El CEO de Presenso, Eitan Vesley, explica cómo los grandes datos y la inteligencia artificial dan nueva vida a los sistemas mecánicos al detectar las averías antes de que ocurran y optimizar la eficiencia mecánica.
Eitan Vesley, CEO de Presenso, explica cómo los grandes datos y la inteligencia artificial dan nueva vida a los sistemas mecánicos al detectar las averías antes de que ocurran y optimizar la eficiencia mecánica.
Ha habido mucho bombo, mucha discusión y mucha consternación sobre el papel de la inteligencia artificial y el aprendizaje automático, y ¿los robots nos están quitando nuestros trabajos?
Para ConsejoTecnologico.com y ZDNet, soy Dan Patterson, y es un placer hablar con Eitan Vesely. Es el CEO de Presenso, una empresa de aprendizaje y análisis de máquinas con sede en Haifa, Israel. Se centran en un reto realmente único. Ese reto es arreglar la maquinaria, o ayudar a optimizar la maquinaria, las máquinas físicas reales, utilizando el aprendizaje de la máquina y la inteligencia artificial. Eitan, muchas gracias por su tiempo hoy. Me pregunto si podría contarme primero un poco sobre cómo salvar esa brecha entre las máquinas de software y las máquinas de hardware.
Vesely: Claro. Tal vez empiece con unos cuantos antecedentes, o palabras introductorias sobre mí. Soy ingeniero mecánico por educación, así que la mayor parte de mi experiencia como ingeniero fue en automatización industrial, monitoreo y control de procesos, apoyo a máquinas en líneas de producción. Y como parte de mi papel solía apoyar a los clientes con máquinas que fallaban donde su línea de producción se detenía. Máquinas específicas se estrellarían y como ingeniero de soporte, lo que yo haría primero es tratar de entender lo que pasó. ¿Cuál es la causa principal del problema y en hacer eso analizando y mirando a través de toneladas de datos.
Cuando digo analizar, por supuesto, lo hago yo mismo, manualmente. A veces usando Excel. A veces utilizando otros tipos de software, pero luego la idea se produjo junto con mis co-fundadores, ¿por qué no hacerlo automáticamente los mismos datos que el análisis mucho más avanzado, pero la principal diferencia es hacerlo antes de que la máquina falla en lugar de después de que falla y se detiene la producción. Así que, al emplear o habilitar, traer capacidades de aprendizaje de máquinas o de IA al mercado industrial hoy en día, esto es construir el puente que yo diría que existe entre el aprendizaje de máquinas y las máquinas reales en el campo.
Patterson: ¿De qué tipo de maquinaria estamos hablando? Por supuesto, hay un amplio espectro, desde el sector automotriz hasta el industrial. ¿Qué tipo de máquinas y cómo optimiza su tecnología el rendimiento de las mismas?
Vesely: Hay unas pocas categorías distinguibles o unas pocas que podemos ver. Nos centramos principalmente en la industria de procesos pesados en la que las máquinas son grandes. No tienen una máquina de repuesto en el almacén que puedan traer y operar en lugar de la que ha fallado y hay muchos datos. Cientos y miles de sensores en un proceso de este tipo y este es nuestro primer mercado en el que nos estamos centrando en lugar de, como usted ha mencionado, en la fabricación discreta, que es un segmento de mercado un poco diferente, aunque todo está bajo paraguas industrial.
Patterson: ¿Cómo se modernizan los sensores analógicos con sensores digitales?
Vesely: Esta es una buena pregunta. No estamos retroadaptando nada. Somos una solución de software y no una solución hueca. Tienes razón. Quiero decir que hay soluciones que desarrollan nuevos sensores, ya sean nuevos sensores de vibración o nuevos sensores acústicos, y luego realmente tienen que ir y reequipar nuevos tipos de sensores. Mirando al otro lado, esta es la primera categoría de soluciones. Por nuestra parte, estamos hablando de las soluciones de base de software. Somos expertos en análisis de datos, no en la mecánica o física de las máquinas.
Mirando dentro de las soluciones de software, hay varios tipos de soluciones y algunas de ellas se basan en un bajo nivel de comprensión de la propia máquina. Normalmente se trata de un enfoque digital doble. Para poder monitorear la máquina, realmente tienes que saber cómo está construida y cuál es la física que está sucediendo allí. En el otro lado del espectro, aquí es donde estamos, es un enfoque más bien diagnóstico que dice: «Realmente no me importa lo que su máquina está haciendo. ¿Qué mide el sensor? Sólo necesito los datos. Necesito datos históricos para entrenar y luego podemos predecir cómo se supone que debe comportarse».
Patterson: Por lo tanto, todo esto tiene sentido, pero antes de seguir adelante, no quiero seguir con este punto, pero ¿cómo se recopila la información? Sé que no es su negocio principal, pero ¿cómo obtiene información fiable del procesamiento analógico y de los mecanismos de retroalimentación analógica?
