La Inteligencia Artificial (IA) es, junto con la Robótica e Internet de las cosas (IoT), la base de la presente ola de innovación tecnológica que se ha denominado Revolución Industrial 4.0 o Manufactura 4.0. Como desde sus inicios la Inteligencia Artificial ha sido objeto de gran revuelo, expectativas y malinterpretaciones, este artículo pretende aclarar conceptos y explicar brevemente su evolución, su madurez tecnológica y de adopción, así como su impacto presente y potencial.
DEFINICIÓN DE IA
Inteligencia e Inteligencia Artificial
La inteligencia se puede definir, en términos generales, como la capacidad de comprender, aprender y aplicar los conocimientos adquiridos para alcanzar objetivos. Por lo tanto, inicialmente, lA se puede definir simplemente como inteligencia exhibida por máquinas.
Más en detalle, IA es una rama de la informática que crea programas y sistemas que pueden resolver problemas de forma creativa y realizar tareas complejas, a través de analizar automáticamente grandes cantidades de datos de observación aplicando algoritmos diseñados para encontrar patrones.
IA y Aprendizaje Automático (Machine Learning)
Además de la capacidad probada para procesar grandes conjuntos de datos, la IA se caracteriza por permitir que las máquinas aprendan del trabajo realizado y se adapten a los nuevos datos introducidos. El aprendizaje automático se logra asimismo mediante la aplicación de algoritmos complejos destinados a reconocer patrones, de manera iterativa y superpuesta. La IA se adapta mediante algoritmos de aprendizaje progresivo y encuentra estructura y regularidades en los datos, de modo que los algoritmos adquieren una habilidad: el algoritmo se convierte en clasificador o predictor.
Para hacer esto, la iteración sobre grandes conjuntos de datos es esencial, porque cuando se proporcionan nuevos datos, el sistema de IA aplica lo que ya ha aprendido de cálculos anteriores, itera el cálculo sobre nuevos datos y en cada iteración refina el modelo y produce resultados y decisiones cada vez más confiables. Un sistema de IA solo puede aprender de los datos introducidos. Esto significa que cuantos más datos mejor aprendizaje y que cualquier inexactitud y obsolescencia en el conjunto de datos se reflejará en los resultados.
Como consecuencia, la mayoría de los sistemas de IA actuales están diseñados para limitarse a una tarea bien definida. Los sistemas de IA son altamente especializados: el sistema de IA que detecta el fraude de seguros, por ejemplo, no puede detectar la evasión fiscal.
EVOLUCIÓN DE LA IA
El concepto de IA ha sido objeto de mucha publicidad mediática desde sus inicios con los primeros modelos matemáticos neuronales creados a finales de la década de 1950. A pesar de los importantes avances científicos, no fue hasta la década de 1990 que las expectativas empezaron a ser justificadas. A principios de los 90, grandes mejoras en algoritmos neuronales permitieron que el aprendizaje automático fuese útil y aplicable, lo que llevó a su rápida adopción y uso masivo por parte especialmente del sector industrial.
Mejoras del Aprendizaje Automático Mediante la Integración de Otras Tecnologías
Las mejoras en IA se aceleraron durante la década 2000-2010, desarrollando aún más el aprendizaje automático. Después de 2010 la capacidad de aprendizaje de la IA se aceleró exponencialmente para cubrir una amplia gama de funciones y tareas mediante la integración de otras nuevas tecnologías.
La computación distribuida (Cloud Computing) proporciona la enorme potencia computacional requerida para afrontar algoritmos y modelos superpuestos, cada vez más complejos, a bajo coste y sin inversiones en sistemas que ahora son proporcionados a través de Plataformas Digitales. Adicionalmente, los sensores de Internet de las cosas y el BigData proporcionan las masivas cantidades de datos necesarios para entrenar los algoritmos de IA.
La integración y apalancamiento mutuo entre tecnologías es el elemento que define la Revolución Industrial 4.0 y la IA lo aplica al igual que las otras tecnologías analizadas en los siguientes artículos. Por ejemplo, los vehículos autónomos aprovechan las innovaciones de la propia IA, así como los avances en sensores, cartografía, visión artificial, algoritmos de navegación, tecnología satelital y robótica.
Aunque impresionante, la IA desarrollada sobre la base del Aprendizaje Automático, sigue estando limitada a la resolución de problemas específicos y no puede abordar problemas generales de la misma manera que la inteligencia humana.
Avances en la Programación de Aprendizaje Automático
El Aprendizaje Automático se ha mejorado aún más través de métodos innovadores de entrenamiento con datos (Data Training), que permite que un sistema aprenda de las relaciones entre un conjunto de insumos y su resultado u output como, por ejemplo, el caso de distinguir objetos en una imagen o detectarlos para describir su contenido.
