¿Su estrategia de inteligencia artificial es realista o una escalera al cielo?

Recuerda Luke Durcan, director de EcoStruxure en Schneider Electric escuchar a un ejecutivo de una empresa industrial decir algo como:“Queremos hacer algo de IA. Queremos incorporar algo de inteligencia artificial a nuestro proceso lo más rápido posible ".

"¿Cuándo?" Preguntó Durcan.

“Probablemente en julio”, recordó Durcan que dijo el ejecutivo anónimo. "Sí, queremos tener algo de IA para julio".

“Simplemente miras al tipo y luego te das cuenta de que realmente no comprende el proceso. Realmente no comprende los mecanismos y requisitos subyacentes para llegar allí ", dijo Durcan. “Y la realidad es que, en un contexto industrial, no existe la IA. Es marketing ".

Si bien los expertos en ciencia industrial y de datos tienen una variedad de opiniones diferentes sobre nociones vagas como la inteligencia artificial y su conexión con la inteligencia general artificial de apariencia casi mágica, están de acuerdo en la necesidad de una contextualización de datos gradual y disciplinada y el despliegue de técnicas como la analítica, aprendizaje automático y similares.

Atif Kureishy, ​​quien dirige la iniciativa de aprendizaje profundo e inteligencia artificial de Teradata, enmarca la inteligencia artificial como un conjunto de técnicas de apoyo que incluyen análisis, aprendizaje automático y aprendizaje profundo que se utilizan para respaldar un resultado comercial. "Cuando observas el aprendizaje profundo, por ejemplo, que es un subconjunto del aprendizaje automático, se aplican redes neuronales, computación basada en GPU de gran tamaño y alta dimensionalidad de datos para hacer predicciones cada vez más precisas", dijo Kureishy.

En cuanto a qué industrias han adoptado más rápidamente estas técnicas, son los "sospechosos habituales", dijo Kureishy, ​​incluidos los de tecnología de consumo, servicios financieros y seguros. El comercio minorista y las telecomunicaciones son parte de un grupo que es el siguiente en la fila, dijo. En términos de fabricación, el sector automotriz es uno de los sectores más rápidos en adoptar técnicas como el aprendizaje automático y la visión por computadora, dado el interés de esa industria en los vehículos autónomos.

Durcan dijo que la industria del petróleo y el gas es pionera en las industrias de procesos. “Estas organizaciones [de petróleo y gas] han estado invirtiendo en datos, infraestructura y tecnología durante muchos, muchos años, porque les ha generado valor durante muchos, muchos años”, explicó.

Más abajo en la curva de madurez en la fabricación de procesos se encuentran los bienes de consumo envasados ​​y los sectores de materiales, minerales y minería, mientras que varias empresas de fabricación discreta, como los fabricantes de productos electrónicos, están "bastante avanzadas", dijo Durcan

Entonces, ¿qué deberían hacer las empresas industriales rezagadas para compensar el terreno perdido cuando se trata de una industria 4.0, una fábrica inteligente o una estrategia de inteligencia artificial, o el término que se prefiera? ¿Y qué deberían hacer los que están en el medio del paquete a continuación?

Comience primero con una autoauditoría y, si es necesario, asegúrese de que su organización tenga una base sólida en ciencia de datos. Gran parte del trabajo de Teradata con empresas industriales incluye "desarrollar los aspectos fundamentales en los que nuestros clientes bancarios, por ejemplo, han estado invirtiendo durante los últimos 30 años", dijo Kureishy. Muchas empresas industriales se encuentran trabajando para comprender qué tipo de datos contextuales tienen, calibrando sensores y enfocándose en aspectos de “ciencia de datos 101” relacionados con el talento, las herramientas y su entorno.

Eso no es para meterse con las empresas industriales. El año pasado, Gartner descubrió que más del 87% de las organizaciones, en todos los sectores, tienen poca madurez en inteligencia empresarial y análisis.

En una etapa temprana, un fabricante puede haber instrumentado una serie de sensores en sus operaciones para comprender mejor las condiciones a las que está expuesto un material en el proceso de fabricación. Una vez que la organización puede rastrear sus datos en contexto, puede comenzar a detectar anomalías que preceden a un defecto de fabricación que conduce al desecho. "Eso no es realmente una predicción por el momento, pero dice:'Oye, ahora puedo caracterizar mejor lo que está sucediendo en ese proceso de fabricación", dijo Kureishy. "Como tengo todos estos datos de telemetría saliendo y puedo procesarlos, analizarlos y unirlos, puedo caracterizar mejor de manera cuantitativa lo que salió mal".

En una etapa temprana como esta y durante todo el proceso, Durcan enfatizó la importancia de enfocarse en las personas y los procesos, así como en la tecnología. “Dentro de una instalación industrial abandonada típica, hay personas que han estado allí durante 20, 30 o 40 años y que probablemente sepan mucho más sobre el proceso que tú”, dijo. “Y luego está el proceso en sí, que nuevamente, es una evolución en el tiempo. Por lo tanto, encontrará formas de integrar su tecnología en el entorno de procesos de personas para ofrecer un valor incremental ".

Las organizaciones industriales que han invertido en construir una base sólida de ciencia de datos pueden comenzar a explorar el potencial de técnicas más avanzadas como las redes neuronales. Y a medida que avanza su madurez, pueden pasar de caracterizar lo que está sucediendo en sus operaciones a correlacionar las variables que surgen en ese entorno y eventualmente establecer la causalidad entre variables. "Eso es decir:'Cuando ocurre A, ocurre B, así que sé que C se materializará", explicó Kureishy. “Eso te coloca en una mejor posición de predicción. Puede empezar a decir:"Estoy empezando a ver estas anomalías. Si no interviene en algún nivel, entonces sé que esta condición C va a ocurrir ".

El siguiente nivel amplía la sofisticación. "Puede hacer una recomendación realmente distinta de manera prescriptiva para corregir u optimizar un proceso", agregó Kureishy. El nivel superior es donde todo el proceso de detectar anomalías y abordarlas antes de que causen problemas mayores está completamente automatizado. "Estamos hablando de Terminator", bromeó Kureishy.

Las organizaciones industriales deben evitar concluir que el viaje de su estrategia de inteligencia artificial tiene un destino final definido. "No hay nirvana sobre la colina", dijo Durcan. “Esto se vuelve cada vez más complicado”.

Finalmente, los líderes de la industria deben entender que “la integración de datos es primordial, pero los datos por sí mismos son solo el comienzo de un modelo predictivo y un modelo analítico”, agregó Durcan. Es vital que estos profesionales comprendan la jerarquía de activos, el modelo de activos y el contexto de activos. “Entonces puede comenzar a construir una mejor información detallada en profundidad sobre el flujo de datos y la infraestructura de datos en su organización”, agregó Durcan. A partir de ahí, pueden aprovechar los datos para visualizaciones descriptivas y reacciones operativas. "Para eso lo va a utilizar el 90% de la gente", añadió. "Pero tienes que dar el primer paso en el viaje para llegar allí".