Evitando los errores comunes en proyectos industriales de Machine Learning: 3 claves esenciales

El uso de técnicas de inteligencia artificial, y más específicamente de machine learning (aprendizaje automático), se percibe cada vez más como una herramienta revolucionaria. Pero, ¿qué es exactamente el machine learning?

Una definición interesante la propone François Chollet. En su libro Deep Learning with Python, define el machine learning (ML) como un nuevo paradigma computacional. En la computación convencional, proporcionamos al ordenador las reglas y los datos, y esperamos obtener resultados correctos. Con el machine learning, este orden se invierte: proporcionamos los datos y los resultados al ordenador, y esperamos que nos devuelva las reglas como respuesta.

Este nuevo paradigma cambia significativamente nuestra forma de resolver problemas cotidianos y abre un amplio abanico de oportunidades en todos los campos del conocimiento. En los últimos años, el machine learning se ha utilizado extensamente, incluido el sector industrial. A pesar de este amplio alcance y de contar con muchos profesionales excelentes en este campo, se han observado algunos errores comunes (que deben evitarse) en el desarrollo de proyectos industriales. Aunque existen muchos más, este artículo analiza tres de estos posibles fallos.

1. Olvidar los fundamentos

Conceptos como Industria 4.0, digitalización, inteligencia artificial, machine learning e IIoT son las tendencias principales en el mundo industrial actual. Los proyectos con este enfoque suelen recibir una atención especial en el portafolio de un profesional, y algunos tienden a elegir este tipo de soluciones durante el diseño del proyecto para aumentar las probabilidades de que sea aprobado. Pero la pregunta clave es: ¿es esta herramienta (machine learning u otra) la adecuada para resolver tu problema? Debes hacerte algunas preguntas antes de optar por cualquiera de estas herramientas "modernas". Aquí tienes algunas, aunque hay muchas más:

• ¿He probado un algoritmo más simple para resolver este problema (como lógica PLC)?
• ¿Un control regulatorio bien afinado conduce a resultados de control similares o mejores?
• ¿Contamos con un equipo adecuado y bien formado para mantener funcionando estas nuevas aplicaciones?
• ¿Un conjunto diferente de herramientas de calidad (como diagramas de Pareto o de causa-efecto) aportaría suficientes datos para obtener buenos insights?

No estoy diciendo que herramientas como el machine learning no puedan ofrecer excelentes resultados, ni que sean demasiado complejas. Es importante recordar, sin embargo, que las soluciones simples frecuentemente ofrecen buenos resultados y normalmente deberían ser el primer paso en el camino hacia la Industria 4.0.

2. No prestar atención a la calidad de los datos

Las herramientas de machine learning para el procesamiento de datos están ahora muy extendidas. Grandes empresas como Google y muchos grupos de código abierto han desarrollado excelentes bibliotecas de ML. Estas bibliotecas están disponibles en internet, algunas a bajo coste o sin coste. Sin embargo, si observamos el panorama general, cualquier proyecto de machine learning implica cuatro fases principales:

• Comprensión y preparación de los datos
• Procesamiento de estos datos
• Análisis de los resultados
• Actuación inteligente basada en el análisis de datos

Dicho esto, cuando examinamos todo el proceso de desarrollo de proyectos de machine learning, no es raro que algunos profesionales vayan directamente a las fases intermedias (procesamiento de datos y análisis de resultados) sin prestar suficiente atención a la recopilación y preparación de los datos.

La base de cualquier proyecto de machine learning 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 al desarrollar un buen proyecto de ML es obtener y utilizar buenos datos. Especialmente en la industria, conseguir estos datos puede ser una tarea desafiante. A continuación, una lista no exhaustiva de posibles retos:

• Falta de instrumentación (datos ausentes)
• Datos poco precisos debido a instalación, mantenimiento o configuración inadecuados de la instrumentación
• Etiquetas de datos incorrectas por conceptos erróneos en el análisis —tareas de aprendizaje supervisado

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

¡Así que tómate tu tiempo en esta tarea tan importante!

3. Ignorar el conocimiento de los expertos

Este puede ser un argumento controvertido. Algunos profesionales pueden decir que si se quiere una opinión experta, se debería optar por un sistema experto usando lógica difusa, por ejemplo. Desde un punto de vista opuesto, cuando investigamos la gran cantidad de conocimiento que poseen nuestras empresas, simplemente ignorarlo no parece la mejor forma de evolucionar nuestros procesos.

Cuando implementamos proyectos de ML, la mejor forma es contar con un equipo multidisciplinar que combine a los desarrolladores de ML (personas con conocimientos sobre técnicas de ML —deep learning, procesamiento de lenguaje natural, métodos de ensemble, clustering, etc.) con los asesores expertos adecuados (profesionales que conocen la realidad del proceso y los problemas reales a resolver). Con este equipo multidisciplinar, los buenos resultados se catalizan. Probablemente obtendrás soluciones más precisas, con mayor probabilidad de poder implementarlas en el mundo real.

Avanzando más allá

A pesar de los grandes desafíos y las advertencias que existen, el machine learning se muestra cada vez más como una herramienta poderosa. El ML, y las docenas 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 la industria, la medicina y otros campos— hay que tener cuidado. Así que no saltes pasos: mantén tu proyecto lo más simple posible, cuida bien tus datos y no olvides a los expertos.

Como vemos, un proyecto de machine learning no es una carrera corta, sino un largo viaje. Como cualquier viaje, este se compone de pasos individuales, y el último paso tiene la misma importancia que el primero.