También se ha avanzado en el campo del Aprendizaje por Refuerzo (Reinforced Learning), distribuyendo recompensas y castigos virtuales a través de un sistema de puntuación y creando un aprendizaje basado en ensayo y error.
Actualmente existe un gran optimismo en la continua expansión de los métodos y programación de Aprendizaje Automático, cuyo exponente máximo son las técnicas del denominado Aprendizaje Profundo (Deep Learning).
DEEP LEARNING: EL NUEVO APRENDIZAJE PROFUNDO DE LA IA
El Aprendizaje Profundo es el nivel más avanzado de Aprendizaje Automático y está basado en la adición al sistema de inteligencia artificial de redes neuronales, que simulan el funcionamiento de neuronas biológicas interconectadas y modelan cómo interactúan en el cerebro.
Este nuevo sistema, impulsado por una red neuronal, acepta la aplicación de técnicas de aprendizaje más complejas que permiten al sistema clasificar, reconocer, detectar y describir el entorno. En resumen, brindan a los sistemas de inteligencia artificial algo cercano a la capacidad de comprensión.
Integración del aprendizaje profundo
Además de las mejoras drásticas en los algoritmos y la programación de aprendizaje y las redes neuronales, la integración con otras tecnologías es lo que permite la expansión de la eficiencia y funcionalidad de los equipos y sistemas dotados de IA.
Big Data y la transmisión de datos por Internet proporcionan cantidades cada vez mayores de datos provenientes de Internet de las Cosas (IoT) y sus sensores, así como datos textuales de las redes sociales, notas y transcripciones humanas. Cuanta más masiva la información, más capas neuronales se pueden aplicar y mayor es el Aprendizaje Profundo. Cuantos más datos haya, mayor el aprendizaje y la ventaja competitiva proporcionada por la IA.
El aprendizaje profundo permite que la IA de vanguardia logre una precisión antes impensable y que ya está presente en nuestra vida cotidiana. Por ejemplo, nuestras interacciones con Google o Alexa se basan en el Aprendizaje Profundo y sabemos por experiencia directa que cuanto más lo usamos más precisas son las búsquedas.
USO GENERALIZADO Y EFECTOS
La IA permite la automatización de análisis antes imposibles con un impacto en todas las áreas funcionales de organizaciones, administraciones y empresas. En la industria y la logística, máquinas de automatización y robótica habilitadas por IA permiten realizar, y ya son ampliamente utilizadas, conjuntos de tareas y funciones complejas, de forma completamente autónoma o semiautónoma.
Se estima que en 2030 la inteligencia artificial agregará $15,7 billones al PIB mundial, de los cuales se espera que $ 6,6 mil millones provengan de una mayor productividad y $ 9,1 mil millones del consumo (1). Las empresas son conscientes de esto y, ya en 2017, alrededor del 20% de ellas en todo el mundo usaban IA en algún nivel y el 40% estudiaba cómo implementarla (2). El siguiente diagrama ilustra la amplia gama de madurez tecnológica de la IA y su uso en una amplia gama de funciones (3).
Análisis CETMO, adaptado de McKinsey & Company (3)
Para las empresas los impactos más significativos son y estarán en el sector de la logística y la cadena de suministro, seguido del sector industrial especialmente en la producción y las operaciones. También empieza a tener un impacto significativo en marketing y ventas, a través de la personalización de servicios y productos y la mejor adaptación a segmentos y nichos del mercado.
Para las administraciones, la IA amplia, profundiza y acelera la planificación y toma de decisiones lo cual conlleva un potencial innegable para aprovechar recursos escasos y mejorar los efectos sociales.
Como en otras tecnologías de la Revolución Industrial 4.0, existe un debate continuo, intenso e inconcluso entre los expertos sobre si la IA consolidará las ventajas competitivas existentes entre países y empresas o nivelará el campo de juego; en cualquier caso, la conclusión clara es que, para evitar quedarse irremediablemente rezagadas, las empresas deben explorar y acumular conocimiento sobre esta tecnología, aunque sea en pequeña escala y en funciones limitadas.
Existe un debate igualmente intenso y no resuelto sobre el impacto social de la IA y, en particular, el impacto neto en la fuerza laboral. Este tema, importantísimo, requiere y merece un detallado análisis aparte. En todo caso sugerimos a empresas, operadores, administraciones y reguladores explorar y avanzar en el conocimiento y uso de esta tecnología, aunque sea moderado, con el fin de obtener experiencia directa a bajo coste.
Referencias:
- 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
EFECTOS DE LA INTELIGENCIA ARTIFICIAL Y EL BIG DATA EN EL TRANSPORTE Y LA LOGÍSTICA
El acceso eficaz a la inteligencia artificial (IA) se hace generalmente a través de una plataforma digital basada en la computación en nube. Además, la mayor parte del trabajo realizado por la IA consiste en diseñar, analizar y aprender de los datos proporcionados por el Big data.
