Desarrollo de proyectos de aprendizaje automático industrial:3 errores comunes que se deben evitar

El uso de técnicas de inteligencia artificial, y más específicamente el aprendizaje automático, se considera cada vez más como una herramienta revolucionaria. Pero, ¿qué es el aprendizaje automático?

François Chollet propuso una descripción interesante. En su libro, "Aprendizaje profundo con Python", define el aprendizaje automático (ML) como un nuevo paradigma computacional. En la computación convencional, proporcionamos a la computadora las reglas y los datos, y esperamos resultados correctos. Usando el aprendizaje automático, este orden se cambia. Proporcionamos los datos y los resultados a la computadora, y esperamos las reglas como respuesta.

Este nuevo paradigma computacional cambia significativamente nuestra forma de resolver problemas cotidianos y abre un gran abanico de oportunidades en todos los campos de estudio. En los últimos años, el aprendizaje automático se ha utilizado ampliamente, incluso en el sector industrial. A pesar de este amplio alcance y de tener muchos grandes profesionales trabajando en este campo, algunos errores comunes se han observado (y deben evitarse) en el desarrollo de proyectos industriales. Aunque hay muchos otros, este artículo pretende discutir tres de estos posibles errores.

1. Olvidando lo básico

Conceptos como Industria 4.0, digitalización, inteligencia artificial, aprendizaje automático e IIoT son las principales tendencias en el mundo industrial en la actualidad. Los proyectos con este tipo de enfoque con frecuencia obtienen una atención especial en la cartera de un profesional, y algunos profesionales tienden a elegir este tipo de solución durante el diseño de un proyecto para mejorar las posibilidades de que se apruebe su proyecto. Pero el punto es:¿es esta herramienta (aprendizaje automático o cualquier otra) la adecuada para resolver su problema? Debe hacerse algunas preguntas antes de elegir cualquiera de estas herramientas "modernas". He enumerado algunos aquí, aunque hay muchos otros:

• ¿He probado un algoritmo más simple para resolver este problema (como la lógica de PLC)?
• ¿Un control regulatorio bien sincronizado conduce a resultados de control similares o mejores?
• ¿Tenemos un equipo apropiado y bien capacitado para mantener estas nuevas aplicaciones en funcionamiento?
• ¿Un conjunto diferente de herramientas de calidad (como gráficos de Pareto o diagramas de causa y efecto) proporcionaría suficientes datos para obtener buenos conocimientos?

Tenga en cuenta que no estoy diciendo que las herramientas como el aprendizaje automático no puedan ofrecer grandes resultados o que estas herramientas sean demasiado complejas. Sin embargo, es importante tener en cuenta que las soluciones simples suelen dar buenos resultados y normalmente debería ser el primer paso para un viaje a la Industria 4.0.

2. No prestar atención a la calidad de los datos

Las herramientas de aprendizaje automático para el procesamiento de datos ahora están muy extendidas. Grandes empresas como Google y muchos grupos de código abierto han desarrollado excelentes bibliotecas de aprendizaje automático. Estas bibliotecas están disponibles en Internet, algunas de ellas a bajo costo o sin costo alguno. Sin embargo, cuando miramos el panorama general, cualquier proyecto de aprendizaje automático implica cuatro fases principales :

• Comprender y preparar datos
• Procesando estos datos
• Análisis de resultados
• Actuar sabiamente en función del análisis de datos

Dicho esto, cuando observamos todo el proceso de desarrollo de proyectos de aprendizaje automático, no es raro que algunos profesionales pasen directamente a las etapas intermedias (procesamiento de datos y análisis de resultados) sin prestar suficiente atención a la recopilación y preparación de datos.

La base de cualquier proyecto de aprendizaje automático son los datos. Al igual que en la cocina, donde el punto de partida de cualquier buen plato es utilizar buenos ingredientes, un factor esencial a la hora de desarrollar un buen proyecto de ML es obtener y utilizar buenos datos. Especialmente en la industria, obtener estos datos puede ser una tarea desafiante. A continuación se muestra una lista no exhaustiva de posibles desafíos:

• Falta de instrumentación (datos faltantes)
• Datos menos precisos debido a una instalación, mantenimiento o configuración inadecuados de la instrumentación
• Etiquetas de datos incorrectas debido a conceptos erróneos en el análisis:tareas de aprendizaje supervisado

Incluso con estos desafíos, con una preparación correcta de los datos (a veces con adecuación industrial), es posible construir una base de datos lo suficientemente fuerte como para obtener grandes resultados.

Entonces, ¡tómese su tiempo en esta importante tarea!

3. Ignorar el conocimiento de los expertos

Este puede ser un argumento controvertido. Algunos profesionales pueden decir que si desea una opinión experta, debe optar por un sistema experto que utilice lógica difusa, por ejemplo. En un punto de vista opuesto, cuando investigamos la gran cantidad de conocimiento que poseen nuestras empresas , simplemente ignorarlo no parece la mejor manera de hacer evolucionar nuestros procesos.

Cuando implementamos proyectos de ML, la mejor manera es tener un equipo multidisciplinario que combine a los desarrolladores de ML (personas que conocen las técnicas de ML, es decir, aprendizaje profundo, procesamiento de lenguaje natural, métodos de conjunto, agrupación, etc.) con el experto adecuado. asesores (profesionales que conocen la realidad del proceso y los problemas reales a resolver). Con este equipo multidisciplinario se catalizan buenos resultados. Probablemente obtendrá soluciones más precisas, con una mayor probabilidad de poder implementarlas en el mundo real.

Ir más allá

A pesar de los grandes desafíos y las advertencias que existen, el aprendizaje automático se muestra cada vez más como una herramienta poderosa. ML, y las decenas de otras herramientas destinadas a modernizar y evolucionar el mundo industrial, son una tendencia y un proceso evolutivo natural (y necesario). Sin embargo, especialmente en procesos críticos en campos industriales, médicos y otros, se debe tener cuidado. Así que no te saltes pasos:mantén tu proyecto lo más simple posible, cuida bien tus datos y no te olvides de los expertos.

Como podemos ver, un proyecto de aprendizaje automático no es una carrera corta, sino un viaje largo . Como todo viaje, este se hace a partir de pasos individuales, y el último paso tiene la misma importancia que el primero.