Muchos de Uds. Profesionales del
Mantenimiento se han de preguntar con respecto a la Inteligencia Artificial y
la Big Data, pero
¿Cómo puedo implementar estas
herramientas si la Data que tengo proveniente de las Fallas de los Equipos es
muy pequeña esto es, más bien Small Data?
La fuente de este resumen nace de
Industryweek, technology and IIoT Digital Tools y fue escrito por Alejandro
Betancourt.
Y ciertamente están en los correcto,
Porque la Big Data surge de la Empresas de Consumo en Internet, que usualmente
manejan miles de datos sino es que millones y que les sirven para entrenar
Modelos de Inteligencia Artificial.
Pero hay herramientas (SW) y
algoritmos que nos permiten manejar esa características de nuestro oficio de Conservación
Industrial en la Plantas de Fabricación. Para este articulo tengan por el
momento en mente cualquier Termo grafía de sus Equipos.
Una de las más importantes
organizaciones Mapi Foundation Org lleva ya varios años elaborando información
y haciendo encuestas así como Normalizando Términos para la Small Data, entonces
entremos en algunas Herramientas y sus definiciones.
La generación de datos sintéticos (Synthetic Data Generation ) Se utiliza para Sintetizar Imágenes que son Difíciles de
Recopilar en la Vida Real. Para ello, se pueden utilizar avances
recientes en técnicas como GAN, autoencoders variacionales, aleatorización de
dominios y aumento de datos.
El aprendizaje de transferencia (Transfer Learning) es una técnica que permite a
AI aprender de una tarea relacionada donde hay suficientes datos disponibles y luego utiliza este Conocimiento para Ayudar a
Resolver la Tarea de Datos Pequeños.
Por ejemplo, una IA aprende a
encontrar abolladuras de 1,000 imágenes de abolladuras recolectadas de una
variedad de productos y fuentes de datos. Luego puede transferir este
conocimiento para detectar abolladuras en un producto nuevo específico con solo
unas pocas imágenes de abolladuras y que se pueden relacionar con Fallas de los
Equipos.
Aprendizaje auto supervisado (Self-Supervised
Learning) : similar al aprendizaje de
transferencia. pero el conocimiento obtenido se adquiere resolviendo una
tarea ligeramente diferente y Luego se
Adapta al Problema de Datos Pequeños. Por ejemplo, puede tomar
muchas imágenes correctas y crear una cuadrícula similar a un rompecabezas para
ordenar por un modelo base. La resolución de este problema ficticio
obligará al modelo a adquirir conocimientos de dominio que se pueden utilizar
como punto de partida en la tarea de datos pequeños.
En el aprendizaje de pocos disparos (In Few-Shot Learning ), el problema de los datos
pequeños se Reformula para Ayudar al
Sistema de Inteligencia Artificial a Aprender una Tarea De Inspección más Fácil
y menos hambrienta de datos mientras se logra el mismo objetivo. Piensen en una
serie de Termo grafías de un Motor Eléctrico funcionando bien para generar un
nuevo set de termo grafías con funcionamiento erróneo y que les permita la comparación
en campo de otro motor incluso a través de Realidad Aumentada. En este
escenario, AI recibe miles de tareas de inspección más fáciles, donde cada
tarea tiene solo 10 (u otro número similarmente pequeño). Esto obliga a la
IA a aprender a detectar los patrones más importantes, ya que solo tiene un
pequeño conjunto de datos. Después de eso, cuando exponga esta IA al
problema que le preocupa, que solo tiene un número similar de ejemplos, su
rendimiento se beneficiará de haber visto miles de tareas similares de datos
pequeños.
¿Qué es la termografía infrarroja?
La termografía infrarroja es el
proceso de usar una cámara termográfica para detectar la radiación (calor) que
proviene de un objeto, convertirla en temperatura y mostrar una imagen de la
distribución de temperatura. Las imágenes de la distribución de
temperatura detectada se llaman termogramas y permiten ver objetos productores
de calor invisibles a simple vista.
El aprendizaje de una sola vez (One-Shot Learning) es un caso especial de
aprendizaje de pocas disparos u oportunidades, Donde el Número de Ejemplos por Clase de los que Tiene Que Aprender Es
Uno en lugar de unos pocos (como en el ejemplo anterior).
En la detección de anomalías, La IA Ve Cero Ejemplos de Defectos y Solo Ejemplos de Imágenes
OK. El algoritmo aprende a marcar cualquier problema que se desvía
significativamente de las imágenes que están bien como un problema
potencial.
El conocimiento codificado a mano (Hand-coded
knowledge) es un ejemplo en el que un equipo de expertos en IA entrevista a
los ingenieros de inspección e intenta codificar la mayor cantidad posible de
su conocimiento institucional en un sistema. El aprendizaje automático
moderno ha estado tendiendo hacia sistemas que dependen de datos en lugar de
conocimiento institucional humano, pero cuando los datos no están disponibles,
los equipos de IA capacitados pueden diseñar sistemas de aprendizaje automático
que aprovechen este conocimiento.
Humano en el Rizo (Human-in-the-loop) Human-in-the-loop o HITL se
define como un modelo que requiere la interacción humana y está asociado con el modelado y la simulación (M&S) en la taxonomía en vivo, virtual y
constructiva describe situaciones en las que cualquiera de las técnicas enumeradas
anteriormente se puede utilizar para construir un sistema de error inicial,
quizás algo más alto. Pero la IA es lo suficientemente inteligente como
para saber Cuándo Confía en Una Etiqueta
o No y Sabe Mostrarla a un Experto Humano
y diferir su juicio en este último caso. Cada vez que lo hace, también puede
aprender del ser humano, por lo que aumenta la precisión y la confianza en su
producción con el tiempo.
Por tanto Uds. podrán utilizar una o más
o una combinación de estos enfoques, y pueden construir e implementar modelos
efectivos de inspección visual capacitados en tan solo pocos datos.
