Adoptando la IA en Robótica: Impulsando Productividad y Mitigando Preocupaciones Laborales

El papel que la inteligencia artificial jugará en la robótica estará determinado en gran medida por los casos de uso y la resolución de problemas de privacidad y computacionales.

Los robots tienen el potencial de cambiar la forma en que las empresas hacen negocios al automatizar muchas tareas. Cuando se combinan con tecnología de inteligencia artificial (IA), los robots pueden volverse autónomos. Pero la combinación de estas tecnologías plantea muchas cuestiones. ¿Eliminarán los robots asistidos por IA empleos o asistirán a los trabajadores, haciéndolos más productivos? A medida que la IA da a los robots capacidades como visión artificial, también surgen problemas de privacidad. Y luego está el desafío de cómo trabajar con los grandes volúmenes de datos que podrían usarse. ¿Dónde procesar esos datos? ¿En la nube? ¿En el edge?

Para comprender mejor estos problemas, casos de uso y el papel del edge, nos sentamos con Joe Speed, CTO de Soluciones IoT y Tecnología en ADLINK, un proveedor de soluciones de computación de vanguardia que apoyan la transición a sistemas industriales IoT conectados en todas las industrias. También participó en nuestra discusión Nick Fragale, Fundador de Rover Robotics, que desarrolla robots robustos de grado industrial usando ROS, el sistema operativo de robots.

¿Hay Preocupaciones sobre el Uso de IA?

RTInsights: Parece que las empresas son reacias a usar IA debido a diferentes miedos. ¿Qué tipos de preocupaciones escuchan de usuarios potenciales cuando se trata de su adopción de IA?

Speed: La mayoría de las preocupaciones que escucho sobre IA tienen que ver con algunos de los aspectos de privacidad. Escuchas a la gente plantear preocupaciones cuando hablas de reconocimiento facial, y algunos de los otros aspectos, como la IA aplicada a temas como vigilancia masiva. La gente se pone un poco nerviosa. No necesariamente veo tanto miedo o preocupaciones sobre IA en los tipos de espacios donde tendemos a enfocarnos. La mayoría de nuestra tecnología suele estar en, sobre o cerca de algo —como equipos, un proceso, la celda de trabajo, la instalación. Ese suele ser donde se usa nuestra IA.

En estos casos, la aplicación de IA está tomando un proceso existente y asegurando que opere de manera confiable. Ayuda con la salud de la máquina y otras cosas. Permite a las empresas tomar una celda de trabajo y hacerla funcionar de manera más eficiente. Y las empresas pueden tomar un sistema heredado existente, maquinaria existente o un proceso existente e instrumentarlo y hacerlo más seguro.

En muchas de estas aplicaciones, no estamos realmente encontrando las preocupaciones de privacidad relacionadas con reconocimiento facial y vigilancia masiva. Los sistemas se usan dentro de tu empresa versus sistemas que vigilarían a personas en público. En un entorno empresarial, el uso de IA se centra en mejorar un proceso u operación, ayudando a los trabajadores a hacer mejor su trabajo. Lo que vemos para algunas de estas cosas es que la IA, específicamente el aprendizaje automático aplicado a visión por computadora, es muy popular. Otro uso muy popular es alrededor de fusión de sensores. En tales casos de uso, la cuestión es cómo combino visión con otros tipos de datos de sensores o telemetría de equipos heredados existentes y luego los junto para tener una mejor comprensión de lo que está pasando.

Fragale: Diría que desde nuestra perspectiva, nuestros clientes vienen del espacio de investigación y académico, y por eso son muy abiertos a usar IA. La edad promedio de nuestro cliente probablemente está alrededor de 30. Ahora que vamos a movernos al mercado logístico con nuestro nuevo producto, el Rover AMR 100, eso cambiará. Pero hasta ahora, no hemos visto resistencia a implementar IA.

¿Cómo se Está Usando la IA en Robótica?

RTInsights: Esa es una gran transición. Obviamente, un área de interés con IA es la robótica. ¿Cómo se está usando la IA en robótica?

Speed: Una de las áreas más grandes es la percepción. Solo piensa en cámaras, aunque es un poco más que eso. Tienes muchas tecnologías diferentes que pueden usarse para dar percepción al robot. La obvia son las cámaras, pero incluso dentro de las cámaras, ¿es una cámara única, estéreo, de detección de profundidad 3D, espectro visible o infrarrojo? Luego también tienes otras tecnologías que dan percepción, que podrías casi considerar visuales, pero son un poco diferentes. Son cosas como LIDAR (Detección y Telemetría por Luz es un método de detección remota que usa luz láser pulsada para medir distancias). Con LIDAR, básicamente piénsalo como radar. La forma en que se lo explico a mi familia es: ¿sabes qué es el radar? Seguro. Pues lo mismo pero con láser en lugar de ondas de radio.

