La Intel·ligència Artificial (IA) és, juntament amb la Robòtica i Internet-de-les-Coses (IoT), la base de la present onada d’innovació tecnològica que s’ha anomenat Revolució Industrial 4.0 o Manufactura 4.0. Com des dels seus inicis la Intel·ligència Artificial ha estat objecte de gran enrenou, expectatives i malinterpretacions, aquest article pretén aclarir conceptes i explicar breument la seva evolució, la seva maduresa tecnològica i d’adopció, així com el seu impacte present i potencial.
DEFINICIÓ D’IA
Intel·ligència i Intel·ligència Artificial
La intel·ligència es pot definir, en termes generals, com la capacitat de comprendre, aprendre i aplicar els coneixements adquirits per assolir objectius. Per tant, inicialment, lA es pot definir simplement com a intel·ligència exhibida per màquines.
Més en detall, IA és una branca de la informàtica que crea programes i sistemes que poden resoldre problemes de forma creativa i realitzar tasques complexes, a través d’analitzar automàticament grans quantitats de dades d’observació aplicant algoritmes dissenyats per trobar patrons.
IA i Aprenentatge Automàtic (Machine Learning)
A més de la capacitat provada per processar grans conjunts de dades, la IA es caracteritza per permetre que les màquines aprenguin de la feina feta i s’adaptin a les noves dades introduïdes. L’aprenentatge automàtic s’aconsegueix així mateix mitjançant l’aplicació d’algoritmes complexos destinats a reconèixer patrons, de manera iterativa i superposada. La IA s’adapta mitjançant algoritmes d’aprenentatge progressiu i troba estructura i regularitats en les dades, de manera que els algoritmes adquireixen una habilitat: l’algoritme es converteix en classificador o predictor.
Per fer això, la iteració sobre grans conjunts de dades és essencial, perquè quan es proporcionen noves dades, el sistema d’IA aplica el que ja ha après de càlculs anteriors, itera el càlcul sobre noves dades i en cada iteració refina el model i produeix resultats i decisions cada vegada més fiables. Un sistema d’IA només pot aprendre de les dades introduïdes. Això vol dir que com més dades, millor aprenentatge i que qualsevol inexactitud i obsolescència en el conjunt de dades es reflectirà en els resultats.
Com a conseqüència, la majoria dels sistemes d’IA actuals estan dissenyats per limitar-se a una tasca ben definida. Els sistemes d’IA són altament especialitzats: el sistema d’IA que detecta el frau d’assegurances, per exemple, no pot detectar l’evasió fiscal.
EVOLUCIÓ DE LA IA
El concepte d’IA ha estat objecte de molta publicitat mediàtica des dels seus inicis amb els primers models matemàtics neuronals creats a finals de la dècada de 1950. Tot i els importants avenços científics, no va ser fins a la dècada de 1990 que les expectatives van començar a ser justificades. A principis dels 90, grans millores en algoritmes neuronals van permetre que l’aprenentatge automàtic fos útil i aplicable, el que va portar a la seva ràpida adopció i ús massiu per part especialment de el sector industrial.
Millores de l’Aprenentatge Automàtic Mitjançant la Integració de Altres Tecnologies
Les millores en IA es van accelerar durant la dècada 2000-2010, desenvolupant encara més l’aprenentatge automàtic. Després de 2010 la capacitat d’aprenentatge de la IA es va accelerar exponencialment per cobrir una àmplia gamma de funcions i tasques mitjançant la integració d’altres noves tecnologies.
La computació distribuïda (Cloud Computing) proporciona l’enorme potència computacional requerida per afrontar algoritmes i models superposats, cada vegada més complexos, a baix cost i sense inversions en sistemes que ara són proporcionats a través de Plataformes Digitals. Addicionalment, els sensors d’Internet de les coses i el BigData proporcionen les massives quantitats de dades necessàries per entrenar els algoritmes de IA.
La integració i apalancament mutu entre tecnologies és l’element que defineix la Revolució Industrial 4.0 i la IA l’aplica a l’igual que les altres tecnologies analitzades en els següents articles. Per exemple, els vehicles autònoms aprofiten les innovacions de la pròpia IA, així com els avenços en sensors, cartografia, visió artificial, algoritmes de navegació, tecnologia satel·lital i robòtica.
Encara que impressionant, la IA desenvolupada sobre la base de l’Aprenentatge Automàtic, segueix estant limitada a la resolució de problemes específics i no pot abordar problemes generals de la mateixa manera que la intel·ligència humana.
Avenços en la Programació d’Aprenentatge Automàtic
L’Aprenentatge Automàtic s’ha millorat encara més mitjançant mètodes innovadors d’entrenament amb dades (Data Training), que permet que un sistema aprengui de les relacions entre un conjunt d’insums i el seu resultat u output com, per exemple, el cas de distingir objectes en una imatge o detectar-los per descriure el seu contingut.
