Noticias

Durante una inflexión estratégica, llega un punto en el que debes decidir si abrazas o rechazas la nueva tecnología. Esta decisión puede parecer fácil al principio, pero en la realidad puede resultar mucho más compleja. Las revoluciones no siempre ocurren de la noche a la mañana; pueden desarrollarse a lo largo de años, y la mayor parte del progreso permanece oculto hasta que un gran avance lo pone en el centro de atención para que todos lo vean. 

En 1986, la Facultad de Ciencias de la Computación de la Universidad Carnegie Mellon inició el proyecto Navlab, que demostró el potencial de la inteligencia artificial. Desarrollaron un sistema que permitía que una furgoneta Chevrolet se condujera de forma autónoma. Esto ocurrió durante las primeras etapas del desarrollo de los algoritmos de visión por computadora y aprendizaje automático, que ahora se usan ampliamente en muchas aplicaciones. 

Durante su desarrollo, se consideró innovador, pero aún no estaba listo para ser parte de la vida cotidiana. Sin embargo, en el mundo actual, estamos acostumbrados a oír hablar, y en ocasiones incluso ver, de coches autónomos, que varias empresas están desarrollando y vendiendo al sector empresarial, con el objetivo de comercializar esta tecnología entre el público en general en un futuro no muy lejano. 

La conducción autónoma, como la mayoría de las aplicaciones de IA, requiere algoritmos y procesadores que puedan operar con conjuntos de datos muy grandes en tiempo real. Por ejemplo, los modelos de lenguaje grandes (LLM) como los utilizados por OpenAI en ChatGPT, Microsoft en Copilot u otras aplicaciones que utilizan Meta LLM Llama 3, necesitan grandes conjuntos de datos para reconocer los patrones que crean oraciones escritas por humanos. Por lo tanto, en el núcleo del aprendizaje automático, encontrará que los datos y la capacidad de procesarlos rápidamente son necesarios para trabajar con estos sistemas. 

Consideremos un escenario en el que su fábrica necesita producir 1000 unidades por hora. Al funcionar a plena capacidad, si una de sus máquinas falla, no alcanzará el objetivo de 1000 unidades por hora. En tal situación, una de las prioridades clave es acelerar el ciclo de mantenimiento de la máquina afectada. Para evitar este escenario de parada, es posible que tenga un plan de mantenimiento implementado y, si sigue las mejores prácticas, implementaría una metodología de mantenimiento basada en la condición. Se trata de medir diferentes variables en una máquina, como la temperatura y la vibración, mediante sensores. Cuando se excede un límite específico, se envían alertas y usted sabe que es necesario reemplazar una pieza en particular antes de que falle el equipo. 

Para el mantenimiento preventivo, necesitará un sistema de adquisición de datos para recopilar variables de misión crítica y almacenarlas en una computadora. Una vez recopilados, puede comparar estos puntos de datos con los umbrales designados para determinar cuándo se requiere mantenimiento. Hasta este punto, parece relativamente sencillo. Sin embargo, a medida que se integran piezas de repuesto, la máquina puede presentar comportamientos diferentes a medida que envejece, lo que podría provocar falsos positivos y problemas operativos imprevistos. Aquí es cuando te das cuenta de que tienes una cantidad sustancial de datos, incluidos datos de control de calidad para el producto final. Es en este momento que puede implementar un algoritmo de aprendizaje automático para analizar y hacer referencias cruzadas de todos estos datos de manera efectiva, permitiendo que su sistema tome mejores decisiones de mantenimiento de manera autónoma. 

La mejor parte es que los modelos de aprendizaje son escalables porque adquirirán más datos con cada iteración y, con el tiempo, los algoritmos generales de aprendizaje automático mejoran. Pero esa no es toda la historia. Ahora que tiene un algoritmo en evolución, tiene la capacidad de implementarlo en sistemas que toman decisiones de forma autónoma y mejoran con el tiempo. 

Al considerar diferentes opciones de arquitectura, un enfoque implica el uso de registradores de datos como la familia  CONPROSYS de Contec que recopilan datos y luego los envían. esos datos a un servidor para su procesamiento. La ventaja de este enfoque es que el procesamiento pesado de datos se descarga a un servidor centralizado. Sin embargo, un inconveniente importante es la posibilidad de generar una gran cantidad de tráfico de red al enviar los datos. A medida que aumenta la escala de las operaciones, esto podría generar problemas y mayores costos operativos debido a las limitaciones del ancho de banda. Además, la capacidad de reaccionar en tiempo real a tareas críticas se ve obstaculizada por retrasos en la red hacia y desde el servidor. 

Por otro lado, también podemos implementar un DAQ basado en PC sistema de Contec. Este sistema le permite ejecutar localmente algoritmos pesados, como la inferencia basada en aprendizaje automático, mientras obtiene simultáneamente los datos directamente en el mismo sistema. Esta capacidad lleva el procesamiento al límite y le permite escalar según sea necesario sin tener que construir infraestructura alrededor de servidores. Un aspecto interesante de este DAQ basado en PC es que puede incorporar registradores de datos remotos, como los productos Conprosys, para crear una arquitectura de plataforma híbrida. 

Cualquier algoritmo de inteligencia artificial o aprendizaje automático siempre necesitará datos para ser útil. Aquí es donde la motivación para comprender la adquisición de datos es importante, y encontrar el socio adecuado como Contec para prosperar en esta revolución es crucial. Conocer sus opciones y aplicar las mejores prácticas de adquisición de datos sienta las bases para aprovechar al máximo la inteligencia artificial.