El ascenso gradual de la IA en la planta de producción

SAN JOSE, California — Las redes neuronales profundas se están introduciendo progresivamente en entornos industriales, dispuestas a transformar la automatización de fábricas.

Los primeros adoptantes ya integran redes neuronales como la inteligencia detrás de cámaras de visión artificial. Con el tiempo, estas redes se infiltrarán en brazos robóticos, pasarelas de sensores y controladores, redefiniendo los procesos de fabricación. La transición, sin embargo, avanza a un ritmo medido.

«Todavía estamos en las fases iniciales de lo que probablemente será una era de varias décadas de avances y algoritmos de machine learning de próxima generación, pero creo que veremos un progreso enorme en los próximos años», afirmó Rob High, director de tecnología de IBM Watson.

Las redes neuronales comienzan a poblar gateways y controladores multicore x86 capaces de ejecutar Linux que rodean cada vez más la planta de producción. Las emergentes redes 5G otorgarán eventualmente a estos sistemas acceso sin fisuras a centros de datos remotos, añadió High.

Los sectores de automoción, aeroespacial y sanitario ya dan los primeros pasos, principalmente con cámaras inteligentes. Canon está integrando placas Nvidia Jetson en sus cámaras industriales para activar el deep learning. Cognex Corp., proveedor líder de cámaras industriales, está ampliando su propia oferta de deep learning. La startup china Horizon Robotics envía cámaras de vigilancia que incorporan sus aceleradores de inferencia de deep learning.

«Todos los primeros adoptantes han desplegado deep learning para percepción visual, y otros empiezan a percatarse», dijo Deepu Talla, gerente general de máquinas autónomas en Nvidia. «La percepción es razonablemente fácil de hacer, y los investigadores la ven como un problema resuelto. Ahora los grandes problemas están en usar IA para interacción con humanos y actuación más detallada —son problemas de investigación de 10 años. En áreas como navegación de drones y robots, estamos más en etapa de prototipos».

Talla califica la robótica como «la intersección de computadoras e IA», pero muchos usos industriales del deep learning serán menos llamativos —y llegarán antes.

Los robots de fábrica aún no emplean IA, afirma Doug Olsen, CEO de Harmonic Drive LLC, proveedor líder de componentes robóticos. A corto plazo, el foco se desplazará de brazos robóticos inteligentes a sistemas embebidos que predigan fallos y recopilen datos de uso para programar mantenimiento preventivo. «Ahí es donde la IA puede arraigar primero», explicó Olsen.

Los grandes fabricantes de chips se alinean con esta tendencia. Renesas comenzó a experimentar hace tres años, desplegando microcontroladores con IA en nodos finales para detectar fallos y predecir necesidades de mantenimiento en líneas de producción de una de sus fábricas de semiconductores. En octubre, Renesas lanzó sus primeros MCUs con bloques de procesador reconfigurables dinámicamente para procesamiento de imagen en tiempo real, con planes de lanzar controladores que soporten cognición en tiempo real en 2020 y aprendizaje incremental en 2022.

STMicroelectronics sigue un enfoque similar con su línea STM32. En febrero, anunció un system-on-chip de deep learning y un acelerador en desarrollo, dirigido en parte a detección de fallos en la planta de producción.

Los robots inteligentes llegarán eventualmente. La startup covariant.ai trabaja para dotarlos mediante aprendizaje por refuerzo. «Dotar a los robots para ver y actuar sobre lo que ven será una de las mayores diferencias que el deep learning hará en los próximos años», dijo Pieter Abbeel, investigador de IA, fundador de Covariant y director del laboratorio de robótica en UC Berkeley.

Abbeel muestra simulaciones impresionantes de robots aprendiendo a correr usando técnicas de redes neuronales, pero advierte que el campo aún está en pañales. «De hecho, fundamos Covariant en parte porque el espacio de IA industrial no está tan saturado aún», señaló.