La inteligencia artificial (IA) y el aprendizaje automático (AA) son tecnologías que ofrecen enormes beneficios potenciales a una gran variedad de sistemas embebidos. En muchas empresas puede ser complicado obtener la inversión necesaria para disponer de conocimientos avanzados en estas áreas de rápido desarrollo. Sin embargo, algunos de los principales fabricantes mundiales están desarrollando soluciones que permiten a los desarrolladores de sistemas embebidos adoptar estas innovadoras tecnologías de manera mucho más sencilla y rápida que nunca.
Grandes ventajas para la fabricación
La IA tiene el potencial de añadir valor en muchos sectores, pero entre las áreas que previsiblemente se verán más beneficiadas se encuentran la gestión de la cadena de suministro y la fabricación avanzada. Un informe de McKinsey [1] estimaba que la IA podría aportar entre 1,2 y 2 billones de dólares de un valor que puede ser aprovechado por las empresas y sus clientes. En el ámbito de la fabricación, al mayor potencial de la IA reside en el mantenimiento predictivo gracias a la utilización de datos procedentes de sensores con el fin de identificar anomalías y anticipar cuándo necesitarán atención un motor o una planta de proceso y evitar así una avería.
Las investigaciones realizadas por otros analistas también aportan buenas noticias. Un informe de Accenture [2] indicó que la fabricación está llamada a ser una de las ganadoras en la revolución de la IA. Gracias al constante aprendizaje sobre los procesos en los sistemas dotados de IA, los ingenieros de mantenimiento se pueden olvidar de máquinas averiadas y de equipos fuera de servicio, mientras que el desarrollo rápido de prototipos y las asignaciones de recursos reducirán el plazo de comercialización y los costes. Todas estas mejoras permiten pronosticar un aumento de la rentabilidad del 39%.
Otro informe de Accenture [3] averiguó que el 71% de los ejecutivos en el sector del equipamiento industrial cree que la IA tendrá efectos significativos sobre sus empresas y el 78% afirma que estos efectos serán importantes para todo el sector en su conjunto. No obstante, el mismo informe señala que el sector del equipamiento industrial carece de madurez por lo que respecta a la implantación de la IA.
Un buen ejemplo de lo que esto puede significar en la práctica es la industria de semiconductores. A través de elevadas inversiones de capital, las compañías de semiconductores han intentado acortar la vida útil de los productos y centrarse más en la innovación con el fin de seguir siendo competitivas. Dado que cada nueva generación de chips reduce el tamaño de sus estructuras, los costes de desarrollo y fabricación se han disparado. Para estas compañías, la IA y el AA cuentan con el potencial de transformar la base de costes de la industria incrementando la productividad en todas las etapas, desde la investigación hasta el diseño y la fabricación del chip. Los sistemas basados en AA también se pueden entrenar para detectar y clasificar defectos en la oblea de forma automática, mejorando así los rendimientos.
Baja adopción de la IA
Las aplicaciones industriales y de Internet de las Cosas (Internet of Things, IoT) se basan a menudo actualmente en ordenadores monoplaca (Single Board Computers, SBC): alrededor del 50% de los ingenieros encuestados por Farnell [5] utilizan estas tarjetas de desarrollo en sus diseños. Pese a que la IA de alto rendimiento se encuentra entre los requisitos más comunes de mejora con SBC, solo el 20% de los ingenieros en todo el mundo están aprovechando la IA y el AA en sus aplicaciones con SBC.
Las razones que explican esta baja adopción no están claras, pero el estudio de Farnell reveló que una de las mayores preocupaciones para los ingenieros es la reducción del plazo de comercialización de sus diseños. Pese a la facilidad de uso asociada a los SBC, los desarrolladores pueden percibir la IA y el AA como una barrera y la implementación de técnicas para la utilización de estas tecnologías afectaría en exceso a los presupuestos y los plazos de los proyectos.
IA en la práctica
Al implantar la IA, en mantenimiento predictivo constituye una de las principales aplicaciones en la industria. El distribuidor de electrónica Avnet ayuda a fabricantes y desarrolladores a obtener soluciones para IoT destinadas a varias industrias. Por ejemplo, Avnet trabajó con un gran fabricante de vehículos eléctricos para identificar anomalías en el funcionamiento de sus robots de fabricación. Las técnicas de AA y el análisis estadístico de fallos permitieron al cliente detectar anomalías en tiempo real y tomar medidas para prevenir fallos.
La monitorización de activos también ofrece una gran oportunidad. Un fabricante estadounidense de equipamiento para movimiento de tierras y construcción, que suministraba máquinas y equipos en alquiler durante días o meses, recurrió a la monitorización inteligente de activos para adoptar un modelo de producto como servicio. Esto permitió a la compañía alquilar equipos en función de su uso en lugar de que los clientes pagaran durante días o meses enteros.
El procesamiento de imágenes y el reconocimiento facial son ejemplos clásicos del uso de IA y AA, y en el ámbito de la fabricación se puede emplear para permitir el acceso a los empleados, realizar un seguimiento de la presencia, y evitar fraudes y robos. Encontramos otro ejemplo en el Centro Tecnológico de Sony en el Reino Unido, que ha adoptado el procesamiento de imágenes dentro de un proyecto que usa la tecnología IA para monitorizar la variación y la calidad de los productos en la planta. Se instalaron más de 150 SBC Raspberry Pi y cámaras de alta calidad Raspberry Pi para revisar procesos como el montaje de componentes en las placas con el fin de garantizar su uniformidad.