El Big data es una tecnología madura y ampliamente adoptada. Por ello, el Big data puede ser considerada como parte de la infraestructura necesaria para el funcionamiento y despliegue de la IA y también de otras nuevas tecnologías como: la automatización robótica; Internet de las cosas; vehículos autónomos y blockchain.
El hecho de que esta infraestructura sea ofrecida a través de plataformas digitales, a bajo coste e incluso gratuitamente, es el elemento democratizador que impulsa el avance tecnológico de todas estas tecnologías, así como su adopción y la amplitud de los actuales y potenciales efectos.
La Inteligencia Artificial, efectos en el Transporte de Mercancías
Soporte para la toma de decisiones. La inteligencia artificial (IA), particularmente aplicada al Big data, permite el desarrollo de herramientas avanzadas de inteligencia empresarial como, entre otras, modelaje predictivo y control de operaciones y resultados con generación de indicadores y cuadros de mando que muestran una imagen precisa de la empresa y la situación. Todo ello, permite tomar decisiones mejor informadas y con menor riesgo.
Seguridad y supervisión semi-autónoma de infraestructuras y terminales, y mayor capacidad de control mediante sensores de temperatura y humedad y otros controles ambientales, integrados y administrados por la IA. Esto permite el control de grandes áreas, instalaciones, equipos y vehículos a menor costo.
Optimización de rutas y precios. La información precisa, recogida, integrada y analizada por la IA permite el ajuste de costos y una estrategia comercial para cada una de las rutas de la red.
La Inteligencia Artificial, efectos en el Transporte de Pasajeros
Soporte a la toma de decisiones. De la misma forma que en el transporte de mercancías y otras industrias, la IA permite el uso de modelos predictivos avanzados y más confiables, facilitando la planificación.
En el escenario más prospectivo, el modelado basado en la IA y otras herramientas avanzadas pueden incluso reemplazar la planificación previa con un ajuste instantáneo, continuo y automático, del servicio, respondiendo a las necesidades cambiantes, ahorrando tiempo y aumentando la calidad.
Mejora de la seguridad y reducción de costos de mantenimiento: la IA permite el mantenimiento predictivo de la infraestructura y el material rodante, como MRO de infraestructura (Mantenimiento, reparación y revisión), MRO de material rodante, así como la optimización del consumo de energía.
Inteligencia artificial y pasajeros: la IA, junto con el reconocimiento facial y otras aplicaciones biométricas, optimizará los procesos que requieren controles de identidad, como la facturación del equipaje, la documentación y el control de fronteras, y debería permitir que la experiencia y trámites de los viajeros sean más rápidos y menos propensos a errores.
BIG DATA, EFECTOS EN TRANSPORTE Y LOGÍSTICA
Big Data, efectos en el Transporte de Mercancías
Mejor planificación. La búsqueda, recuperación y proceso de grandes volúmenes de datos en tiempo real (como costos, restricciones, limitaciones, ubicación de activos, etc.) mejora la precisión de las previsiones operativas. Unas mejores previsiones ayudan a optimizar la asignación de equipo, los tiempos de tránsito y las compras de combustible.
Analizar mejor el estado de los equipos y la vida útil de los activos, y promover el mantenimiento preventivo de la maquinaria y otros bienes muebles de una manera más precisa.
Optimización de la red de servicio. El nuevo nivel de análisis de datos proporcionado por Big data permite la optimización de rutas y la reducción de los costos operativos en general y en las futuras inversiones.
Ajuste de las operaciones. La captura, medición y análisis de parámetros durante las operaciones permiten establecer criterios realistas, ajustados a las circunstancias cambiantes, y la mejora del diseño y control de las operaciones.
Cambios en la fuerza de trabajo. Se generará demanda de perfiles técnicos en campos relacionados con la computación matemática, la ciencia de datos y la investigación de operaciones.
Big Data, efectos en el Transporte de Pasajeros
Mejor planificación. De manera similar al caso del Transporte de Mercancías, con el añadido de la mejor planificación en lo relativo al flujo de usuarios.
Mejor análisis del estado del equipo. De manera similar al caso del Transporte de Mercancías.
Avances con el márquetin y relación usuario. Big Data Analytics permite pronosticar cambios en el comportamiento del cliente, nuevas tendencias y micro-segmentación.
Cambios en la fuerza de trabajo. De manera similar al caso del Transporte de Mercancías.
Fuentes: CETMO e “Impacto de las KETs en la digitalización de los diferentes ámbitos del transporte”, CENIT-CINESI – Diciembre 2020
Con el soporte de:
Con el soporte de:
Subscribirse a nuestra newsletter
Reciba una actualización periódica de noticias y eventos