machine-learning-a-iot

Aplicación de Machine Learning a datos de IoT Deja un comentario

La idea de una máquina inteligente de aprendizaje independiente ha fascinado a los humanos durante décadas. Recuerdo cómo el concepto se hizo realidad para mí después de comprar mi primera computadora, el legendario Commodore VIC-20.

machine-learning-a-iot

Cuando le mostré la computadora a mi abuela, ella comenzó diciendo: “¿Podrías preguntarle a esa máquina …?”

Estaba claramente adelantada a su tiempo. No para minimizar la capacidad del VIC-20, pero en ese momento, habría sido prematuro discutir, por ejemplo, los neurorobóticos como parte de la vida cotidiana en el este de Finlandia, donde crecí.

Esta fue una era mucho antes de Siri de Apple, o cualquier otro asistente basado en la tecnología de reconocimiento de voz. En aquel entonces, no había Internet para conectar las computadoras. E incluso mi grabadora de cassette compacta tenía más espacio de almacenamiento.

 

La capacidad de almacenamiento y otras capacidades de las tecnologías modernas están a años luz de los días de mi juventud. Y la tecnología se ha vuelto asequible para casi todos.

La filosofía detrás del aprendizaje automático es automatizar la creación de modelos analíticos para permitir que los algoritmos aprendan continuamente con la ayuda de los datos disponibles.

Machine Learning a IoT. Del VIC-20 al aprendizaje automático

La inteligencia artificial y el aprendizaje automático no son innovaciones novedosas. Ya en 1959, Arthur Samuel definió el concepto de aprendizaje automático como la capacidad de las computadoras para aprender a funcionar de una manera que no estaban programadas específicamente para hacerlo. Por supuesto, la línea de tiempo desde la definición hasta la implementación en la vida cotidiana puede ser larga. Hoy en día, muchos factores se han unido para hacer que el aprendizaje automático sea una realidad, incluidas las grandes fuentes de datos que son excelentes para el aprendizaje, el mayor poder de cómputo para procesar la información en segundos divididos y los algoritmos que se han vuelto cada vez más confiables.

El aprendizaje automático se puede aplicar en casos en los que se conoce el resultado deseado (aprendizaje guiado), o los datos no se conocen de antemano (aprendizaje no guiado), o el aprendizaje es el resultado de la interacción entre un modelo y el entorno (aprendizaje de refuerzo).

La filosofía detrás del aprendizaje automático es automatizar la creación de modelos analíticos para permitir que los algoritmos aprendan continuamente con la ayuda de los datos disponibles.

Los modelos en continua evolución producen resultados cada vez más positivos, reduciendo la necesidad de interacción humana. Estos modelos evolucionados se pueden usar para producir automáticamente decisiones confiables y repetibles.

Los ejemplos de la aplicación diaria del aprendizaje automático incluyen recomendaciones hechas por servicios en línea (Amazon, Netflix) o calificaciones crediticias automáticas por parte de los bancos.

¿Hasta qué punto ha evolucionado el aprendizaje automático en términos concretos? Si bien no es posible decirle a su automóvil que lo lleve al trabajo, ese día llegará pronto.

machine-learning-a-iot

Los vehículos autónomos de Google apenas son noticia para nadie hoy. Al combinar las características avanzadas de los automóviles modernos (reconocimiento de voz, control de crucero adaptativo, asistente de carril, navegador y asistentes de estacionamiento), estamos cerca de un vehículo operativo completamente independiente.

Uno de los impedimentos más importantes para el aprendizaje automático es la legislación, ya que las leyes actuales necesitan ponerse al día con la tecnología que ya está disponible. Probablemente no veremos el día en que una máquina se defienda en la corte, pero debemos considerar cuánta potencia estamos dispuestos a dar a las máquinas que pueden tomar decisiones independientes.

Machine Learning a IoT. Aprendizaje automático más IoT

El aprendizaje automático ha experimentado un aumento en la popularidad entre las empresas industriales gracias a la exageración que rodea Internet of Things (IoT). Muchas compañías ya están designando IoT como un área estratégicamente significativa, mientras que otras han lanzado proyectos piloto para mapear el potencial de IoT en las operaciones comerciales.

Como resultado, casi todos los proveedores de TI anuncian de repente plataformas IoT y servicios de consultoría.

Pero lograr beneficios financieros a través de IoT no es fácil. La falta de objetivos concretos es desconcertante. El avance de la digitalización e IoT coloca nuevos requisitos previos tanto para compradores como para vendedores. Muchas empresas no han podido determinar claramente qué áreas cambiarán con la implementación de una estrategia de IoT.

En otras palabras, claramente definidos, faltan objetivos intermedios concretos. Por ejemplo, las empresas industriales producen una cantidad masiva de datos a diario. Sin embargo, en general, las empresas no logran recopilar, almacenar, analizar y utilizar sistemáticamente dichos datos para mejorar la eficiencia del proceso o cumplir otros objetivos.

Además, no muchos proveedores pueden establecer, en términos concretos, al cliente cómo crear de manera prudente un impacto positivo en las operaciones comerciales con soluciones IoT. Simplemente la promesa de una plataforma IoT basada en la nube no es suficiente.

Según Gartner, Finlandia se dirige hacia una trampa donde la discusión sobre IoT gira en torno a la terminología técnica en lugar de los objetivos comerciales. Los clientes deben adoptar ideas innovadoras y tener el coraje de aceptar el cambio. Por el contrario, los proveedores deben mejorar sus habilidades para describir, en términos más concretos, lo que las empresas pueden realizar mediante el uso de IoT, y estar dispuestos a ayudar a identificar oportunidades de negocio y desarrollar planes realistas.

Si un proveedor ofrece una solución basada en un único método analítico para básicamente todos los problemas, deben sonar las alarmas.

Machine Learning a IoT. Encontrar respuestas en los datos de IoT

Hace un tiempo, se le pidió a mi colega que ayudara a una empresa del sector energético. Las nuevas instalaciones de la compañía estaban experimentando graves dificultades de producción como resultado de una falla crítica de la turbina.

Un tercero había sido contratado para resolver el asunto. Después de alrededor de seis meses de trabajo, un equipo de cuatro consultores que usaban solo análisis de ruta había avanzado poco.

La instalación había producido una gran cantidad de datos de máquinas, mantenimiento y procesos, así como información meteorológica con sello de tiempo. A pesar de todos estos datos disponibles, nadie pudo refinarlos en información útil.

Para superar ese punto muerto, ayudamos a la organización a agregar un componente analítico. Una vez que todos los datos se refinaron mediante análisis, se descubrió que los problemas subyacentes estaban relacionados principalmente con la optimización de la alimentación de oxígeno durante el proceso de producción. La instalación no ha tenido problemas importantes desde entonces.

Este es un excelente ejemplo de cómo se puede utilizar el aprendizaje automático para lograr niveles aún más altos de eficiencia. Con los algoritmos correctos, se puede enseñar gradualmente al sistema a reconocer cualquier factor relacionado con la producción interna y externa, optimizar el uso de consumibles y mejorar la eficiencia de todo el proceso de producción.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

CARRITO DE COMPRAS

close