INTELIGENCIA ARTIFICIAL

3 consejos a tener en cuenta antes de la implementación

inteligencia artificial IA. Tecnología para trabajar con computadoras cerebrales inteligentes. Humano robótico trabajando en una laptop.Ingeniero de mantenimiento que trabaja con pantalla digitalImagen: ZinetroN/Adobe Stock

Más cobertura de IA de lectura obligada

La adopción sigue aumentando a medida que madura la inteligencia artificial (IA). Según investigaciones recientes, el 35 % de las organizaciones utilizan inteligencia artificial y el 42 % exploran su potencial. Si bien la IA se comprende bien y se implementa en grandes cantidades en la nube, aún es incipiente en el borde y presenta algunos desafíos únicos.

Muchas personas usan la inteligencia artificial a lo largo del día, desde conducir automóviles hasta seguir pasos y hablar con asistentes digitales. Aunque los usuarios acceden con frecuencia a estos servicios en dispositivos móviles, los resultados de los cálculos todavía existen en el uso de la IA en la nube. Más específicamente, una persona solicita información, la solicitud es procesada por un modelo de aprendizaje central en la nube y los resultados se envían al dispositivo local de la persona.

Edge AI se entiende y se implementa con menos frecuencia que la nube AI. Desde el principio, los algoritmos y las innovaciones de IA se han basado en la suposición fundamental de que todos los datos se pueden enviar a una ubicación central. En esta ubicación central, los algoritmos tienen pleno acceso a los datos. Esto permite que los algoritmos desarrollen su inteligencia como el cerebro o el sistema nervioso central, con total autoridad sobre el cálculo y los datos.

Sin embargo, la IA en el perímetro es diferente. Distribuye la inteligencia a través de todas las células y nervios. Al llevar la inteligencia al borde, potenciamos estos dispositivos de borde con agencia. Esto es fundamental en muchas aplicaciones y campos, como la atención médica y la fabricación industrial.

VER: Política de ética de IA (Tecnopedia Premium)

Razones para implementar IA en el perímetro

Hay tres razones principales para implementar IA en el perímetro.

Protección de información de identificación personal (PII)

En primer lugar, algunas organizaciones que se ocupan de PII o IP confidencial (propiedad intelectual) prefieren mantener los datos de donde provienen: una máquina de imágenes en un hospital o una máquina de fabricación en una fábrica. Esto reduce el riesgo de «desviaciones» o «fugas» que pueden ocurrir cuando los datos se transmiten a través de la red.

LEER  El 50% de las empresas tendrán una puñalada de spear phishing para 2023

Minimizar el uso de ancho de banda

El segundo es el problema del ancho de banda. Enviar grandes cantidades de datos desde el borde a la nube puede obstruir la red y ser poco práctico en algunos casos. No es raro que las máquinas de imágenes en entornos saludables generen archivos tan grandes que no se pueden transferir a la nube o que tarden días en completarse.

El simple procesamiento de datos en el borde es más eficiente, especialmente cuando los conocimientos están destinados a mejorar las máquinas propietarias. En el pasado, la informática era mucho más difícil de mover y mantener, por lo que estos datos debían trasladarse a la ubicación informática. Este paradigma ahora se ve desafiado, ahora que los datos a menudo son más importantes y más difíciles de administrar, lo que lleva a casos de uso que justifican el traslado de la computación a la ubicación de los datos.

evitar retrasos

Una tercera razón para implementar IA en el perímetro es la latencia. Internet es rápido, pero no en tiempo real. Si hay situaciones en las que importan los milisegundos, como los brazos robóticos que asisten a la cirugía o las líneas de producción sensibles al tiempo, las organizaciones pueden decidir ejecutar la IA en el borde.

Desafíos que enfrenta la IA en el perímetro y cómo resolverlos

A pesar de estos beneficios, implementar IA en el borde presenta algunos desafíos únicos. Aquí hay algunos consejos que debe considerar para ayudar con estos desafíos.

Buenos y malos resultados del entrenamiento de modelos.

La mayoría de las técnicas de IA utilizan grandes cantidades de datos para entrenar modelos. Sin embargo, en casos de uso industrial avanzado, esto suele ser más difícil, ya que la mayoría de los productos fabricados están libres de defectos y, por lo tanto, están marcados o anotados como buenos. El desequilibrio resultante de «buenos resultados» frente a «malos resultados» dificulta que el modelo aprenda a identificar problemas.