Tienes el láser girando. Rebota en las cosas. Usándolo para vehículos autónomos, no ves realmente un coche. Pero lo que ves es una nube de puntos con forma de coche, y también te da otras cosas debido al efecto Doppler. Puedes saber si esa nube de puntos está en movimiento. ¿Se mueve hacia mí o lejos, a qué tasa?

Ver también: Por Qué la Computación Edge Puede Ayudar al IoT a Alcanzar su Pleno Potencial

Luego también tienes ultrasonido y radar y algunas otras cosas que no necesariamente piensas hoy. Cuando empiezas a obtener operaciones autónomas, estas tecnologías de rango jugarán un papel. Como en el caso de Rover, tienes un robot de 40 libras, y opera autónomamente. Pero si llevas eso de ser un robot de 40 libras a 400 libras, 4,000 libras, ahora estás en la clase de [equipo] que empieza a ser peligroso. ¿Cómo haces cosas como operar maquinaria pesada de forma segura, y cómo haces eso de manera más autónoma o automatizada sin herir personas o causar daños a la propiedad? Algunas de estas otras tecnologías pueden usarse.

Por ejemplo, podrías usar ultrasonido para cosas muy cercanas donde no necesariamente tienes cobertura de cámara. En robótica, hay dos lugares donde veo que se aplica la IA, y luego terminan mezclándose, que es cuando tienes una operación autónoma, especialmente robots móviles, y cosas que se mueven.

LIDAR, radar y ultrasonido pueden ayudar a la navegación. Pueden usarse para responder preguntas como: ¿Cómo sabe un sistema robótico o autónomo dónde está, cómo sabe a dónde va, cómo hace eso sin chocar contra cosas o personas? Luego también tienes robots que realmente interactúan con su entorno. El ejemplo clásico de esto sería cuando piensas en un robot industrial, como un brazo. ¿Cómo percibe el brazo lo que hay a su alrededor? Un ejemplo de esto es la recolección de piezas robótica, donde un brazo recoge piezas de un contenedor y luego las pone en algo que estás ensamblando o en otro contenedor. Esta es una aplicación muy popular. Luego obviamente puedes combinar IA y robótica. También puedes tener robots móviles con actuadores con pinzas que son capaces de interactuar con su entorno.

Ese es realmente todo el campo del aprendizaje automático de IA. Ahí es donde vemos esto siendo aplicado.

Fragale: Nuestra perspectiva en Rover Robotics es bastante similar a la de Joe. Pero diría que, en gran medida, la cosa número uno que vemos que la gente usa IA para es cámaras, analizando datos de cámara, y específicamente haciendo inspecciones. Cualquier empresa que quiera continuar monitoreando algo puede usar esta tecnología. La aplicación podría ser una empresa petrolera queriendo monitorear si sus tuberías están oxidándose. Pueden hacer eso ahora 24/7 con un robot móvil. O podrías tener una instalación de almacén donde necesitas inspeccionar etiquetas RFID para hacer inventario. Cualquier cosa que quieras inspeccionar en tu instalación, ahora puedes hacerlo con un robot y una cámara.

¿Qué Industrias Están Usando IA y Robótica?

RTInsights: ¿Hay industrias particulares, como manufactura, logística, cuidado de ancianos o servicio al cliente, donde ya estamos viendo IA y robótica usadas?

Fragale: Sí. Diría que las industrias más grandes son logística, manufactura y construcción. Esas son donde los robots ya están usando IA para hacer cosas. En el caso de la construcción, hay muchas empresas tratando de recuperar el dinero que se pierde cada año por ineficiencias. Por ejemplo, asegurarse de que instales todas las tuberías y rociadores correctos y todo el equipo de seguridad antes de verter el concreto es muy importante para cualquier proyecto de construcción. Pero con muchos subcontratistas involucrados, a menudo puede haber un problema. Si tienes un robot que recorre tu sitio de construcción y busca cosas como esas, cosas que son críticas en el proyecto de construcción general, entonces puedes recuperar mucho de ese costo que típicamente se pierde.