També s’ha avançat en el camp de l’Aprenentatge per Reforç (Reinforced Learning), distribuint recompenses i càstigs virtuals a través d’un sistema de puntuació i creant un aprenentatge basat en assaig i error.
Actualment hi ha un gran optimisme en la contínua expansió dels mètodes i programació d’Aprenentatge Automàtic, l’exponent màxim del qual són les tècniques de l’anomenat Aprenentatge Profund (Deep Learning).
DEEP LEARNING: EL NOU APRENENTATGE PROFUND DE LA IA
L’Aprenentatge Profund és el nivell més avançat d’Aprenentatge Automàtic i està basat en l’addició al sistema d’intel·ligència artificial de xarxes neuronals, que simulen el funcionament de neurones biològiques interconnectades i modelen com interactuen en el cervell.
Aquest nou sistema, impulsat per una xarxa neuronal, accepta l’aplicació de tècniques d’aprenentatge més complexes que permeten al sistema classificar, reconèixer, detectar i descriure l’entorn. En resum, brinden als sistemes d’intel·ligència artificial quelcom proper a la capacitat de comprensió.
Integració de l’aprenentatge profund
A més de les millores dràstiques en els algoritmes i la programació d’aprenentatge i les xarxes neuronals, la integració amb altres tecnologies és el que permet l’expansió de l’eficiència i funcionalitat dels equips i sistemes dotats d’IA.
Big Data i la transmissió de dades per Internet proporcionen quantitats cada vegada majors de dades provinents d’Internet de les Coses (IOT) i els seus sensors, així com dades textuals de les xarxes socials, notes i transcripcions humanes. Com més massiva la informació, més capes neuronals es poden aplicar i més gran és l’Aprenentatge Profund. Com més dades hi hagi, major l’aprenentatge i l’avantatge competitiu proporcionada per la IA.
L’aprenentatge profund permet que la IA d’avantguarda aconsegueixi una precisió abans impensable i que ja està present en la nostra vida quotidiana. Per exemple, les nostres interaccions amb Google o Alexa es basen en l’Aprenentatge Profund i sabem per experiència directa que com més el fem servir més precises són les recerques.
ÚS GENERALITZAT I EFECTES
La IA permet l’automatització d’anàlisi abans impossibles amb un impacte en totes les àrees funcionals d’organitzacions, administracions i empreses. En la indústria i la logística, màquines d’automatització i robòtica habilitades per IA permeten realitzar, i ja són àmpliament utilitzades, conjunts de tasques i funcions complexes, de manera completament autònoma o semiautònoma.
S’estima que en 2030 la intel·ligència artificial afegirà $ 15,7 bilions al PIB mundial, dels quals s’espera que $ 6,6 mil milions provinguin d’una major productivitat i $ 9,1 mil milions del consum (1). Les empreses són conscients d’això i, ja en 2017, al voltant del 20% d’elles en tot el món usaven IA en algun nivell i el 40% estudiava com implementar-la (2). El següent diagrama il·lustra l’àmplia gamma de maduresa tecnològica de la IA i el seu ús en una àmplia gamma de funcions (3).
Anàlisi CETMO, adaptat de McKinsey & Company (3)
Per a les empreses els impactes més significatius són i seran al sector de la logística i la cadena de subministrament, seguit del sector industrial especialment en la producció i les operacions. També comença a tenir un impacte significatiu en màrqueting i vendes, a través de la personalització de serveis i productes i la millor adaptació a segments i nínxols de mercat.
Per a les administracions, la IA àmplia, aprofundeix i accelera la planificació i presa de decisions la qual cosa comporta un potencial innegable per aprofitar recursos escassos i millorar els efectes socials.
Com en altres tecnologies de la Revolució Industrial 4.0, hi ha un debat continu, intens i inconclús entre els experts sobre si la IA consolidarà els avantatges competitius existents entre països i empreses o s’anivellarà el camp de joc; en qualsevol cas, la conclusió clara és que, per evitar quedar-se irremeiablement endarrerides, les empreses han d’explorar i acumular coneixement sobre aquesta tecnologia, encara que sigui en petita escala i en funcions limitades.
Hi ha un debat igualment intens i no resolt sobre l’impacte social de la IA i, en particular, l’impacte net en la força laboral. Aquest tema, importantíssim, requereix i mereix una detallada anàlisi a part. En tot cas suggerim a empreses, operadors, administracions i reguladors explorar i avançar en el coneixement i ús d’aquesta tecnologia, encara que sigui moderat, amb la finalitat d’obtenir experiència directa a baix cost.
Referències:
- Brookings Institute. Africa Growth Initiative. Travaly and Muvunyi, the future is intelligent: Harnessing the potential of artificial intelligence in Africa, 2020. link
- Bughin, Chul, McCarthy, How to make A.I. work for your Business, 2017
- McKinsey & Company. Ashutosh, Hastings, Murnane, Neuhaus, Automation in Logistics: Big Opportunity, Bigger Uncertainty, 2019. link
EFECTES DE LA INTEL·LIGÈNCIA ARTIFICIAL I EL BIG DATA EN EL TRANSPORT I LA LOGÍSTICA
L’accés eficaç a la intel·ligència artificial (IA) es fa generalment a través d’una plataforma digital basada en la computació en núvol. A més, la major part del treball realitzat per la intel·ligència artificial consisteix a dissenyar, analitzar i aprendre de les dades proporcionades pel Big data.
