Foto: Gentileza
La empresa de estudios de mercado IoT Analytics lanzó el Informe del mercado de IA industrial 2020-2025 que analiza el uso de Inteligencia Artificial en las industrias. Te compartimos el top 10 de los mejores casos.
La compañía, especializada en Internet de las cosas (IoT) e Industria 4.0 identificó un total de 33 casos en los que emplean herramientas y técnicas de Inteligencia Artificial sobre fuentes de datos de IoT y activos de empresas industriales. Estos 33 casos fueron agrupados en 10 categorías más amplias, las cuales representan la mayor parte del mercado de IA Industrial, estimado en casi USD15B en 2019.
Los 10 principales clasificados por tamaño son:
1) Mantenimiento predictivo. El caso de uso más grande para la IA industrial es el "Mantenimiento predictivo" (se estima que representará más del 24% del mercado total en 2018). El mantenimiento predictivo utiliza análisis avanzados (por ejemplo, aprendizaje automático) para determinar la condición de un solo activo o un conjunto completo de activos (por ejemplo, una fábrica).
El objetivo es predecir cuándo se debe realizar el mantenimiento. El mantenimiento predictivo generalmente combina varias lecturas de sensores, a veces fuentes de datos externos, y realiza análisis predictivos en miles de eventos registrados. La predicción de la vida útil restante de un activo utilizando ML supervisado es la técnica más común en el mantenimiento predictivo.
Uno de los mayores desafíos con el mantenimiento predictivo es la eliminación de los desequilibrios de datos, ya que a menudo no hay suficientes datos de fallas para todos los activos. Los datos se denominan desequilibrados, cuando los eventos de falla representan menos de una parte específica requerida del conjunto de datos. Para hacer predicciones precisas sobre los datos, primero deben eliminarse tales desequilibrios. Existen 2 métodos principales para lograr datos equilibrados: muestreo de datos y algoritmos de aprendizaje sensibles al costo, según detalla el informe.
2) Inspección de calidad y garantía. La inspección de calidad y el aseguramiento de la calidad es la segunda categoría de casos de uso de IA industrial más grande con 20.5%. Si bien hay varias formas de hacer una inspección de calidad basada en IA, la inspección óptica automatizada es, con mucho, la subcategoría más grande.
La inspección óptica automatizada es una técnica en la que una cámara escanea de forma autónoma el dispositivo sometido a prueba en busca de fallas catastróficas (p. Ej., Componentes faltantes) y / o defectos de calidad (p. Ej., Tamaño o forma del filete o inclinación del componente). La visión por computadora es la base de la inspección óptica. Una vez que se reconocen las imágenes, el ML semi-supervisado es la técnica más efectiva para clasificar las imágenes en clases de falla. El principal beneficio de este caso de uso es la reducción de costos, y los principales beneficiarios potenciales son las grandes instalaciones de fabricación, donde una pequeña reducción en la chatarra o el tiempo de prueba puede generar grandes ahorros.
3) Optimización del proceso de fabricación. Una implementación de esta optimización es a través de máquinas autónomas o robots. La idea detrás de esos activos autónomos es que replican tareas humanas monótonas en el proceso de fabricación, ahorrando así costos. Antes de ser puestos en producción, las máquinas / robots autónomos realizan la misma tarea una y otra vez, aprendiendo cada vez hasta que alcanzan una precisión suficiente.
La técnica de aprendizaje de refuerzo se usa a menudo para entrenar robots y maquinaria autónoma. Bajo esta técnica, un robot puede enseñarse relativamente rápido a sí mismo a realizar una tarea bajo la supervisión de un humano. Los "cerebros" de tal robot / máquina son generalmente redes neuronales.
4) Optimización de la cadena de suministro. El 8% de todas las implementaciones de IA industrial son mejoras en las cadenas de suministro industriales. El uso de herramientas de IA para mejorar la gestión de inventario es una de las aplicaciones clave.
La gestión de inventario predictivo aprovecha el análisis predictivo para una variedad de tareas relacionadas con el inventario, que incluyen reducir el tiempo de planificación del inventario, minimizar el costo del inventario, optimizar las reparaciones y encontrar puntos de pedido óptimos. Para estas tareas, las técnicas como el análisis de series temporales, el modelado probabilístico (modelos de Markov y Bayesian), así como las simulaciones.
5) Ciberseguridad y privacidad impulsadas por AI. La seguridad cibernética y la privacidad impulsadas por la IA se relacionan con aspectos como la detección de amenazas cibernéticas. Por lo general, implica observar la infraestructura de red y detectar amenazas de ataques cibernéticos en tiempo real. También a menudo incluye actividades tales como análisis de tráfico de red, detección y respuesta de puntos finales, entornos limitados de malware, etc.
6) Seguridad física automatizada. La vigilancia y la detección de amenazas físicas implican la vigilancia en tiempo real de los sitios de fabricación o de los trabajadores para detectar automáticamente amenazas de seguridad física y / o riesgos potenciales de seguridad.
7) Gestión de datos automatizada. Con los datos almacenados en múltiples sistemas y múltiples lugares, es difícil acceder y analizar los datos de manera rápida y holística. Por lo tanto, algunas empresas industriales comienzan a emplear soluciones de gestión de datos que realizan tareas como adquisición de datos, filtrado de datos, limpieza e integración de datos, etc, en tiempo real.
8)Asistentes inteligentes. El asistente de voz es uno de los ejemplos de asistentes inteligentes en entornos de fabricación. La integración de la tecnología de asistente de voz en sus sistemas de monitoreo industrial en tiempo real permite a los trabajadores obtener información sin codificar los comandos explícitos o imprimir largos informes de estado.
9) Investigación y desarrollo impulsado por AI. El diseño automatizado de componentes es el caso de uso líder en I + D impulsada por IA. El objetivo es dejar que el software desarrolle de forma independiente docenas de diseños diferentes en períodos cortos, dado un conjunto de restricciones predefinidas. El diseño óptimo se elige después. Para esta tarea, los gemelos digitales y las simulaciones a menudo complementan las técnicas de IA.
10) Exploración autónoma de recursos. Especialmente relevante en las industrias de minería, canteras, petróleo y gas, la exploración autónoma de recursos es una técnica de análisis y procesamiento del volumen masivo de imágenes (p. Ej., Imágenes de radar, satélite o drone) para detectar el punto óptimo para la extracción de recursos. La IA puede ser especialmente útil en la detección de cautiverios en áreas de difícil acceso, como el subsuelo oceánico o las montañas.