Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Actas Congreso Industrial Track 2021
Actas Congreso Industrial Track 2021
16 de noviembre de 2021
Editor de la serie
Javier Sedano
Grupo de Inteligencia Artificial aplicada y electrónica aplicada.
Instituto Tecnológico de Castilla y León (ITCL).
Burgos, España
Asesores de la edición
Manuel Luís González
Grupo de Inteligencia Artificial aplicada y electrónica aplicada.
Instituto Tecnológico de Castilla y León (ITCL).
Burgos, España
Raquel Redondo
IT Solutions Consultat. Smart Data & Process Automation – Corporate IT Department,
Grupo Antolín.
Profesora Asociada Departamento de Ingeniería Informática de la Universidad de Burgos.
Burgos, España
Elías F. Combarro
Grupo de Computación Cuántica y de Altas Prestaciones. Departamento de Informática
de la Universidad de Oviedo.
Oviedo, España
2
Javier Sedano
Encuentro Tecnológico
Burgos Industria 4.0
Actas del congreso Industrial Track 4.0. Segunda edición.
3
Prólogo
En el sistema digital y tecnológico donde la sociedad industrial, tecnológica y social se
encuentra en estos momentos, existen tecnologías disruptivas que pueden ayudar al
sistema y tejido empresarial actual y futuro; las razones se presentan a continuación:
Contenido
Raquel Redondo1,2
1
Corporate IT Department, Grupo Antolin, Burgos, España
[email protected]
2
Departamento de Ingeniería Informática, Universidad de
Burgos, Burgos, España [email protected]
1. Introducción
El futuro de muchas compañías depende de su grado de adaptación a los cambios y de su
capacidad de innovación. Hoy en día las empresas industriales buscan ser: más
competitivas, ágiles y eficientes, flexibles a los cambios, maximizar su producción,
garantizar la calidad, reducir los costes, ser sostenibles, etc., para conseguir todo esto se
puede hacer uso de la Inteligencia Artificial (IA). La transformación digital ha ido
avanzando en las empresas industriales gracias al uso de las Key Enabling Technologies
(KETs) de la Industria 4.0, como son: IA, Fabricación avanzada, Big Data, Industrial
Internet of Things (IIoT), seguridad y conectividad, etc. Como consecuencia, las
empresas cuentan con grandes volúmenes de datos e información que deben ser
analizados para otorgarles ventajas competitivas.
Los avances en la IA están creando nuevas oportunidades para que las empresas
aceleren la innovación, mejoren su competitividad y lideren su sector de actividad. Se
debe utilizar la tecnología como palanca de cambio, como palanca de generación de
nuevos modelos de negocio. La innovación es una acción y se deben ver las
oportunidades. Diferentes estudios [1, 2] concluyen que las empresas deben acelerar el
despliegue de la IA para profundizar en su transformación digital y mejorar su posición
competitiva. Pero transformar los procesos de negocio es en realidad una transformación
6
cultural, el desafío que se tiene por delante es tanto sobre cultura y liderazgo como sobre
datos, análisis y tecnología.
2. Fábrica Inteligente
Las fábricas quieren poder aprender y adaptarse a los cambios en tiempo real, y para ello
es necesario disponer de información y datos permanentes sobre los elementos que
intervienen en ellas. Para poder capturar toda esta información es necesario instalar
sensores y dispositivos IoT (Internet Of Things). Gracias a la IIoT (Industrial IoT), es
posible tener millones de elementos de datos relacionados con las fábricas y sus
máquinas. Sin embargo, todos estos conjuntos de datos son inútiles y costosos a menos
que puedan analizarse; aquí es donde aparecen las propuestas de Big Data. Visual
Analytics, IA, etc.