Igualment, el Big data és una tecnologia madura i àmpliament adoptada. Per això, es pot considerar com a part de la infraestructura necessària per al funcionament i desplegament de la IA i també d’altres noves tecnologies com: l’automatització robòtica; Internet de les coses; vehicles autònoms i blockchain.
El fet que aquesta infraestructura sigui oferta mitjançant plataformes digitals, a baix cost i fins i tot gratuïtament, és l’element democratitzador que impulsa l’avanç tecnològic de totes aquestes tecnologies, així com la seva adopció i l’amplitud dels actuals i potencials efectes.
La Intel·ligència Artificial, efectes en el Transport de Mercaderies
Suport per a la presa de decisions. La intel·ligència artificial (IA), particularment aplicada al Big Data permet el desenvolupament d’eines avançades d’intel·ligència empresarial com, entre altres, el modelatge predictiu, el control d’operacions i els resultats amb generació d’indicadors i quadres de comandament que mostren una imatge precisa de l’empresa i la situació. Tot això permet prendre decisions millor informades i amb menor risc.
Seguretat i supervisió semi-autònoma d’infraestructures i terminals, mitjançant la integració d’intel·ligència artificial i la gestió d’indicadors de temperatura, humitat i altres indicadors de control ambiental per millorar les capacitats de control. Això permet controlar grans espais, instal·lacions, equipaments i vehicles a un cost inferior.
Optimització de rutes i preus. La informació precisa, recollida, integrada i analitzada per la IA permet ajustar el cost i l’estratègia comercial de cada ruta de la xarxa.
La Intel·ligència Artificial, efectes en el Transport de Passatgers
Suport a la presa de decisions. De la mateixa forma que en Transport de Mercaderies i altres indústries, la IA permet l’ús de models predictius avançats i més de confiança, facilitant la planificació.
En l’escenari més prospectiu, el modelatge basat en la IA i altres eines avançades poden fins i tot reemplaçar la planificació prèvia amb un ajust instantani, continu i automàtic, del servei, responent a les necessitats canviants, estalviant temps i augmentant la qualitat.
Millora de la seguretat i reducció de costos de manteniment: la IA permet el manteniment predictiu de la infraestructura i el material rodant, com MRO d’infraestructura (Manteniment, reparació i revisió), MRO de material rodant, així com l’optimització del consum d’energia.
Intel·ligència artificial i passatgers: la IA, juntament amb el reconeixement facial i altres aplicacions biomètriques, optimitzarà els processos que requereixen controls d’identitat, com la facturació de l’equipatge, la documentació i el control de fronteres, i hauria de permetre que l’experiència i tràmits dels viatgers siguin més ràpids i menys propensos a errors.
EL BIG DATA, EFECTES EN TRANSPORT I LOGÍSTICA
El Big Data, efectes en el Transport de Mercaderies
Millor planificació. La cerca, recuperació i procés de grans volums de dades en temps real (com a costos, restriccions, limitacions, ubicació d’actius, etc.) millora la precisió de les previsions operatives. Unes millors previsions ajuden a optimitzar l’assignació d’equip, els temps de trànsit i les compres de combustible.
Analitzar millor l’estat dels equips i la vida útil dels actius, i promoure el manteniment preventiu de la maquinària i altres bens mobles d’una manera més precisa.
Optimització de la xarxa de servei. El nou nivell d’anàlisi de dades proporcionat per Big data permet l’optimització de rutes i la reducció dels costos operatius en general i en les futures inversions.
Ajust de les operacions. La captura, mesurament i anàlisi de paràmetres durant les operacions permeten establir criteris realistes, ajustats a les circumstàncies canviants, i la millora del disseny i control de les operacions.
Canvis en la força de treball. Es generarà demanda de perfils tècnics en camps relacionats amb la computació matemàtica, la ciència de dades i la recerca d’operacions.
El Big Data, efectes en el Transport de Passatgers
Millor planificació. De manera similar al cas del Transport de Mercaderies, amb l’afegit de la millor planificació quant al flux d’usuaris.
Millor anàlisi de l’estat de l’equip. De manera similar al cas del Transport de Mercaderies.
Avanços amb el màrqueting i la relació usuari. El Big Data Analytics permet pronosticar canvis en el comportament del client, noves tendències i microsegmentació.
Canvis en la força de treball. De manera similar al cas del Transport de Mercaderies.
Fonts: CETMO i “Impacte de les KETs en la digitalització dels diferents àmbits del transport”, CENIT-CINESI – Desembre 2020
Amb el suport de:
Amb el suport de:
Subscriure’s a la nostra newsletter
Rebeu una actualització periòdica de notícies i esdeveniments