Deep Learning, la última disrupción en la evolución de la Inteligencia Artificial

Publicado el por SPRI (autor)

 (photo: )

El edificio 700 del Parque Científico y Tecnológico de Bizkaia, sede del centro de investigación y desarrollo tecnológico vasco Tecnalia, acogió el pasado día 1 de junio una jornada técnica dedicada a Deep Learning, “la revolución tecnológica de la inteligencia artificial”, en la que se presento el estado del arte de las nuevas técnicas de visualización y sus novedosas aplicaciones industriales. El acto contó con la presencia de Aitor Cobanera, Director de Tecnología e Innovación del Grupo SPRI.

Aitor Álvarez, experto en Computer Vision de Tecnalia,fue el encargado de difundir el concepto entre los presentes, mediante la primera ponencia de la mañana, “Introducción al Deep Learning. ¿Qué es y qué puede hacer por mí?”.

Deep Learnig

En opinión de Tecnalia, la tecnología que está detrás de todos estos desarrollos denominada Deep Learning está conduciendo a la inteligencia artificial a un nuevo estadio de desarrollo, nueva generación, con sorprendentes resultados y  novedosas aplicaciones.

Una gran apuesta, en la que no solo se encuentran los gigantes tecnológicos como Google, Amazon, Facebook, Baidu o IBM, sino también los grandes fabricantes de coches, empresas de gestión o biotecnológicas, que están realizando inversiones millonarias, del orden de 6.000 millones de dólares desde 2014, según la revista Fortune.

Pero, ¿qué es el Deep Learning? El Deep Learning o aprendizaje profundo es un conjunto de métodos de procesamiento de información que se enmarca dentro de la rama de la inteligencia artificial denominada machine learning, aprendizaje automático. La característica fundamental de las técnicas de Deep Learning consiste en que aprenden una representación jerárquica de los datos observados, dando lugar a modelos compuestos por un número elevado de capas, de ahí el apelativo de deep, que permiten representaciones mucho más ricas que cualquier método clásico.

En el caso de esta tecnología, resulta impactante la versatilidad del Deep Learning y la capacidad de extracción de conocimiento de las redes en dominios desconocidos hasta ahora. Este enorme potencial se recoge en sus previsiones de crecimiento, donde se estima que el negocio de aplicaciones deep en el ámbito empresarial crecerá de 109 millones de dólares en 2015 a 10.400 millones en 2024, año en el que los ingresos anuales traccionados por las tecnologías deep superarán los 100.000 millones de dólares, especialmente en mercados financieros, clasificación de imagen, análisis biomédico y mantenimiento predictivo.

Aceros Inoxidables Olarra, “SURFIN-Surface Inspection. Detección de errores en condiciones extremas”

El caso más próximo y de alto valor referencial para nuestra industria fue la experiencia presentada por Izaskun Uriagereka del área de Asistencia técnica e Ingeniería de procesos de Aceros Inoxidables Olarra, “SURFIN-Surface Inspection. Detección de errores en condiciones extremas”, desarrollado en colaboración con Tecnalia.

Olarra, empresa lider en la siderurgia de producto largo en acero inoxidable, ha sabido captar como clientes algunos de los mercados más exigentes del mundo, principalmente el europeo y japones. Por lo que precisaba dar un salto cualitativo en sus productos a través de la mejora de su sistema de control de calidad de superficies de producto terminado y supo encontrar la respuesta en la aplicación de la tecnología Deep Learning, con la que han conseguido resolver la inspección superficial en caliente en el propio tren de laminación, a más de 1.000 grados centígrados, de los diferentes productos de siderurgia que fabrica, entre otros laminados, barras de acero inoxidable y alambron.

Deep Learning ha supuesto una revolución en su proceso productivo, tanto cuantitativa en su control de calidad que antes era realizado por personas mediante un penoso trabajo de visualización en un ambiente de alta temperatura, como cualitativo, en el nivel superior de calidad de fabricación alcanzado, derivado de un mejor control del proceso y parámetros de producción, la flexibilidad de realizar ensayos y un mayor conocimiento en el comportamiento del producto. Así, el equipo surfing les permite controlar diferentes áreas y acabados, con velocidades de proceso que oscilan desde 1m/ seg. a 100 m./seg. Visualiza la superficie total, “saca la piel”, detecta y avisa de posibles defectos y facilita su trazabilidad.

Una herramienta de Inteligencia Artificial, flexible, que siempre tiende a aprender y mejorar el producto, día a día. No tiene límites. Modeliza su control a través de más de 50 dimensiones: elongación, textura, etc., identifica sus categorías de defectos y las implementa, en el caso de detectar nuevas tipologías. Y es capaz de mejorar, mediante su experiencia, uno de los puntos críticos del sistema, las curvas de control de falsas aceptaciones y falsos rechazos de producto.

En resumen, el modelo aporta un conjunto de ventajas que hoy resultan imprescindibles en planta, la completa trazabilidad del proceso, un preciso y eficiente control de calidad, facilita un profundo conocimiento del proceso y por extensión del producto, y la capacidad de poder realizar un mantenimiento predictivo, siendo capaz de reaccionar antes de que se produzca la averia.

En conclusión, y en plabras de Uriagereka, “es una herramienta fundamental, sin ella ya no laminaríamos”. Gracias al equipo surfing “hemos aprendido mucho de nuestro propio producto” y gracias al sistema, pretendemos seguir evolucionando y mejorarlo a futuro.

Completó la primera parte de la jornada la ponencia invitada que corrió a cargo de Joost van de Weijer, científico Senior del Centro de Visión por Computador de la Universidad Autónoma de Barcelona, “Pensando de principio a fin en las aplicaciones de Computer Vision”.

Por su parte, el Dr. Till Eggers, jefe de Bioestadística – Investigación y Desarrollo en Digitalización de BASF-SE, dio inicio a la presentación de las experiencias de aplicación mediante la presentación de un interesante caso de éxito en un novedoso sector de aplicación con el que supo sorprender a los asistentes, la “Digitalización de la agricultura: Machine Learning para identificar enfermedades en cultivos”.

Dieron broche a la jornada la presentación de tres excelentes casos de aplicación desarrollados por Tecnalia en diferentes sectores y en colaboración con otras instituciones y empresas. La UPV-EHU, con su aplicación Deep Learning en “Desfibriladores automáticos, sistema para la decisión del momento de decarga en parada cardíaca”, que presento el profesor por Unai Irusta, del Departamento de Electrónica y Telecomunicaciones.  Jon Azpiazu, investigador científico de Tecnalia, que introdujo el “Deep Learning aplicado a la Robótica”. Y por último, Ion Arrieta, adjunto a gerencia de Automatismos Maser, traslado su experiencia de fabricación, “Hacia cero defectos en la fabricación de piezas cromadas”.