Gracias a toda la información que se dispone de las fábricas, de eventos del pasado y
del presente, y usando la IA, se pueden tomar decisiones en tiempo real. Se dispone de
información de gran valor para la toma de decisiones, lo que permite realizar las acciones
adecuadas para anticiparse a los problemas, aumentando las capacidades humanas a
través de la inteligencia en los datos. Si se dispone de toda la información necesaria y
analizan los datos, se tienen fábricas más eficientes, además, es posible conseguir una
mayor sostenibilidad, ya sea optimizando el consumo, reduciendo los recursos necesarios,
minimizando los residuos, etc., en definitiva, fábricas inteligentes. Algunos ejemplos
reales aplicados a la industria que usan IA son los siguientes: mantenimiento predictivo,
trazabilidad de piezas, optimización de energía, calidad predictiva, optimización
intralogística, optimización de los procesos productivos, o también, el gemelo digital.
Se debe creer en lo que se hace, hay que creer en el proyecto; está demostrado que si
las personas creen en lo que hacen, el éxito es más probable que si no es así. Debe existir
apoyo desde la dirección, dado que, los cambios suceden cuando los gerentes creen en
ello.
Los equipos deben ser multidisciplinares, no sólo tener científicos de datos, sino
también gestores de proyectos, desarrolladores de software, investigadores de IA, un
sponsor o patrocinador, etc. Es importante contar con expertos en la materia, tener un
equipo adecuado. Puede ser necesario crear un ecosistema de alianza con clientes y
empresas externas; por lo que si es necesario se trabajará con consultores o partners.
Siempre se debe tener en cuenta a los usuarios finales, es imprescindible analizar con
ellos sus requerimientos, porque son los que utilizarán las herramientas.
5. Conclusiones
Las claves más importantes a tener en cuenta para adoptar la IA de forma adecuada dentro
de una organización industrial son: la calidad del dato, es muy relevante creer en el
proyecto, se deben validar los resultados obtenidos, es imprescindible comprender lo que
se está haciendo e interpretar los resultados conseguidos, se debe hacer un seguimiento y
se debe ver como un proceso de mejora continua, los proyectos no acaban con el
despliegue sino que continúan.
8
Las personas con conocimiento del proceso productivo y del mantenimiento de las
máquinas implicadas deben ser miembros del equipo del proyecto. Es necesario alinear
las expectativas con las capacidades actuales de los sistemas de IA., es importante elegir
las tecnologías apropiadas a cada problemática, garantizando la disponibilidad continua
y permitir ejecutar las operaciones en los tiempos requeridos. Igualmente, se deben tratar
como proyectos de software; dado que los modelos de IA se deben integrar en sistemas
de software preexistentes o no y que no hay olvidarse ni de la experiencia de usuario ni
de la disponibilidad de los sistemas. Pero, la tecnología no es gratis, por lo que no hay
que olvidar la planificación de costes, el impacto económico, contemplar los beneficios
directos y la rentabilidad de la inversión.
Referencias
1. Beyond the hype: A guide to understanding and successfully implementing
artificial intelligence within your business. IBM (2018)
https://www.ibm.com/downloads/cas/8ZDXNKQ4 (accessed on 15 November
2021)
2. Artificial Intelligence in Europe. Spain. Outlook for 2019 and Beyond. How 277
Major Companies Benefit from AI. Report Commissioned by Microsoft and
conducted by EY (2018)
https://pulse.microsoft.com/uploads/prod/2018/10/WE_AI_Report_2018.pdf
(accessed on 15 November 2021)
3. How to Make an AI Project More Likely to Succeed. Harvard Business Review
(2018) https://hbr.org/2018/07/how-to-make-an-ai-project-more-likely-to-
succeed (accessed on 15 November 2021)
4. Redondo, R., Herrero, Á., Corchado, E., Sedano, J.: A decision-making tool based
on exploratory visualization for the automotive industry. Appl. Sci. 10, 4355
(2020) https://doi.org/10.3390/app10124355
9
[email protected]
Laboratorio de Sistemas Inteligentes, Universidad Carlos III
2
de Madrid, España
[email protected]
Abstract La Inteligencia Artificial y en concreto las Redes Neuronales
Convolucionales han supuesto una revolución en el campo de la Visión por
Ordenador. Esto es debido a la gran adaptabilidad que tienen estos algoritmos
a los múltiples grados de libertad de la información contenida en una imagen.
