Estudié matemáticas. Lo que realmente me fascina es cómo los números reflejan el mundo, como cómo los productos físicos o las máquinas se pueden representar en un espacio de datos a través de números.
Es bastante asombroso. Los números representan lo que se registró con micrófonos, cámaras y controladores en el mundo real. Si sabe cómo leer los números, puede obtener información detallada sobre cualquiera de los diferentes componentes en la fábrica, desde una unidad individual hasta todo el sistema.
Esos datos sirven como base para las aplicaciones de inteligencia artificial, que es en lo que me enfoco en mi trabajo. Un subconjunto de la IA es el aprendizaje automático, o ML, donde los sistemas tienen la capacidad de aprender automáticamente de la experiencia (que son datos) sin ser programados explícitamente.
Por supuesto, la gente todavía juega un papel, como idear el diseño inicial y decirle al sistema de ML lo que debe hacer. (Esta es la razón por la que un tipo de ML también se conoce como ML supervisado). En Siemens, también integramos nuestra profunda experiencia en entornos industriales, que es algo que nos distingue de la competencia.
Grandes ahorros con IA y ML
Nuestro objetivo es ser el socio confiable y el proveedor integral de IA y ML de grado industrial. La prueba de que lo estamos logrando se puede encontrar en las fábricas del mundo real, donde nuestras soluciones de aprendizaje automático están marcando una gran diferencia. Un ejemplo es una de las propias plantas de fabricación de productos electrónicos de Siemens. Un sistema de IA predice la probabilidad de pseudo-errores para las pruebas en circuito. Con esta información, sabemos si tenemos que volver a realizar pruebas costosas o si las placas de circuito impreso están listas para enviarse.
Esto ha reducido los esfuerzos asociados con pseudo errores (como inspección manual y reelaboración) hasta en un 50 por ciento, lo que equivale a un ahorro de euros de seis dígitos cada año.
¿Demasiado buena para ser verdad?
Además de que el aprendizaje automático funciona, hay una desventaja: cuando se entrena modelos de aprendizaje automático, generalmente confiamos en extractos históricos estáticos de datos generalmente dinámicos. Sin embargo, una vez que se implementan los modelos, los datos pueden cambiar rápidamente e incluso de manera desconocida y no detectada. Por lo tanto, con el tiempo, el rendimiento y la confiabilidad de los modelos ML pueden disminuir. Eso significa que los datos ya no reflejan el mundo tal como es. No es bueno si depende del AA para procesos sensibles, como las pruebas de calidad al final de la línea.
En Siemens desarrollamos y proporcionamos software, servicios y productos para mantener el ML siempre confiable. Un ejemplo son los sistemas escalables que evalúan indirectamente la validez del modelo independientemente de la arquitectura del modelo específico, el entorno de implementación o el espacio de características. Puede obtener más información sobre nuestro trabajo en este documento técnico sobre operaciones confiables de ML en entornos industriales.
Se trata de mantener la confiabilidad de la IA y el aprendizaje automático. Con un sistema como el nuestro, puede confiar en lo que dicen los modelos; puede estar seguro de que son un reflejo exacto de lo que está sucediendo. Servicios como estos son una forma en que Siemens genera confianza en la IA. Y para mí, no hay nada más satisfactorio que saber que los números y los datos del mundo virtual son un fiel reflejo de lo que sucede en el mundo físico.
Obtenga más información en: https://www.siemens.com/digital-enterprise-services