanzado en 2010, tenía el poder computacional para realizar algo así como 1.6 Millardos de Operaciones de Punto Flotante por segundo. Como podrá imaginar, el poder computacional tan solo ha aumentado desde entonces. Por supuesto, las matemáticas no son la única arena en la que sobresalen las computadoras. Por décadas, las máquinas han logrado derrotar a algunos de los jugadores principales de ajedrez, el ejemplo famoso de ello es el partido Deep Blue‑Kasparov, que ocurrió hace más de 2 décadas.

Aunque las máquinas son fenomenales en determinadas circunstancias, hay otras en las que reprueban contundentemente. Resulta ser que las computadoras modernas solo son buenas operando dentro de un marco de reglas formales. Y como ejemplo de ello, veamos el ajedrez. Mientras que un jugador puede usar cientos o miles de estrategias diferentes durante un juego de ajedrez, las reglas del juego están fijas. Hay un número limitado de piezas que pueden moverse en un espacio limitado, y en un número limitado de formas. Estos límites, las reglas del juego, posibilitan que un programador de computadora enseñe a una computadora como jugar óptimamente el juego. De forma similar, las matemáticas es un campo en donde hay muy poco espacio para interpretación. Las fórmulas y ecuaciones solo tienen una respuesta correcta (sea esto un conjunto de números o de valores de salida), y la forma de llegar a estas respuestas está gobernada por un conjunto robusto de reglas formales.

Pero, en las áreas en las que los conjuntos de reglas formales son difíciles o imposibles de identificar, la inteligencia humana reina suprema. Pídale a un niño pequeño que indique si una fotografía contiene un gato o un perro, y la mayoría podrá responder correctamente. Pídale lo mismo a una máquina y difícilmente obtendrá una respuesta coherente, ya no digamos, la correcta. Los seres humanos aprendemos de forma diferente a las máquinas. Aplicamos nuestro conocimiento en formas diferentes, y destacamos en realizar tareas para las que las máquinas no son capaces por estas razones.

Llega Deep Learning

Deep Learning es un campo de estudio dentro de las ciencias computacionales que busca dotar a las máquinas con la capacidad para pensar más como seres humanos. Dicho en términos simples, su principal meta es proporcionar a las máquinas la habilidad de ‘pensar’ y ‘aprender’. Como práctica teórica, Deep Learning tiene décadas de existir. Tan solo en los años más recientes, no obstante, es que el hardware se ha hecho lo suficientemente rápido para permitir implementaciones de tiempo real para modelos de Deep Learning.

Un modelo de Deep Learning es una aplicación de software que se ha diseñado para replicar la forma en que un humano comienza a considerar y procesar la información. Al igual con el desarrollo rápido de aplicaciones, el desarrollo del modelo de Deep Learning requiere de desarrolladores (científicos de datos, estadísticos, etc.) para identificar variables en un conjunto de datos que pudieran tener un efecto en el resultado, o la decisión, hechos por el modelo. A diferencia del software tradicional, no obstante, las relaciones entre variables de entrada, lo mismo que la relación entre variables de entrada y resultado(s) no están definidas durante el desarrollo inicial. En su lugar, los modelos de Deep Learning ‘aprenden’ estas reglas con base a información encontrada en el propio conjunto de datos. El método usado por los modelos de Deep Learning para’aprender’ las reglas y relaciones normales dentro de un dominio de problema es de naturaleza compleja y altamente matemática.

Sin enredarse en las particularidades de la teoría de Deep Learning, aún podemos reconocer que existen ciertas ventajas para esta tecnología. En primer lugar, los modelos Deep Learning pueden identificar relaciones sin necesitar definir un conjunto de reglas y relaciones formales en el momento de desarrollo. Esto significa que es posible que los modelos de Deep Learning identifiquen relaciones que los seres humanos no hubiesen detectado. También significa que los modelos de Deep Learning son más flexibles que sus contrapartes tradicionalmente desarrolladas. Para un modelo de Deep Learning, si un nuevo punto de datos contrasta con una regla existente, el punto de dato y la regla se pueden evaluar críticamente, y el modelo se puede actualizar automáticamente de ser necesario.

Aplicaciones de Deep Learning en manufactura

Considere ciertos ejemplos concretos de cómo Deep Learning podría cambiar directamente a la industria de manufactura que todos conocemos. Imagine un cierto software con el que conocen cómo determinar la forma completamente óptima para organizar y programar operaciones dentro de su ambiente de manufactura. ¿Qué hay si el mismo software tuviera la capacidad de admitir información y efectuar decisiones acerca de si programar o no para efectuar cambios requeridos? Aún más, qué tal si este mismo software pudiera hacer ajustes automáticamente al itinerario en tiempo real, con base a datos provenientes del piso de producción. ¿Qué, si este pudiera actualizar a sus proveedores, manejar su logística, y notificar a clientes sin requerir cualquier intervención humana? Con Deep Learning, ese software mágico es algo que es una posibilidad real.

Aquí hay otro ejemplo concreto. Imagine que sus máquinas de producción tuviesen la capacidad de determinar cuándo podría ocurrir un defecto. Suponga así, que antes de que un defecto estuviera por ocurrir, se podría tomar automáticamente acción correctiva, así previniendo que ocurriese el defecto. ¿Qué tal si las máquinas pudieran pensar acerca de su desempeño y determinar automáticamente cuándo podrían necesitar mantenimiento preventivo? ¿Cómo estaría si una máquina le pudiera reportar lo que está mal con ella y decirle exactamente cómo arreglarlo? Nuevamente, con Deep Learning, estas cosas no son tan solo un sueño, sino de hecho una posibilidad concreta.

Una tecnología para el futuro

Aunque las aplicaciones posibles de Deep Learning son emocionantes y virtualmente infinitas, existen aún ciertos obstáculos mayores para la adopción exitosa de Deep Learning en manufacturas. En primer lugar, mientras que la mayoría de los fabricantes registran y almacenan grandes cantidades de datos, y gran cantidad de estos datos no está bien etiquetada o clasificada. Para que Deep Learning pueda ser auténticamente efectivo, los conjuntos de datos deben de ser uniformes, estar bien identificados, y ser entendibles para con las aplicaciones de Deep Learning. La integración de una nueva tecnología como Deep Learning, nótese, a las Manufacturing Operations existentes, es otro obstáculo mayor para la industria. ¿Cómo se puede usar el entendimiento obtenido de la aplicación de Deep Learning en los procesos ya existentes? ¿Cómo se pueden integrar las aplicaciones de Deep Learning con software que tiene antigüedad de años, e incluso décadas? Estas son preguntas que todos los fabricantes deberán hacerse hoy, ya que sin importar si decidan o no adoptar esto, su competencia ciertamente lo hará. A final del día, la adopción de Industria 4.0, el concepto de Deep Learning y las tecnologías que vengan de la mano determinarán a los futuros líderes de la industria.