Cuando hablamos de inteligencia artificial, o IA para abreviar, nos enfrentamos a una plétora de términos diferentes. Hablamos de IA débil y fuerte, entrenamiento, inferencia, aprendizaje automático, aprendizaje profundo, redes neuronales y mucho más.
En el primer paso, volvemos al principio, a la pregunta fundamental: ¿Cómo se consigue que un modelo o constructo de 0 y 1 «piense» por sí mismo? ¿Qué posibilidades se abren al entrenar un modelo en su aplicación?
Entrenamiento de modelos
El entrenamiento de modelos es un proceso en el que un sistema de inteligencia artificial pasa por grandes cantidades de datos y «aprende» a adaptar y afinar sus parámetros internos. El objetivo es crear un modelo capaz de reconocer patrones y relaciones en los datos para hacer predicciones o tomar decisiones. Este proceso puede ser muy intensivo desde el punto de vista computacional y a menudo requiere hardware especializado, como GPU (tarjetas gráficas), futuras NPU (unidades de procesamiento neuronal) o FPGA (procesadores programables). Los modelos más sencillos también pueden entrenarse con CPU convencionales de alto rendimiento, lo que repercute positivamente en el consumo de energía y los costes de inversión.
Inferencia: aplicación práctica de los modelos
Una vez entrenado un modelo, se produce el proceso de «inferencia»: el modelo entrenado procesa datos nuevos y desconocidos para extraer predicciones o conclusiones a partir de ellos. Por tanto, la inferencia puede considerarse el «modo de aplicación» de un modelo de IA, en el que utiliza los conocimientos que ha aprendido para realizar tareas prácticas como identificar objetos en imágenes o entender órdenes de voz. Como hardware se suele utilizar la tarjeta gráfica o la CPU del dispositivo «edge» (dispositivo final). Los dispositivos actuales también suelen estar equipados con las mencionadas NPU como parte de la CPU. Otra opción son los aceleradores de IA adicionales, como Nvidia Jetson o Gaudi 3 de Intel.
Tipos de modelos de IA
Los modelos de IA pueden clasificarse de diferentes maneras, en función de varios criterios como el algoritmo de aprendizaje, la aplicación, la estructura o la tecnología utilizada. Nos limitaremos a tres categorías básicas de modelos de IA: aprendizaje automático, aprendizaje profundo y redes neuronales como forma de aprendizaje profundo. También existe un gran número de submodelos o híbridos, como la «IA transformativa generativa» conocida en ChatGPT como una subforma del aprendizaje profundo. Por regla general, se utiliza el modelo que mejor se adapta al caso de uso.
Aprendizaje automático
El aprendizaje automático es la forma clásica de modelización de la IA y se utiliza desde hace tiempo. El entrenamiento se lleva a cabo con datos de entrenamiento «etiquetados» para reconocer patrones en los datos y hacer predicciones a partir de ellos. Algunos ejemplos son la regresión lineal o los árboles de decisión. También se distingue entre aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. Un ejemplo de aprendizaje supervisado es el control de calidad como forma de aprendizaje profundo en la industria manufacturera. En este caso, la calidad de los productos se analiza en tiempo real mediante el reconocimiento de imágenes, se detectan defectos o desviaciones y, si es necesario, se eliminan los productos defectuosos.
Otra aplicación industrial común es el «mantenimiento predictivo» o «proactivo». Se utilizan sensores instalados en las máquinas para supervisar y analizar continuamente su estado actual. Los algoritmos subyacentes aprenden de estos datos para reconocer patrones que indican defectos o fallos inminentes, con el fin de prevenirlos. Esto permite realizar el mantenimiento o las revisiones a tiempo, antes de que se produzca un defecto. De este modo, la IA ayuda a ahorrar costes y a prolongar la vida útil de las máquinas, en algunos casos de forma significativa.
Aprendizaje profundo y redes neuronales
El aprendizaje profundo es una forma más reciente y un mayor desarrollo del aprendizaje automático que pretende reconocer patrones de forma independiente en grandes cantidades de datos, de forma similar a como lo hace el cerebro humano. A menudo se utilizan redes de algoritmos denominadas «redes neuronales» porque siguen el modelo de la estructura y el funcionamiento del cerebro humano. Estas redes neuronales están formadas por capas de nodos o neuronas. La diferencia con los modelos clásicos de aprendizaje automático es que estas capas o nodos están interconectados y el modelo sigue aprendiendo de forma independiente recorriendo las capas. Cada capa toma los valores de salida de la capa anterior y calcula nuevos valores para pasarlos a la capa siguiente. Al final de esta cadena de procesos, la red puede tomar decisiones o hacer predicciones basándose en lo que ha aprendido.
Ejemplo: conducción autónoma
El ejemplo más conocido de la industria automovilística en este momento es, sin duda, la conducción autónoma. El aprendizaje profundo se utiliza, por ejemplo, para vigilar el entorno del vehículo mediante cámaras y sensores. Los datos recogidos son analizados en tiempo real por redes neuronales (véase también «Inferencing» más arriba) para reconocer otros vehículos, peatones, señales de tráfico y, si es necesario, las condiciones de la carretera. Esta información ayuda al vehículo a circular de forma más segura y a tomar decisiones como frenar o desviarse.
Por ejemplo: Robots industriales
Otro ejemplo es la mejora de las capacidades de los robots industriales. Con la ayuda de modelos de aprendizaje profundo, aprenden a realizar tareas complejas y precisas como agarrar objetos desconocidos, soldar o ensamblar piezas de formas y tamaños variables. Otras técnicas de IA, como el aprendizaje por refuerzo, pueden utilizarse para entrenar a los robots en entornos simulados antes de utilizarlos en entornos de producción reales. Estos métodos avanzados de aprendizaje permiten a los robots adaptarse más fácilmente a las distintas condiciones de producción y a los entornos cambiantes, lo que aumenta la flexibilidad y eficacia de la tecnología de automatización.
Conclusión
En resumen, puede decirse que la inteligencia artificial tiene potencial para cambiar positivamente la industria en muchos ámbitos. Ya sea en el ámbito de una producción más eficiente y rentable, la garantía de calidad de los productos o una mejor logística. Por supuesto, también permite desarrollar nuevos tipos de productos, como coches autoconducidos o robots inteligentes.
En el ámbito de los dispositivos IoT edge en particular, fabricantes como Giada, DT Research y otros están desarrollando nuevos productos basados en las nuevas generaciones de CPU de Intel, que están equipadas con NPU además de un alto rendimiento a partir de la 14ª generación.
Algunos dispositivos seleccionados, como la tableta robusta DT340T o el portátil robusto LT355 de DT Research, también pueden equiparse con tarjetas gráficas Nvidia RTX para aumentar aún más el rendimiento de la IA. Giada también lanzará pronto un dispositivo basado en Nvidia Jetson. En un futuro próximo le seguirán otros dispositivos.