Es tal la importancia de estos algoritmos que se han consolidado como el
actual estado del arte en Visión por Ordenador. La repercusión de esta
tecnología, se puede observar en la gran cantidad de aplicaciones comerciales
que han salido al mercado, tales como el coche autónomo.
1. Introducción
La Visión por Ordenador es una disciplina tecnológica que pretende extraer información
del mundo tridimensional a partir de datos bidimensionales como puede ser una imagen
o un vídeo.
Para tal fin, esta disciplina utiliza herramientas para la captura, almacenamiento y
análisis de la información tales como: cámaras, bases de datos, CPUs o GPUs. Además
de las herramientas, la visión por ordenador utiliza métodos de análisis de la información
entre los cuales cabe destacar los algoritmos desarrollados por el Aprendizaje Profundo,
las Redes Neuronales Convolucionales.
Aunque el mayor desarrollo de la Visión por Ordenador se ha gestado las últimas
décadas, los inicios de esta disciplina datan de finales de los años 50. En esta época se
empezaron a plantear los primeros algoritmos que analizaban imágenes y pretendían
extraer la información tridimensional de la escena [1]. Sin embargo, no fue hasta la
utilización masiva de los ordenadores cuando esta tecnología se empezó a desarrollar
plenamente.
Los objetivos que pretende conseguir la Visión por Ordenador son: conocer la
estructura del mundo tridimensional, propiedades geométricas y propiedades del material
como colores y texturas. Toda esta información se pretende conocer en tiempo real, pues
esta tecnología se implementa en sistemas como controles de calidad o conducción
autónoma, que necesitan de una respuesta casi inmediata. A grandes rasgos, se pretende
10
que un sistema equipado con Visión por Ordenador responda ante estímulos como lo haría
un ser humano.
En este trabajo, se introducirán los distintos avances que la Inteligencia Artificial ha
propiciado a esta disciplina, así como las arquitecturas de las redes neuronales que se
consideran el estado del arte.
Dentro del aprendizaje supervisado, se encuentra los métodos estudiados por el Deep
Learning o Aprendizaje Profundo que utiliza redes neuronales multicapa para resolver
tareas tanto de clasificación como de regresión o predicción [2]. Estas redes neuronales
pueden ser de diferentes tipos. A continuación, se exponen las más utilizadas:
11
1
Algunas de las funciones no lineales más empleadas en la literatura son: ReLu, Sigmoide, Tangente
Hiperbólica y Exponencial.
12
4. Conclusiones
La visión por ordenador es una disciplina que ya tiene amplio recorrido, sus primeros
pasos los dio a finales de la década de los 50, pero su mayor revolución ha sido con el
desarrollo de la Inteligencia Artificial.
Las redes neuronales convolucionales se han establecido como el estado del arte en
Visión por Ordenador. En concreto caben destacar dos arquitecturas que han conseguido
cumplir con los requerimientos de tiempo y rendimiento que muchas aplicaciones
necesitan: YOLO y ResNet.
Referencias
1. Gonzalez R. y Woods. R.: Digital Image Processing. Pearson 2017.
2. Goodfellow I., Bengio Y. y Courville A.: Deep Learning. MIT Press, 2016.
3. Redmon J. y Farhadi A.: YOLOv3: An Incremental Improvement. ArXiv,
2018.
4. Xuejiao L. y Zixuan Z.: Speech Command Recognition with Convolutional
Neural Network, 2017 https://api.semanticscholar.org/CorpusID:44056087
13
Abstract. Este artículo trata de realizar una revisión del estado del arte de la
ingeniería neuromórfica y poner actuaciones necesarias sobre cómo resolver
problemas en el borde (en el Edge Computing), sabiendo que la tecnología en
estos momentos no es madura, pero que representa una oportunidad en el
procesamiento de imágenes y de series dinámicas temporales, en tiempo real.