Speed: Sí, definitivamente, la inspección es grande. Hacemos un montón de negocio alrededor de inspección, específicamente inspección visual. En el campo, hay 400,000 cámaras conectadas a nuestros sistemas de visión haciendo esto y otros tipos de casos de uso. Donde se pone realmente interesante para mí es en lugar de cámaras fijas en una línea de ensamblaje, en un banco de trabajo o en una cinta transportadora inspeccionando cosas mientras pasan, es tomar los dos temas de inspección visual basada en IA y robótica autónoma y combinarlos. Piensa en el robot. En lugar de que los bienes físicos sean llevados a la cámara, la cámara va a la cosa que necesita inspección. Tienes el ejemplo de construcción con robots móviles realizando inspecciones recorriendo el sitio. Se supone que hay un conducto de aire. ¿Está en su lugar? ¿Vamos adelantados o atrasados de horario?

Otro ejemplo es un minorista usando IA y un robot para ver qué hay en stock. El minorista podría entonces comparar lo que un robot observa físicamente con lo que la gerencia de la tienda y los sistemas de logística de almacén dicen que hay en stock. Ese es un área en la que estoy súper entusiasmado, y estamos totalmente comprometidos con la robótica abierta.

Estos días, la robótica se deletrea prácticamente R-O-S, que es un sistema operativo de robots. No es ni un robot ni un sistema operativo. Es un marco de código abierto para desarrollar robótica. Estamos trabajando con y contribuyendo a eso. Luego, pones esto junto con visión de IA, de nuevo, un campo con mucho énfasis en el código abierto. A medida que estas cosas se combinan, va a ser un momento realmente interesante.

¿Cuáles Son las Principales Funciones Asistidas por Robots que Se Están Realizando?

RTInsights: Profundicemos en qué funciones asistidas por robots se están realizando en todas las áreas de aplicación. ¿Qué ven en el mercado?

Speed: Con la visión de IA y robótica, mucha gente piensa, ¿esto va a reemplazar a un trabajador? Sin embargo, hay muchos casos de uso donde la tecnología ayuda a los trabajadores, en lugar de reemplazarlos. Hay todo un campo de robots colaborativos, que son robots trabajando con personas y robots trabajando juntos, colaborando en una tarea. Por ejemplo, mira las cosas que hace Rover. Supongamos que tienes un humano que está haciendo una función y tiene que moverse. Digamos que necesitan moverse por una granja para realizar una tarea.

¿Qué tal si tuvieras el Rover, por así decirlo, funcionando como una carretilla autónoma que sigue al trabajador y siempre está justo donde necesita estar con lo que el trabajador necesita. Esos tipos de casos de uso, los de robots sosteniendo una pieza en su lugar mientras un humano hace una tarea, donde los robots asisten al trabajador. Tengo una verdadera pasión y he hecho mucho trabajo alrededor de tecnología asistiva para ayudar a ancianos y discapacitados. Veo un potencial asombroso para estas cosas percibiendo e interactuando con las personas.

Ver también: Por Qué el IoT Aún Rezaga en Aplicaciones Empresariales Prácticas

Fragale: Diría que para nosotros, puedes categorizar a nuestros clientes en dos categorías. O están transportando cosas con el robot, así que transportando bienes a través del almacén o transportando bienes a través de la granja, o están poniendo sensores en el robot y recopilando datos. Esas son, por mucho, las dos funciones más grandes que vemos que nuestros robots son usados por empresas.

¿Cómo Encajan la Computación Edge y la IA Juntas?

RTInsights: Esa es una perfecta introducción a mi última pregunta. Tales sistemas pueden recopilar grandes cantidades de datos de muchos sensores y dispositivos IoT. Con todos esos datos generándose, y la necesidad de análisis rápido, ¿es esta la tormenta perfecta para usar computación edge e IA juntas?

Speed: Definitivamente lo creo. Nuestros amigos en AWS, hablan sobre 'por qué edge'. Hablan sobre la ley de la física. ¿Eres capaz de obtener los datos en los tipos de volúmenes que se generan a la nube? Hay muchas cosas dependiendo de RF, topología de red, otros tipos de cosas. Está la ley de la economía. ¿Es económicamente factible? Probablemente no cuando tienes operadores móviles que hacen cosas como cobrar por byte. Incluso si tienes la infraestructura de red, el ancho de banda para llevar todos los datos a la nube, ¿es económico trabajar con ese tipo de volúmenes de datos? Hay un interesante estudio universitario que comparó y contrastó, por ejemplo, hacer cosas como procesamiento de video y audio usando tecnologías de AWS, usándolas en la nube y usándolas con el edge.

