HUCAI-S4: precisión en los algoritmos de predicción

La Inteligencia Artificial (IA) aplicada a procesos productivos mejora la eficiencia, reduce costos y minimiza errores gracias al análisis automatizado de un gran volumen de datos. Sin embargo, la fiabilidad de las predicciones actuales aplicadas al mantenimiento y la calidad sigue siendo limitada, debido a la falta de precisión en la identificación de patrones complejos. A pesar del uso de tecnologías emergentes para la fabricación Zero Defectos, las personas mantienen gran parte de la información fuera de los datos que alimentan los procesos de predicción con IA.

El novedoso concepto Human-in-the-Loop involucra a las personas con las propias tecnologías IA para poder crear entornos de datos con mayor información, impulsando la creación de algoritmos de predicción más precisos.

El nuevo enfoque Human-in-the-Loop del proyecto HUCAI-S4 se aborda desde una doble perspectiva:

1. Datos de training: los sets de datos de entrenamiento en proyectos IA se construyen principalmente con datos obtenidos de controles de máquina y sensores. Pero en el entorno de producción industrial existen datos que pueden suponer datos de salida pero se registran en diferido, así como datos que las personas registran y que actualmente no se incorporan en modelos de predicción.
2. Aprendizaje continuo del modelo de predicción: una vez el modelo de IA ha realizado su predicción, puede cometer falsos positivos o negativos. Aportar feedback al modelo desde las personas, “enseñándole” cuándo se equivoca, supone una fuente de información muy valiosa para mejorar la fiabilidad y precisión del modelo.

Gran parte de esta información en personas se registra en lenguaje natural. Es por ello que la tecnología de IA Multimodal supone una oportunidad para un proyecto como este, ya que los sets de datos combinarán datos numéricos, con otras fuentes de información como el lenguaje natural, o incluso posibles datos en formato imagen o audio-voz.

Por otra parte, además de las herramientas de predicción, para acelerar el proceso de toma de decisiones a nivel de planta productiva y optimizar los procesos de fabricación, supone una oportunidad muy relevante que los propios sistemas inteligentes aporten sistemas de recomendación. Los sistemas de recomendación tienen retos inherentes como la escasez de datos y la precisión de la predicción. En la literatura se observa cómo la técnica de aprendizaje reforzado a través del feedback de los usuarios es una de las más indicadas para mejorar los resultados.

El proyecto aborda también el desarrollo de un sistema con IA on the Edge que permite preinterpretar de forma inteligente ciertos aspectos de los procesos manuales, y que pueden alimentar al modelo y funcionar como recomendador.