Transformar ideas en oportunidades de negocio mediante Sistemas Autónomos basados en Inteligencia Artificial (IA) es una realidad cada vez más extendida. Pero, ¿cómo afectan este tipo de innovaciones a la eficiencia y rentabilidad de una empresa?
Gracias a los últimos avances en Inteligencia Artificial, hoy en día podemos trasladar la inteligencia desarrollada por humanos a las máquinas. Esto es lo que nos permiten hacer los Sistemas Autónomos: dotar de habilidades a las máquinas para que puedan observar y responder a un entorno dinámico.
Este tipo de sistemas existen desde hace tiempo. Sin embargo, gracias a los avances en IA y en tecnología cloud, ahora su potencia, agilidad y escalabilidad es mucho mayor.
Hablamos de enseñar al sistema por repetición, prueba y error, ejecutar millones de iteraciones, todo ello en entornos seguros (virtuales). En resumen: preparar sistemas para ejecutar tareas, conseguir objetivos e interactuar con el entorno físico sin apenas necesidad de la integración humana, dotándoles de la capacidad para predecir, planificar y “ser conscientes” del mundo que les rodea.
Así, un sistema autónomo puede ser capaz mediante entrenamiento de detectar, por ejemplo, cuál es la combinación perfecta de ventilación y temperatura de 100 instancias de un edificio con el fin de optimizar el confort o el consumo energético.
Otro caso podría ser el de los vehículos autónomos capaces de conducir “sin manos” gestionando distintas variables, incluyendo sucesos aleatorios (el Parlamento Europeo ha fijado para 2030 la llegada de los vehículos totalmente autónomos).
No hablamos de “simples” automatizaciones, sino de un proceso de aprendizaje basado en la práctica, es decir, del paso de la automatización a la autonomía.
Simulando la realidad para entenderla
Desde los primeros intentos de aplicaciones aisladas y a medida, se ha evolucionado hasta potentes herramientas abiertas y reutilizables. Soluciones con las que es posible enseñar inteligencia a las máquinas y que están al alcance de cualquiera, no solo expertos en IA.
El objetivo final será que los sistemas autónomos operen en el mundo real, pero éste no es el entorno más idóneo donde entrenarlos, por seguridad y coste. Si ponemos una máquina a aprender, y se necesitan millones de ciclos para que asimile una nueva habilidad, el coste de este aprendizaje en el mundo real podría ser prohibitivo.
Para ello se dota de un entorno simulado donde es posible desarrollar el aprendizaje por refuerzo con el que construir la solución de IA. Un mundo paralelo donde el sistema puede repetir una y otra vez las acciones, buscando las mejores soluciones hasta aprender camino que logre los resultados más óptimos.
La clave aquí es lograr simularlo todo de la forma más precisa posible, de modo que las máquinas y los sensores capten no solo los aspectos más directos (como el color o el tamaño de un objeto) sino también otros indirectos, como su física (el comportamiento ante una caída, etc.).
La ventaja de estos entornos virtuales se multiplica al posibilitar no solo ejecutarse miles de veces sin riesgo (de forma segura en la nube) sino también por su capacidad para repetirse millones de veces en segundos. Se juega de alguna forma con el factor tiempo, acelerándolo, algo que sería del todo inimaginable en el mundo real.
Además, permite plantear escenarios extremos, por improbables que puedan ser, garantizando de este modo que el sistema está totalmente preparado antes de ponerlo en producción. Se logra de esta manera el “doble check” de controlar la máquina y que ésta se adapte de forma inteligente al mundo real.
Sistemas autónomos en la práctica
Los sistema autónomos, dentro de un marco de seguridad, integridad y coherencia, se pueden emplear en todo tipo de entornos, como carretillas elevadoras que muevan y gestionen productos, fomentando el consumo inteligente de energía en edificios o supervisando grandes áreas desde los cielos gracias a drones y su tecnología aerial computing visión.
Ya existen muchas iniciativas que han puesto en práctica sistemas autónomos con excelentes resultados. Por ejemplo compañías aeronáuticas que usan modelos de machine learning para que sus aeronaves no tripuladas practiquen la identificación de zonas de aterrizaje.
En Bell, por ejemplo, se hace uso de Bonsai y del entorno virtual AirSim para este fin. Su objetivo es lograr vehículos de vuelo autónomo más seguros, y actualmente están trabajando en lograr el primer aterrizaje autónomo de precisión.
"Utilizamos el Proyecto Bonsai porque nos permite crear y enseñar rápidamente una IA como si estuviéramos entrenando a un piloto sobre lo que debe buscar. Puedes hacer que la IA entienda qué decisiones tomar sobre la altitud y el cabeceo en función de la zona de aterrizaje identificada que ve" – Matt Holvey, Director de Sistemas Inteligentes de Bell.
En entornos de producción en masa destaca el caso de Cheetos. Aquí la IA desarrollada por PepsiCo hace simulaciones en apenas 30 segundos de la producción de todo un día, incrementando la eficiencia y logrando como resultado Cheetos perfectos en consistencia y calidad, listos para su comercialización.
Los sistemas autónomos ponen sobre la mesa la realidad de ser capaces de digitalizar nuestra realidad, en la búsqueda constante de impactos positivos globales, en la economía y, por supuesto, en nuestras vidas. Una realidad que surge de la combinación del software, las herramientas de machine learning y la IA experimental, que permite controlar la máquina para que se adapte de forma inteligente al mundo real, tal como lo haría un humano.
Adaptación y búsqueda de un mundo mejor son cualidades que se alinean perfectamente con la filosofía de Turing. Y por ello queremos compartirlo contigo.
Si quieres más información sobre sistemas autónomos y saber cómo pueden ayudarte a modernizar tu negocio, escríbenos: hello@turingchallenge.com