Analizaron cosas como AWS IoT Greengrass, que hace análisis de aprendizaje automático usando modelos desarrollados en la nube. Lo que encontraron (los investigadores universitarios) es básicamente que la economía es ocho veces mejor haciendo estas cargas de trabajo en el edge. Pero para mí, incluso más importante que la economía es la latencia. Muchas veces, mueves estas cosas al edge porque necesitas que suceda justo entonces, que sea muy rápido en el momento. Si llevo el video a la nube y hago análisis y luego traigo una decisión de vuelta, puede ser demasiado tarde, demasiado lento. Una persona ha resultado herida, un equipo se ha roto, o el edificio se ha quemado. Ese es un ejemplo de usar edge.

Luego también entras en estos problemas de la ley del país. Creemos en desarrollar los modelos, entrenar los modelos en la nube. Desarrollar un modelo es computacionalmente costoso y hacerlo en un pequeño equipo en el edge si, por ejemplo, eso tomó un día, podrías activar ese mismo modelo en la nube y tenerlo listo en una hora. Pero al analizar los datos mismos, necesitas pensar en algunos de los problemas de privacidad de los que hablabas antes. ¿Cómo manejas de forma segura datos con información personal identificable o haces reconocimiento facial? En la fábrica, sabes quién es el trabajador.

Sin embargo, con todos esos datos crudos, puede haber algunos problemas de sensibilidad. Puede haber problemas legales, sociales o culturales alrededor de sacar esos datos del lugar de trabajo a otro lugar. Ahí es donde entras en estos problemas de la ley del país. Trabajar en el edge, satisface limpiamente muchas de este tipo de necesidades.

Fragale: La explosión de datos que necesitan ser analizados rápidamente es, de hecho, la tormenta perfecta para usar computación edge. Vemos muchos clientes que están entusiasmados con la computación en la nube, especialmente con robótica. Piensan que, si puedo transmitir Netflix en 4K o puedo transmitir todos estos datos de video de ida y vuelta, será fácil transmitir datos de imagen a la nube y luego hacer procesamiento allí, donde tienes muchos más recursos. Pero creo que lo que a menudo se pasa por alto es que si eres un robot y estás deambulando, ahora tienes que saltar entre diferentes puntos de acceso. Vemos muchos clientes que están entusiasmados con la computación en la nube toparse con ese obstáculo, y es algo en lo que se quedan atascados por meses, y luego cambian a computación edge. Incluso en un almacén, si estás intentando integrar tus robots en un almacén, estarás saltando de un punto de acceso a otro, y perderás conexión a menudo.

Ver también: Centro de Computación Edge

Entonces te enfrentas a decirle a tu cliente: "Oye, necesitas actualizar a mejores routers porque tu nuevo router no es compatible con 80211.AC". Entonces preguntan: "¿Qué diablos significan esos números?" Luego dices: "Olvídalo. Pondremos más cómputo en el robot para que podamos hacer estas tareas." Ese problema solo empeora cuando te mueves al exterior. Con robots críticos para la seguridad deambulando afuera, como dijo Joe, no puedes tener las imágenes enviadas a la nube y luego de vuelta al robot para tomar una decisión de si detenerse o no antes de cruzar la calle. Simplemente no funciona para aplicaciones críticas de seguridad. La latencia es demasiado grande para eso.

Speed: La nube es muy importante en todo esto, pero no necesariamente de la manera en que mucha gente piensa. Si puedo hacer el análisis y aprendizaje automático en el edge, no necesito enviar grandes cantidades de datos a la nube. Esto elimina problemas de latencia. Si estoy en una plataforma petrolífera en Alaska, veo un oso, en lugar de enviar video del oso, lo que haces es enviar información — Hay un oso. ¿Cuál es el evento o inferencia particular que encontraste? Vemos mucho de eso. Solo piensa en términos de en lugar de transmitir datos a la nube, transmite información, transmite la salida del análisis.

También debes armar estos sistemas para que sean confiables. Esto es algo con lo que solía lidiar cuando trabajaba en un coche conectado y temas de análisis aumentado en la nube y seguridad automotriz. Necesitas pensarlo como algo que está usualmente conectado, a menudo conectado, ocasionalmente conectado. ¿Cómo armazas estos sistemas para trabajar con básicamente la suposición de que vas a tener una red no confiable? Si puedes hacer que funcione bien en ese entorno, básicamente estarás bien. Pero debes tener siempre conectividad prístina con latencias dentro de un cierto SLA, o vas a tener problemas en el mundo real.