Con nuevas técnicas como Inteligencia artificial (AI) no solo nuestra sociedad, sino también la industria se enfrenta a un cambio fundamental. Si bien las empresas, desde el equipo de ingeniería hasta la alta gerencia, reconocen la necesidad de implementar IA en sus procesos de diseño y desarrollo, la implementación real de las tecnologías de IA ha sido lenta.

La razón principal es que muchos no saben exactamente cómo se puede usar esta técnica de manera eficiente y rentable. Sin embargo, esta es solo una de las muchas preguntas que las empresas deberían hacerse si quieren usar IA

Más allá de Alexa y conducción autónoma

Reconocimiento facial en Facebook, traducción automática o conducción autónoma: la inteligencia artificial ya se está utilizando en muchas áreas y nos permite vislumbrar un futuro en el que las máquinas pueden asumir tareas cada vez más importantes.

Pero, ¿qué significa la inteligencia artificial para un ingeniero en una empresa mediana o para un científico en un instituto de investigación? Las posibilidades son múltiples: con la IA, por ejemplo, se pueden aplicar nuevos métodos de control de alimentos o analizar la naturaleza geológica de las rocas para que los túneles sean más rápidos, más eficientes y menos costosos. En casi todas las áreas de investigación e industria, las tecnologías de inteligencia artificial se pueden utilizar para hacer que los procesos sean más eficientes o para encontrar nuevas formas de dominar las tareas.

Cómo la inteligencia artificial se vuelve eficiente

Cuando se habla de Inteligencia Artificial hoy, en la mayoría de los casos se entiende que una máquina puede imitar la acción humana inteligente, una definición que ha existido desde la introducción del término AI en los años 50. Pero para un uso realmente eficiente, la máquina solo se vuelve interesante si puede igualar o superar el rendimiento humano. Esa es la forma en que los humanos tenemos la capacidad de realizar tareas repetitivas o hacer que las cosas se hagan más rápido, con mayor seguridad o con mayor precisión por las computadoras.

Para esto, las máquinas tienen que ser entrenadas para tareas específicas. Tradicionalmente, esto significaba crear un programa que procesara los datos y luego entregara la salida que deseaba. La aplicación de Machine Learning, una técnica de IA ampliamente utilizada, revierte este enfoque al asegurarse de que la máquina obtenga todos los datos importantes y proporcione la salida que desea. La computadora luego escribe el programa apropiado para ello. En algunos casos, solo la entrada y la máquina crean un modelo correspondiente.

Datos, ganancias, modelo de aprendizaje automático: falta algo

Pero en la mayoría de los casos, los datos, el resultado deseado y la capacidad de crear un modelo de aprendizaje automático constituyen solo una pequeña parte de una aplicación. Lo que falta, por ejemplo, es todo el proceso de recopilación y procesamiento de datos por adelantado y su implementación en un sistema integrado.

Esto queda claro con el ejemplo de un sistema de asistencia de carril: un modelo de aprendizaje automático reconoce los carriles en las carreteras y puede garantizar que un vehículo mantenga su carril. Pero primero, se deben obtener y sincronizar los datos de muchos sensores y cámaras diferentes. Además, el sistema necesita información sobre la velocidad y si el vehículo debe girar. Estos datos deben analizarse y preprocesarse, por ejemplo, para corregir imágenes mal expuestas o perturbaciones de imagen causadas por fuertes nevadas.

El algoritmo de detección de carril debe integrarse en simulaciones para probar si funciona correctamente. Luego se instala en un procesador incorporado para ejecutarse en tiempo real en el vehículo.

AI como parte de un proceso de diseño completamente maduro

Todas estas tareas son espacios de trabajo de ingenieros e investigadores, sin los cuales el modelo de IA no funcionaría. Esto significa que la inteligencia artificial es solo un paso en el trabajo de muchos, al final del cual hay una máquina inteligente. De hecho, es solo una parte del desarrollo del modelo. Además, puede ser útil utilizar el desarrollo de algoritmos tradicionales o el modelado y la simulación.

Al observar todo el flujo de trabajo, hay algunos pasos esenciales más que tomar, como la capacidad de adquirir datos de sensores, documentos o bases de datos y analizarlos, analizarlos y procesarlos. Después del modelado, la implementación se llevará a cabo en aplicaciones de escritorio, en centros de datos y nubes, o en sistemas integrados.

Al final, AI es solo otra herramienta que podemos usar para resolver desafíos de una manera diferente o enfrentar nuevos desafíos. Queremos demostrar que los ingenieros e investigadores pueden acceder fácilmente a la IA, y que pueden usarla en un flujo de trabajo al que están acostumbrados, incluso si no tienen experiencia previa en este campo.

Extracto del discurso de apertura de la Expo Matlab