Como el propio nombre sugiere, AIoT es la combinación de AI (Inteligencia Artificial) e IoT (Internet de las Cosas) y ambos conceptos son responsables de llevar el edge computing al siguiente nivel, consiguiendo que los dispositivos industriales y energéticos sean más inteligentes. Esta combinación se conoce como «Inteligencia artificial de las cosas» (AIoT).

La mayoría de las organizaciones no aprovechan por completo todos los datos generados por cada dispositivo industrial. Esto se debe a la falta de un enfoque holístico basado en la inteligencia artificial en la nube para ingerir, capacitar y procesar en el edge. Este enfoque constituye la base para crear productos de datos y lograr una mejor predicción y toma de decisiones basadas en ellos.

Las plataformas de IoT han brindado muchos beneficios a las organizaciones. La integración de dispositivos con sensores ha evolucionado hasta convertirse en un aspecto clave de cualquier negocio con sistemas integrados, sistemas de control, dispositivos periféricos, maquinaria y otras «cosas» que pueden conectarse y generar millones de puntos de datos. Centralizar los datos generados, es el primer hito para supervisar las actividades comerciales y tomar medidas basadas en datos reales del dispositivo o crear nuevos modelos comerciales.

Casos de uso IoT

Un caso de uso común es el panel de IoT. Los encargados o gerentes de planta, visualizan los indicadores clave de rendimiento (KPI) a través de una interfaz intuitiva. De esta manera, los tomadores de decisiones o los usuarios de dispositivos toman medidas basadas en hechos reales y no (solo) en intuiciones. La identificación rápida de valores atípicos, como el  bajo rendimiento en la maquinaria de producción, ayuda a obtener una visibilidad completa de los riesgos en la producción. En algunos casos, incluso un algoritmo de aprendizaje automático puede predecir qué máquina necesita mantenimiento.

Otro caso es la activación de funciones del automóvil. Volkswagen “We Connect” y “We Connect Plus” son servicios digitales de IoT fáciles de activar para ciertos automóviles. Por ejemplo, el conductor puede visualizar el informe del automóvil mostrando el estado del motor, la puerta cerrada/abierta y la posición de estacionamiento; el valor de este tipo de servicios aumenta cuando se conecta con otros sistemas externos. Si los sensores «detectan» un accidente de tráfico, el automóvil «llamará» a una ambulancia. Otro servicio es el cálculo de ruta online, que es muy útil si no llevas tu móvil. Esta última característica es parte de “We Connect Plus”, el paquete de servicios digitales que se puede utilizar, pero no es gratis.

De IoT a AIoT

Al combinar IoT con IA, la cantidad de oportunidades para innovar aumenta a un nivel exponencial. Un excelente ejemplo de la industria del automóvil son las características del piloto automático de Tesla: navegación en piloto automático, estacionamiento automático, control de semáforos o señales de stop y cambio automático de carril. Gracias al cambio automático de carril, el automóvil se posiciona en el carril más óptimo y adelanta a los vehículos lentos. Así, esta característica demuestra lo inteligente que puede ser un automóvil a través del software, los datos de tráfico, los sensores y los sensores de la cámara.

Los datos provenientes de las cámaras se pueden procesar de forma inteligente con IA. Una empresa del sector energético puede utilizar la visión artificial para detectar situaciones como intrusiones y reconocimiento facial o incluso para identificar “cosas” como materiales, máscaras y cascos. Una capa adicional de IA consistiría en realizar acciones automáticas de manera proactiva. Este, por ejemplo, podría ser el caso de un fabricante que, después de procesar los datos visuales y sensoriales de la producción, utiliza un algoritmo que automáticamente rechaza las botellas defectuosas y mejora continuamente la producción para reducir la tasa de defectos.

Lo que AIoT puede ofrecer

  • Mejorar tus productos

Los datos telemétricos, de visión y de sensores están aumentando exponencialmente en un mundo de dispositivos conectados. Si los dispositivos industriales transmiten gigabytes de datos en tiempo real, la IA puede ayudar a identificar qué información es importante para resolver posibles problemas comerciales. En cuanto a la fabricación, esto podría significar identificar botellas defectuosas o detectar problemas de calidad de forma automatizada. Este tipo de iniciativa puede tener un impacto positivo en los indicadores de desempeño de calidad.

  • Inteligencia en todo el ciclo de vida de la producción

La automatización puede ir más allá de la recopilación de datos. La IA es capaz de cambiar la configuración de una máquina en funcionamiento para evitar la producción defectuosa. Un ejemplo ficticio podría ser que la IA sea capaz de cambiar la temperatura de la planta de producción para evitar fluctuaciones drásticas de temperatura que pueden conducir a un sobrecalentamiento de las máquinas. En este escenario, los indicadores de rendimiento como los «fallos detectados antes del fallo» o la «eficacia general del equipo» pueden verse afectados positivamente.

  • La experiencia del cliente mejora

Muchas tecnologías pueden o no mejorar la experiencia del cliente; el valor real reside en que tu cliente quiera comprar y recomendar a sus amigos algo que tú estés haciendo. Por ejemplo, un cliente de Tesla podría usar la función de aparcamiento automático porque está demasiado ocupado haciendo llamadas y hablando con los clientes y no puede prestar atención al tráfico. Otro cliente (un mal conductor) podría usar la misma función solo para poder aparcar mejor su automóvil. En último lugar, los clientes a los que les gustan las funciones de piloto automático de Tesla pueden recomendarlo a sus amigos, lo que tiene un impacto notable en el Net Promoter Score de Tesla y, a largo plazo, en los márgenes de beneficio neto.

Algoritmos adecuados para tu iniciativa AIoT

Son tres los tipos de algoritmo que se pueden encontrar en un proyecto AIoT.

  • Aprendizaje automático supervisado

El aprendizaje automático supervisado implica que se conoce el «objetivo». Por ejemplo, se sabe que la temperatura en planta influye en la efectividad de las máquinas. Utilizando algoritmos que calculan la combinación perfecta de variables, se puede obtener como resultado el umbral de temperatura idóneo para las máquinas. Las posibles variables podrían ser el clima, la ubicación y el tamaño de las plantas. El algoritmo está en condiciones de utilizar conjuntos de datos históricos y aprender de ellos.

  • Aprendizaje automático no supervisado

El aprendizaje automático no supervisado implica que se desconoce el «objetivo». Por ejemplo, la planta dispone de 50 máquinas produciendo todos los días y al cliente le gustaría analizarlas, realizar una especie de exploración. Tras el análisis, es posible que descubra nuevos patrones en los que no había pensado antes.

  • Aprendizaje por refuerzo

El aprendizaje por refuerzo consiste en dejar que el algoritmo aprenda de la repetición y realice la tarea más satisfactoria; algo así como entrenar a una mascota. En el contexto de la producción de manufactura, el tiempo de comercialización suele ser un factor muy importante y puede medirse mediante parámetros como si se «entrega a tiempo» o no. Con el aprendizaje por refuerzo, las máquinas se pueden entrenar a través de la repetición para que funcionen de diferentes maneras en reacción a un entorno dinámico para producir de forma rápida y con cierto nivel de calidad. Sin embargo, este tipo de proyectos pueden ser complejos porque muchos factores como el clima, los precios, la ubicación y la motivación de los empleados pueden influir en la producción.

 

Imagen: Unsplash | @solimonster