No es tan difícil
Aunque IA y AA son términos que pueden parecer imponentes, los principales fabricantes de plataformas los están poniendo en práctica y facilitan que ingenieros y desarrolladores de sistemas embebidos aprovechen las ventajas de esta tecnología. Los SBC son cada vez más potentes y permiten ejecutar algoritmos de IA en la placa, como clasificación de imágenes, detección de objetos y reconocimiento de gestos, mediante herramientas como TensorFlow Lite [6].
TensorFlow Lite está optimizada para aprendizaje automático en el dispositivo, por lo que ayuda a los desarrolladores a ejecutar modelos en dispositivos móviles, embebidos e IoT. Esta herramienta soluciona algunas de las principales limitaciones de los SBC: elimina la latencia al no enviar datos a un servidor; garantiza la privacidad ya que no salen datos personales del dispositivo; no requiere una conexión a internet; ofrece un tamaño del modelo reducido y minimiza el consumo de energía.
TensorFlow Lite ofrece varios modelos previamente entrenados que podrían ser adecuados en aplicaciones industriales o de fabricación. Estas “recetas” facilitan mucho la instalación de soluciones IA para desempeñar funciones como modelos de clasificación de imágenes que pueden identificar cientos de objetos, incluidas personas y actividades, así como el lenguaje natural como respuesta a preguntas y reconocimiento de gestos. Hay otras muchas bibliotecas que permiten incorporar el desarrollo de soluciones de procesamiento de IA, pero si bien esto disminuye el nivel de conocimientos necesarios, sigue requiriendo especialistas en IA con experiencia.
El acceso a servicios basados en la nube mediante dispositivos conectados ofrece la posibilidad de analizar los datos sin que haga falta una enorme potencia de cálculo en la propia placa. Los servicios basados en la nube pueden facilitar la implantación de la IA y existe un número mucho mayor de desarrolladores que son usuarios experimentados de estas plataformas.
Microsoft es un líder en este campo y ha lanzado su plataforma Azure Sphere para IoT, que también ofrece un kernel del SO Linux para los microcontroladores embebidos que se utilizan en puntos finales IoT. Entre sus aplicaciones prácticas se encuentran un proyecto piloto de Starbucks con microcontroladores embebidos con Azure Sphere para recoger datos de telemetría de las cafeteras instaladas en sus locales. La compañía espera que los datos capturados ayuden a prevenir problemas potenciales antes de que las cafeteras y otras máquinas del local necesiten ser reparadas. Los microcontroladores Azure son económicos y ofrecen numerosas opciones de conectividad, como celular y Ethernet, y cuentan con el soporte de un conjunto de tarjetas de desarrollo y kits básicos.
Otra importante plataforma en la nube es Amazon Web Services (AWS). Esta plataforma utiliza la informática de borde (edge computing) y herramientas de análisis avanzado para mejorar la productividad en fábricas inteligentes mediante la captura y el análisis de datos de la planta. Incluye el acceso a IA y AA basados en la nube con el fin de ofrecer análisis predictivo en tiempo real.
Otra opción consiste en utilizar servicios basados en la nube junto con entornos de código abierto como Caffe y TensorFlow. Caffe es un entorno bien conocido desarrollado por un doctorando de Berkeley llamado Yangqing Jia, mientras que la plataforma TensorFlow fue desarrollada por el Brain Team de Google y ofrece una extensa gama de herramientas, bibliotecas y recursos para la comunidad.
Las soluciones en la nube también proporcionan una alternativa fácil de usar. ARM permite la integración con Watson a través de su plataforma Mbed para desarrollo de dispositivos IoT [7]. IBM también ha desarrollado interfaces directas a su plataforma Watson para IA con tarjetas de desarrollo como Raspberry Pi que facilitan la obtención de aplicaciones AA en prototipos antes de comprometerse con la arquitectura final.
SBC para IA
Farnell cuenta en su stock con SBC destinados a aplicaciones IA embebidas. Entre estas se halla el SBC más popular: Raspberry Pi 4. La versión del modelo B dispone de hasta 8 GB de DDR4RAM. Arduino Portenta es un SBC muy potente cuyos dos núcleos asimétricos pueden ejecutar código de alto nivel simultáneamente, como pilas de protocolo, AA o incluso lenguajes interpretados como MicroPython o Javascript. Al combinar estas potentes placas fáciles de usar con plataformas en la nube fáciles de usar, no hay razón por la que los desarrolladores de dispositivos IoT no puedan utilizar IA y AA en sus proyectos. Para los clientes de fabricación, las ventajas están claras y se convertirán en una necesidad para mejorar la calidad del producto, la productividad de la fábrica y mucho más.
El futuro de la IA embebida
El mayor rendimiento de los sistemas hace inevitable un mayor grado de adopción de IA y AA en aplicaciones embebidas. Aunque la tecnología es compleja, ya existen soluciones que reducen enormemente el esfuerzo necesario para integrar e instalar IA y AA. Ante la escasa justificación para retrasar su adopción y la probabilidad de que los productos de los competidores ofrezcan las ventajas añadidas de estas tecnologías, hay una razón convincente para instalar tecnologías IA y AA en los actuales sistemas embebidos.
Cliff Ortmeyer, Global Head of Technical Marketing de Farnell
Referencias:
[2] https://www.accenture.com/fr-fr/_acnmedia/36dc7f76eab444cab6a7f44017cc3997.pdf
[3] https://www.accenture.com/_acnmedia/PDF-74/Accenture-Pov-Manufacturing-Digital-Final.pdf
[4] https://www.accenture.com/us-en/insights/artificial-intelligence-summary-index
[6] https://www.tensorflow.org/lite/tutorials
Suscripción papel: 180,00.- € (IVA inc.)
Suscripción PDF: 60,00.- € (IVA inc)
Suscríbete a nuestro boletín de noticias