En él se presentan detalles de cómo procesar, qué procesar y cómo las nuevas
redes pueden resolver problemas reales, también incorpora algunas ideas e
informaciones de genios que pueden encontrarse en la red, ya que trata de ser
divulgativo
6. Introducción
La Inteligencia Artificial ya es un término común en nuestras vidas. Una tecnología que
busca desarrollar conocimiento que permita a los sistemas desarrollar funciones que son
propias únicamente del ser humano y que difieren del pasado en que los sistemas actúan
en base a decisiones predefinidas o programadas.
No nos podemos olvidar del Big Data: ya que ha revolucionado la ejecución de estos
modelos de manera paralelizable, de modo que el procesamiento puede ser virtualizable,
en la cloud o de manera virtual, para que las ejecuciones sean más rápidas.
Pero debemos de pensar que la ejecución de estos algoritmos requiere un coste
computacional elevado (nada es gratis) y las respuestas son en función del problema a
resolver y no son instantáneas.
integrada en dispositivos como Jetson Nano desarrollado por Nvidia (Cass, 2020), (iii)
Vision Processing Unit (VPU) integrados en dispositivos como Mustang-V100-MX8
desarrollado por Intel (Intel Corporation, 2021), (iv) Tensor Processing Unit (TPU)
integrados en dispositivos como Coral desarrollado por Google (Coral.ai, 2020), (v)
Loihi, es un chip basado en núcleos de procesamiento neuromórficos cuyas
interconexiones están modeladas por una Spiking Neural Network, está desarrollado por
Intel (Davies, M. 2019).
Con todo, la integración de ambos sistemas hardware y software, en forma de bloques
con sintetización del ASIC, o directamente en la FPGA, permitirá desarrollar sistemas
neuromórficos reales, basados en circuitos analógicos para imitar estructuras
neurobiológicas ubicadas en el sistema nervioso. Un ejemplo de sintetización se presenta
a continuación, en la figura 1.
Fig. 1 Sintetización
¿Cómo se puede conseguir esta premisa?, para poder armonizar el coste computacional
y caminar hacia la Green AI. A continuación, se presentan los cuatro pilares básicos, que
permitirán reducir la huella de carbono.:
1. Volumen de datos de entrenamiento.
2. Cantidad de tiempo para entrenarlo.
3. Nº de iteraciones de optimización de parámetros.
4. No es necesario lo mejor. Pasar de un 92% a un 96% de FIT (porcentaje de ajuste)
puede llevar días.
9. Ingeniería neuromórfica
La ingeniería neuromórfica no es una disciplina reciente. Es poco conocida, aunque en
realidad existe desde hace más de tres décadas. Carver Mead tuvo la idea de diseñar
circuitos integrados y algoritmos capaces de imitar el comportamiento nervioso de los
animales.
Nuestro cerebro, procesa la información de una manera extraordinariamente eficiente.
Mead tuvo la habilidad de intuir hace más de medio siglo que algún día los ordenadores
podrían inspirarse en él para desarrollar capacidades que los algoritmos que utilizamos
en la informática clásica difícilmente podrían igualar. La computación neuromórfica,
como también se la conoce, no es en absoluto la primera tecnología que se inspira en la
manera en que la naturaleza ha encontrado la solución a un reto.
consiste en su capacidad de resolver algunos problemas con mucha más rapidez y de una
forma mucho más eficiente debido a su paralelismo intrínseco en su diseño, desde un
punto de vista energético que un ordenador convencional.
Para intuir el potencial real de la ingeniería neuromórfica es necesario que conozcamos
en qué medida un sistema neuromórfico consigue aventajar a un ordenador convencional
cuando ambos se enfrentan a la resolución de un mismo problema. Los sistemas
neuromórficos actuales se utilizan principalmente para investigación y son capaces de
resolver algunos problemas hasta 1.000 veces más rápido que un microprocesador
clásico.