Las soluciones puras de IA que se basan en la clasificación de datos sin información contextual a menudo no son fáciles de crear e implementar debido a la falta de datos etiquetados e incluso a eventos raros. Agregar contexto (o un enfoque centrado en los datos) a la IA a menudo genera beneficios en términos de precisión y escala de la solución final. La verdad es que, si bien la IA a menudo puede reemplazar las tareas mundanas que los humanos realizan manualmente, se beneficia enormemente de la percepción humana al crear modelos, especialmente cuando no hay una gran cantidad de datos para analizar.

Obtener el compromiso de expertos experimentados en la materia, trabajando en estrecha colaboración con científicos de datos que crean algoritmos, proporciona un impulso inicial para el aprendizaje de la IA.

La IA no puede resolver mágicamente ni proporcionar una respuesta a todas las preguntas

Por lo general, hay muchos pasos en la salida. Por ejemplo, el piso de una fábrica puede tener muchas estaciones de trabajo, que pueden depender unas de otras. La humedad en un área de una planta en un proceso puede afectar los resultados de otro proceso posterior en la línea en un área diferente.

A menudo se supone que la IA puede reconstruir mágicamente todas estas relaciones. Si bien es cierto en muchos casos, también puede llevar una gran cantidad de datos y mucho tiempo recopilarlos, lo que da como resultado algoritmos muy complejos que no admiten la interpretación y las actualizaciones.

La IA no puede vivir en el vacío. La captura de estas interdependencias empujará los límites de una solución simple a una que pueda escalar con el tiempo y con diferentes implementaciones.

La falta de apoyo de las partes interesadas limita la escala de la IA

Si un grupo de personas en una organización se muestra escéptico sobre sus beneficios, será difícil escalar la IA en toda la organización. La mejor (quizás la única) manera de obtener un amplio apoyo es comenzar con un problema difícil de alto valor y resolverlo con IA.

En Audi, consideramos la frecuencia de cambio de los electrodos de la antorcha de soldadura. Pero el bajo costo de los electrodos no elimina ninguna de las tareas mundanas que realizan los humanos. En cambio, optaron por el proceso de soldadura, un problema difícil que generalmente se acepta en toda la industria, y mejoraron significativamente la calidad del proceso a través de la inteligencia artificial. Esto despertó la imaginación de los ingenieros de toda la empresa, quienes analizaron cómo la IA podría usarse en otros procesos para mejorar la eficiencia y la calidad.

Equilibrar las ventajas y los desafíos de la IA en el perímetro

La implementación de IA en el borde puede ayudar a las organizaciones y sus equipos. Tiene el potencial de transformar las instalaciones en el borde inteligente, mejorar la calidad, optimizar los procesos de fabricación e inspirar a los desarrolladores e ingenieros de toda la organización a explorar cómo pueden integrar la IA o avanzar en los casos de uso de la IA, incluidos análisis predictivos, recomendaciones para mejorar la eficiencia o Detección de anomalías. Pero también trae nuevos desafíos. Como industria, debemos poder implementarlo mientras reducimos la latencia, aumentamos la privacidad, protegemos la IP y mantenemos la red funcionando sin problemas.

Camille MorhartCamille Morhardt, Directora de Programas de Seguridad y Comunicaciones

Con más de una década de experiencia en el lanzamiento y liderazgo de líneas de productos en tecnología desde el borde hasta la nube, Camille Morhardt humaniza y destila con elocuencia conceptos tecnológicos complejos en conversaciones encantadoras. Camille es la anfitriona del podcast de información privilegiada sobre seguridad cibernética What That Means, donde habla con los mejores expertos en tecnología para obtener definiciones directamente de las personas que las definen. Es miembro del Centro de excelencia de seguridad de Intel y le apasiona Computing Lifecycle Assurance, una iniciativa de la industria para aumentar la transparencia y la seguridad de la cadena de suministro.

Rita WorhebyRita Wouhaybi, ingeniera sénior principal de inteligencia artificial, IoT Group

Rita Wouhaybi es ingeniera principal sénior de IA en la Oficina del Director de Tecnología del Grupo de Redes y Edge de Intel. Lidera equipos de arquitectura centrados en los segmentos del mercado federal y de fabricación y está ayudando a impulsar la entrega de soluciones de borde de IA, incluidas arquitecturas, algoritmos y evaluación comparativa utilizando activos de hardware y software de Intel. Rita también es científica de datos de series temporales en Intel y arquitecta jefe de Intel Edge Insights for Industrial. Recibió su Ph.D. Con más de 20 años de experiencia en la industria, posee más de 300 patentes y ha publicado más de 20 artículos en prestigiosas conferencias y revistas de IEEE y ACM.

LEER  ¿Tu empresa necesita un Director de Inteligencia Artificial?

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba