Algoritmos de IA a prueba de errores

Los fallos con las cámaras de visión artificial, los sensores no calibrados o las sombras impredecibles pueden provocar errores potencialmente costosos y peligrosos en los sistemas de IA industriales. Sin embargo, los investigadores están desarrollando algoritmos a prueba de errores, así como medidas simples que se pueden tomar para reducir la probabilidad de error.

La inteligencia artificial ha evolucionado mucho más allá de la red neuronal artificial del perceptrón básico, pero el error sigue siendo un problema. Imagen utilizada por cortesía de Pixabay

Aplicaciones industriales para inteligencia artificial

Existen numerosas aplicaciones industriales para AI (inteligencia artificial), como plataformas robóticas, manejo de materiales, empaque, cuidado de máquinas, ensamblaje, inspección y BAS (sistemas de automatización de edificios). Ejemplos más específicos incluyen la tecnología de drones y enjambres para clasificar, mover y transportar artículos o detectar anomalías en los procesos de producción.

La IA se ha convertido en un aspecto crítico, pero a menudo olvidado, de la automatización industrial que depende de la visión artificial, los brazos robóticos, la detección remota y el control de procesos.

Sin embargo, las herramientas de inteligencia artificial no son una simple caja negra en la que se proporcionan datos como entrada y se transforman en resultados precisos. A veces, el resultado es incorrecto y eso es motivo de preocupación.

Tipos de errores en aplicaciones industriales

Las computadoras hacen lo que se les dice que hagan, por lo que un ser humano está en la raíz de cada error. Puede ser un error de diseño, un error de algoritmo, un error de ingeniería o datos incorrectos, pero habrá un ser humano en la raíz.

Esto también se aplica a la IA, incluida la IA industrial. Los errores dentro de la IA industrial pueden caer en una de dos categorías:sesgo algorítmico y sesgo de máquina.

El sesgo algorítmico implica errores que son repetibles y sistémicos. Estos errores pueden manifestarse de varias formas diferentes:error inherente en la lógica del algoritmo, uso no anticipado de la salida del algoritmo o problemas con los datos proporcionados al sistema de IA.

El sesgo de la máquina se produce cuando se utiliza un conjunto de datos limitado para entrenar el sistema, lo que genera una salida errónea.

La importancia de mantener bajo control el error de IA

Como ejemplo de sesgo algorítmico, considere un sistema de visión artificial con inteligencia artificial utilizado para sistemas de control de calidad automatizados. Una aplicación de este tipo depende en gran medida de las mediciones precisas proporcionadas como datos a la IA, lo que determina si la pieza se encuentra dentro de las tolerancias. Si se proporcionan medidas inexactas a la IA, se producirá un etiquetado de piezas erróneo.

Los algoritmos detrás de la IA de visión artificial pueden ser 100% correctos, pero los datos incorrectos significan un resultado incorrecto. Las piezas aceptables pueden eliminarse, mientras que las piezas de mala calidad pueden enviarse a los clientes. Esto genera costos innecesarios y tiempo de inactividad ya que se rastrea la fuente del problema.

iRVision 3DL de FANUC usa láseres e inteligencia artificial para verificar las condiciones de la superficie de una pieza. Imagen utilizada por cortesía de FANUC

Algunos sistemas de IA que requieren entrenamiento antes de su uso en un entorno o aplicación en particular. En tales casos, los datos de entrenamiento proporcionados al sistema son extremadamente importantes. Por ejemplo, si un sistema recibe entrenamiento limitado a las condiciones en un área iluminada, habrá problemas cuando el sistema deba funcionar sin luz.

IA a prueba de errores (IA de entrenamiento)

Debido a que hay un elemento humano detrás de la inteligencia artificial y el aprendizaje automático, no puede estar a prueba de errores. Sin embargo, existen formas de minimizar los errores dentro de los sistemas de IA. Un ejemplo incluye CARRL (Certified Adversarial Robustness for Deep Reinforcement Learning), un algoritmo de aprendizaje profundo desarrollado en el MIT cuyo propósito es ayudar a los sistemas autónomos fomentando un nivel de escepticismo sobre los datos que se toman en cuenta, como el ruido en los datos y esfuerzos contradictorios para confundir el sistema.

Carnegie Mellon también ha estado trabajando en un algoritmo de inteligencia artificial para modelos de aprendizaje profundo. Este enfoque, denominado RATT (Asignar, entrenar y rastrear aleatoriamente), utiliza datos de entrenamiento ruidosos y sin etiquetar para establecer un límite superior para el verdadero riesgo de error. Este límite superior puede determinar qué tan bien se adapta un modelo de IA a los nuevos datos de entrada. Además, los investigadores de Princeton han estado buscando algoritmos que permitirán que un sistema de inteligencia artificial aprenda de manera efectiva cuando haya errores en los datos de entrenamiento.

También hay estándares en desarrollo que afectarán los esfuerzos de detección de errores. NIST (Instituto Nacional de Estándares y Tecnología) está contribuyendo activamente a los estándares de IA que incluyen un enfoque en la evaluación de la confiabilidad de la tecnología de IA. NIST también ha propuesto un enfoque para reducir el riesgo de sesgo en los sistemas de IA.

La CISA de Estados Unidos (Agencia de Seguridad de Infraestructura y Ciberseguridad) ya está analizando estándares para examinar los algoritmos de IA y la recopilación de datos, como se reveló durante un panel de 2020 titulado "Máquinas geniales". Este esfuerzo, junto con el de NIST, enfatiza la responsabilidad.

Corrección de errores en sistemas de inteligencia artificial

Si bien es posible que no sea posible realizar pruebas de detección de errores en los sistemas de inteligencia artificial de los que es responsable debido al elemento humano involucrado, ciertamente hay formas de minimizar la posibilidad de errores.

Si sospecha que los errores provienen de su sistema de inteligencia artificial, no culpe automáticamente al algoritmo; más bien, estudie los errores para buscar un patrón. Por ejemplo, si se trata de un robot de recolección de contenedores autónomo que comete errores, observe si hay algo en común que tengan los elementos ordenados incorrectamente o si hay cambios en el entorno del robot (iluminación, sombras, etc.) que podrían afectar su desempeño. . También podría haber un problema con una lente de cámara sucia en la parte de visión artificial del sistema, como las que se encuentran en los robots móviles autónomos.

Muchas cámaras de visión artificial tienen sistemas de inteligencia artificial integrados, como FLIR Firefly DL, pero estos sistemas pueden generar errores si no se mantienen limpios y configurados correctamente. Imagen utilizada por cortesía de FLIR

Una regla estricta de programación es que una entrada incorrecta siempre resultará en una salida incorrecta. El primer paso para minimizar el error generado por un sistema de IA industrial es asegurarse de que sus datos sean lo más precisos posible, comenzando por los sensores. Los sensores que proporcionan datos de entrada a los sistemas de inteligencia artificial deben calibrarse con regularidad.

Las herramientas dentro del sistema de IA que permiten a los usuarios establecer rangos aceptables para los datos deben implementarse después de una consideración cuidadosa de un rango aceptable:demasiado estricto, y la IA no proporcionará mucho valor; demasiado suelto y genera demasiados errores. Y recuerde, estos valores se pueden ajustar.

Además, como se mencionó anteriormente, mantenga las cámaras limpias. Si bien los sistemas de visión artificial están diseñados para ser robustos en diversas condiciones ambientales, eso no significa que seguirán funcionando bien cuando la visión se vea comprometida por una lente sucia. Lo mismo ocurre con otros sensores industriales cuya precisión puede verse comprometida por la acumulación de incrustaciones, la exposición a entornos corrosivos, problemas mecánicos o el envejecimiento.

La IA se utiliza ampliamente en el sector industrial para todo, desde controles de procesos hasta inspecciones de calidad. Y debido al factor humano involucrado, estos sistemas de inteligencia artificial también están sujetos a errores. Se están desarrollando algoritmos a prueba de errores, pero estos métodos no están completamente maduros ni se han probado exhaustivamente en aplicaciones industriales. Y aunque organizaciones como NIST y CISA están trabajando para lograr estándares a prueba de errores, todavía están en desarrollo. Sin embargo, algunas medidas simples pueden reducir la probabilidad de error en sus sistemas de inteligencia artificial.