Los investigadores están diseñando algoritmos que son capaces de procesar en tiempo
real datos sin estructura algo que, precisamente, se le da mal a los microprocesadores y
algoritmos convencionales. Los clásicos son muy eficientes cuando deben resolver
operaciones matemáticas muy complejas, que es algo con lo que nuestro cerebro y los
sistemas neuromórficos, que están inspirados en él, no se sienten cómodos, pero cuando
lo importante es explorar en paralelo la viabilidad con una gran cantidad de soluciones en
un entorno cambiante, y hacerlo a mucha velocidad, la computación neuromórfica marca
la diferencia.
actuales y los métodos de aprendizaje automático. Las SNN utilizan pulsos, que son
eventos discretos que ocurren en puntos en el tiempo, en lugar de los valores continuos
habituales. Cada pico está representado por una ecuación diferencial que representa un
proceso biológico, por consiguiente, son incomparables en arquitecturas Hardware o
analógicas; el más importante de los cuales es el potencial de membrana de la neurona.
Esencialmente, una vez que una neurona alcanza un cierto potencial, aparecerá un pulso
y luego se restablece la neurona que alcanza el potencial.
El principal problema radica en el entrenamiento de las SNN. Solo se cuenta con
métodos de aprendizaje no supervisados, como el aprendizaje de Hebbian y el STDP,
pero no existen un método de entrenamiento supervisado efectivo adecuado para SNN
que pueda proporcionar un mejor rendimiento.
Hoy, el futuro de SNN aún no está claro, pero es alentador, son los sucesores naturales
de nuestras redes neuronales actuales; pero, por otro lado, están lejos de ser herramientas
prácticas para la mayoría de los problemas reales. Aunque tiene una grandísima
disposición en el futuro, con un consumo energético muy inferior y que pueden ser
sintetizadas en un sustrato CMOS o FPGA. En la figura 2 se presenta una discretización
de impulsos sobre las neuronas; de manera que solo se activarán las neuronas asociadas
a las mismas.
En la Figura 3 se representan sistemas que forman parte del proyecto; un System of Chip
con multiprocesamiento, que incorpora modelos LSTM e incorpora el concepto de deriva
de los datos, e integrar sensores y protocolos y será testeado y probado sobre una prensa
de columnas.
13. Conclusiones
El futuro es incierto, pero los que nos dedicamos al desarrollo de sistemas de Soft
Computing tenemos el mayor reto de los años venideros, tratar de desarrollar algoritmos
verdes en un ecosistema cambiante, y donde las FPGAS pueden incorporar los algoritmos
directamente integrados en ella. Finalmente, incorporar, definir, diseñar y modelar la
tercera generación de redes neuronales SNN con un comportamiento puntual intrínseco
en ella para ahorrar una gran cantidad de cómputo.
Referencias
5. Xilinx Inc.: Zynq UltraScale+ MPSoC Processing System v3.3, LogiCORE IP
Product Guide, 201, (2020)
6. Xilinx Inc.: Alveo Accelerator Card Product Selection Guide, (2019)
7. Cass, S.: Nvidia makes it easy to embed AI: The Jetson nano packs a lot of
machine-learning power into DIY projects - [Hands on], IEEE Spectrum, vol. 57,
no. 7, pp. 14-16, (2020)
8. Intel Corporation: Intel Edge Computing Portfolio e-Booklet, (2021)
9. Coral.ai: System-on-Module datasheet v1.11, (2020)
10. Davies, M., Srinivasa: N., Lin, T.-H., Chinya, G., Cao, Y., Choday, S. H., Dimou,
G., Joshi, P., Imam, N., Jain, S., Liao, Y., Lin, C.-K., Lines, A., Liu, R.,
Mathaikutty, D., McCoy, S., Paul, A., Tse, J., Venkataramanan, G., … Wang, H.
(2018). Loihi: A Neuromorphic Manycore Processor with On-Chip
Learning.IEEE micro, n. 38(1), pp. 82–99.
11. Intel Corporation, 2021:
https://www.intel.es/content/www/es/es/products/details/fpga.html
12. Xilinx Inc. 2019: https://www.xilinx.com/
19
14. Introducción
La computación cuántica [1] es una forma de realizar cálculos que aprovecha propiedades
intrínsecas de las partículas subatómicas, incluyendo la superposición, el entrelazamiento
y la interferencia, para ofrecer ventajas computacionales en algunos problemas.
