Por Carlos Camilión, VP y Líder de Tecnología de IBM México
El desafío consiste en construir un modelo de IA lo suficientemente robusto como para lograr estas mismas capacidades a escala, en un entorno empresarial. Para entrenar un modelo para que decida si conviene más enviar un determinado paquete desde Ciudad de México o Guadalajara por ejemplo, es necesario proveerle con un gran volumen de datos sobre los tiempos de viaje y la carga, el clima, la disponibilidad de transporte y la «última milla» crítica para el cliente. Recopilar todos estos datos es bastante fácil a través de RFID e incluso los teléfonos móviles pueden hacerlo, pero ¿cómo separar la señal del ruido? A medida que la implementación de IoT se vuelve más robusta e incorpora datos visuales o de imagen, se genera un volumen tal que podría llegar a colapsar la red cuando se intenta captar la totalidad de los datos. La solución radica en poder integrar la IA lo suficientemente temprano en ese proceso para que los modelos puedan determinar en forma autónoma qué es señal y qué es ruido.
En otras palabras, implementar la automatización a gran escala para aplicarla en contextos más complejos que generalmente implican intervención humana es más un problema de computación que un problema de IA. Cuando la IA se aplica en la periferia, donde se recopilan los datos, el número de lugares diferentes donde es necesario administrar la infraestructura crece considerablemente. Algunos modelos se ejecutarán en dispositivos y beacons, que pueden estar en teléfonos móviles o en una nube pública. Algunos datos se marcarán como potencialmente notables y se enviarán a un hub central o se analizarán en un entorno on premise. La nube híbrida ofrece una forma común de gestionar todo en estos entornos diversos, y eso significa que es posible automatizar mucho más.
En un contexto como la gestión de activos, la capacidad de reunir este tipo de datos y de analizarlos de una manera que tenga sentido para un usuario, se vuelve particularmente poderosa. Para mantener infraestructura crítica, desde centrales de energía, represas eléctricas hasta reactores nucleares, hay que realizar el seguimiento de infinidad de entradas de datos, desde la condición de las líneas de energía, las conexiones y la refrigeración, hasta la inspección más reciente de cada ascensor.
Para integrar la automatización a este contexto, se requiere la gama completa de tecnologías que componen la Industria 4.0, desde dispositivos edge habilitados para IA que pueden recopilar información y analizar en el lugar, hasta analítica avanzada capaz de comprender el panorama general. Cuando podemos reunir toda esta información donde y cuando sea que la necesitemos, y ejecutar cualquier software o modelo que queramos, la tarea hercúlea de inspeccionar, mantener y mejorar estos activos se vuelve mucho más manejable. Podemos usar la IA para evaluar la salud y la seguridad de un activo, incluso podemos automatizar el proceso de toma de decisiones para determinar si es necesario arreglar algo.
La capacidad de predecir cómo le irá a un activo en diferentes escenarios y, en efecto, de predecir cuándo debe inspeccionarse o repararse, tiene importantes implicancias, como poder mitigar la creciente crisis de mantenimiento diferido, o poder reducir drásticamente las huellas de carbono y los desechos. Este potencial permaneció inexplotado durante mucho tiempo porque se señaló que los modelos eran débiles o que la inteligencia artificial aún era inmadura, cuando en realidad la responsabilidad puede atribuirse a problemas mucho más fáciles de resolver, como los cuellos de botella que se generan y que hacen que los datos se liberen a cuentagotas. La IA madura está aquí. Las organizaciones deben invertir en infraestructura que realmente permita desbloquear su poder.