Vesely: Sí, así que tomemos un ejemplo. Hay una central eléctrica en Europa con la que estamos trabajando, que está siendo monitoreada hoy. La mayoría de los datos en estas industrias de proceso, la mayoría de los sensores ya están conectados y la información fluye a una base de datos centralizada conocida como un historiador de procesos. Aunque hay bases de datos que almacenan datos históricos de tres, cinco, diez años, que están ahí, nadie está haciendo nada con ellos, excepto el análisis post mortem. Simplemente estamos interactuando con esa base de datos de historiadores y reuniendo miles y decenas de miles de sensores y transmitiéndolos a nuestra nube. Eso es todo.
Patterson: Por lo tanto, esto tiene mucho sentido y creo que hay muchos datos históricos que, como usted ha mencionado, no han sido utilizados, y cuando se agrega a los sistemas de aprendizaje de la máquina, se pueden hacer algunas cosas interesantes con él. ¿Cómo entrenar sus redes para que se sintonicen adecuadamente con un sistema en particular frente a los sistemas de un cliente diferente? ¿Utilizan redes de confrontación general? ¿Está utilizando los datos que ha encontrado? Los datos históricos. ¿Cómo entrenan a los sistemas para realizar tareas muy específicas y no sólo tareas generales?
Vesely: Por supuesto, esta es una pregunta excelente y uno de nuestros principales esfuerzos y desafíos fue desarrollar un sistema escalable y generalizado en la medida de lo posible, permaneciendo agnósticos al activo específico en sí. Creemos que no hay un algoritmo fuerte que pueda encajar en todos los casos en todos los sensores y con esa creencia, salimos y desarrollamos lo que hoy en día se conoce como un motor analítico de base de meta-aprendizaje. Lo que el meta-aprendizaje realmente significa que hay unas cuantas docenas de algoritmos muy diferentes usados para el análisis de datos. Un algoritmo podría ser muy bueno en un lugar y ser muy, menos bueno, diría yo, menos adecuado en otros lugares.
Y además de estas docenas de algoritmos, que por cierto, podrían ser pura máquina de aprendizaje. Podrían ser un aprendizaje profundo. Podrían ser vistos como un proceso. Además de eso, lo que llamamos caja de herramientas de algoritmos, hemos desarrollado el algoritmo principal. El algoritmo madre, que es responsable de la selección del algoritmo de análisis más eficaz. A la calibración de la misma y a la validación continua de la misma, por lo que todo ese proceso de selección de las herramientas, el algoritmo con el que se quiere trabajar, haciendo que coincidan con un sensor específico, está totalmente automatizado.
A modo de ejemplo, si se toma un[dispositivo] que tenía 500 sensores, se conocen todas las temperaturas, vibraciones, voltajes, corrientes, presiones, hay una gran probabilidad de que todos y cada uno de ellos sean analizados de una manera totalmente diferente, lo cual está hecho a la medida por el sistema específicamente para ese sensor y que ha demostrado su eficacia. Cuando se llevan a cabo varios procesos de evaluación de nuestros clientes, hemos superado a la competencia. También un punto de referencia interno que hemos llevado a cabo y también con el punto de referencia del mercado donde los clientes se desempeñaron.
Patterson: ¿Qué tan ampliamente utilizados son estos sistemas o qué tan ampliamente serán utilizados en los próximos 18 a 36 meses?
Vesely: Puedo decirles que de mi experiencia en los últimos dos o tres años en ese mercado, el nivel o la tasa de adaptación o adopción, está aumentando y ahora estamos en un punto en el que si antes la industria era como algo de lo que hablar, ahora vemos cómo lo está haciendo el mercado. Hemos solicitado una consulta, una solicitud de información y de cotizaciones de personas que están buscando activamente esto y espero que aumente en los próximos 18, 36 meses. Definitivamente aumentará.
Patterson: ¿Podría dejarnos con un pronóstico de sistemas mecánicos para el próximo año más o menos? Las máquinas vienen a quitarnos el trabajo. Me pregunto si podríamos disipar este mito. La tecnología ha reemplazado y siempre reemplazará a los empleos históricos, pero de qué manera se aplica la inteligencia artificial, en particular a los sistemas mecánicos que crean puestos de trabajo y crean un entorno de nuevas economías.
Vesely: Vale, primero que nada, hablemos de esa parte de aceptar trabajos primero. Eventualmente, usted sabe que como ingeniero mecánico cada máquina necesitará mantenimiento y el mantenimiento por lo menos en la próxima década o dos décadas será hecho por personas que realmente van a la máquina y reemplazan la pieza, así que esta es una parte de la historia.
Dicho esto, por supuesto, hay muchas oportunidades para nuevos roles, nuevos trabajos que se están abriendo, ya sean científicos de datos o ingenieros de aplicaciones que sabrán cómo trabajar con estas herramientas analíticas. Hoy en día vemos, las empresas tradicionales que durante décadas están contratando ingenieros mecánicos ahora están buscando desarrollar sus propios servicios de software para las máquinas que venden, así que comienza lo nuevo, mi opinión es que la necesidad de científicos de datos aumentará muy rápidamente en el sector industrial.
Próximo boletín informativo de Big Thing
Conoce las ciudades inteligentes, la IA, la Internet de las cosas, la RV, la conducción autónoma, los aviones no tripulados, la robótica y más de las innovaciones tecnológicas más geniales. Entregado los miércoles y viernes