Este tipo de ordenadores no son aún capaces de ejecutar correctamente algoritmos como
el de Shor, que requieren tolerancia ante fallos y largos tiempos de coherencia, es decir,
persistencia de las propiedades cuánticas del sistema durante periodos prolongados. Sin
embargo, estos dispositivos sí que pueden llegar a ser útiles en algoritmos que no son tan
estrictos en sus requerimientos.
Un ejemplo de este tipo de procedimientos incluye los métodos para la resolución de
problemas de optimización combinatoria mediante quantum annealers [4] (ordenadores
cuánticos de propósito específico, especializados en este tipo de tarea) o mediante
algoritmos como el Quantum Approximate Optimization Algorithm o QAOA [5].
Emplear estos métodos requiere realizar una serie de transformaciones sobre el problema
original, pero existen una serie de técnicas estándar que permiten emplearlos en casos
bastante generales.
Por otro lado, también se está explorando activamente la utilización de ordenadores
cuánticos para la implementación de modelos de machine learning, en particular
mediante el uso de redes neuronales cuánticas [6]. Esto abre la posibilidad de resolver
problemas en todas las ramas del aprendizaje automático, incluyendo el aprendizaje
supervisado, el no supervisado y el aprendizaje por refuerzo.
Finalmente, otra de las posibles aplicaciones de los ordenadores cuánticos de la era NISQ
es la simulación de procesos químicos y físicos. En ese sentido, algoritmos como el
Variational Quantum Eigensolver (VQE) ya han permitido la determinación de
propiedades de moléculas sencillas mediante dispositivos cuánticos reales [7].
Aunque todas estas exploraciones aún son preliminares, el avance de la tecnología de
implementación física de los ordenadores cuánticos y la constante mejora de los
algoritmos que se ejecutan en ellos abre la posibilidad de que podamos ver aplicaciones
prácticas en las que estos dispositivos ofrezcan una ventaja sobre la computación clásica
antes del final de esta década.
16. Conclusiones
La computación cuántica tiene, por sus aplicaciones, un potencial altamente disruptivo.
Problemas de optimización, machine learning o simulación de procesos físicos y
químicos pueden llegar a beneficiarse, en los próximos años, de la adopción de esta
tecnología. Este proceso puede resultar difícil por diversos factores, pero la creación de
equipos de trabajo exploratorio y el apoyo en grupos de expertos resulta clave para que
las empresas estén preparadas cuando llegue la revolución cuántica.
Referencias
13. Nielsen, Michael A. and Chuang, Isaac L. Quantum Computation and Quantum
Information. Cambridge University Press, (2000)
14. Arute, Frank, Kunal Arya, Ryan Babbush, Dave Bacon, Joseph C. Bardin, Rami Barends,
Rupak Biswas et al. "Quantum supremacy using a programmable superconducting
processor." Nature 574, no. 7779: 505-510 (2019)
15. Shor, Peter W. "Algorithms for quantum computation: discrete logarithms and factoring."
In Proceedings 35th annual symposium on foundations of computer science, pp. 124-134.
IEEE, (1994)
16. McGeoch, C. "Adiabatic quantum computation and quantum annealing: Theory and
practice." Synthesis Lectures on Quantum Computing 5, no 2:1-93 (2014)
17. Farhi, Edward, Jeffrey Goldstone, and Sam Gutmann. "A quantum approximate
optimization algorithm." arXiv preprint arXiv:1411.4028 (2014)
18. Schuld, Maria, and Francesco Petruccione. Machine Learning with Quantum Computers.
Springer (2021)
19. Kandala, Abhinav, Antonio Mezzacapo, Kristan Temme, Maika Takita, Markus Brink,
Jerry M. Chow, and Jay M. Gambetta. "Hardware-efficient variational quantum
eigensolver for small molecules and quantum magnets." Nature 549, no. 7671: 242-246
(2017)
20. QSpain. https://www.qspain.org