AIoT: la unión perfecta entre la Inteligencia Artificial y el IoT

El verdadero potencial del IoT Industrial solo puede alcanzarse mediante la introducción de la Inteligencia Artificial. En este artículo, iremos más allá del IoT y nos centraremos en el análisis y la explotación de datos, porque para nosotros el IoT sin el Big Data no es nada.

Tecnología
Escrito por:
Alex Cantos

La Importancia de los Datos en AIoT

Cuando escribimos sobre el IoT Industrial, en Barbara lo comparamos con el sistema nervioso de una empresa, imaginándolo como una red de sensores que recopila información valiosa de todos los rincones de una planta de producción y la almacena en un repositorio para el análisis y la explotación de datos. En estos artículos, enfatizamos la necesidad de medir y obtener datos para tomar decisiones informadas.

Pero, ¿qué ocurre después? ¿qué debemos hacer con todos esos datos? Siempre hablamos de tomar buenas decisiones basadas en información fiable, pero aunque pueda parecer obvio, no siempre es tan fácil conseguirlo. En este artículo iremos un poco más allá del IoT y nos centraremos en los datos y en cómo explotarlos.

Hablaremos de la fase de análisis, el proceso que convierte los datos primero en información y luego en conocimiento; lo que algunos denominan lógica empresarial. Al final, no nos alejamos tanto del área de IoT, porque para nosotros IoT sin Big Data no tiene sentido.

El auge del Big Data y el análisis de datos en el mundo industrial

Datos masivos

En las últimas décadas, especialmente en la última, hemos sido testigos de una increíble avalancha de datos (estructurados y no estructurados), producidos en masa por la ubicuidad de las tecnologías digitales. En el caso particular del mundo industrial, el valor de explotar esta enorme cantidad de información es de gran interés.

Esta necesidad de procesar los datos del negocio ha dado lugar al Big Data, la Ciencia de Datos o el Análisis de Datos, que podríamos definir como los procesos que seguimos para examinar los datos capturados por nuestra red de dispositivos, con el objetivo de revelar tendencias, patrones o correlaciones ocultas. Siempre con la idea subyacente de mejorar el negocio con nuevos tipos de conocimiento.

Existen diferentes definiciones para Big Data, una de ellas, mencionada por Gartner, considera 3 aspectos clave como el volumen de datos, su variedad o la velocidad con la que se capturan cuando se habla de Big Data. Estas son las llamadas 3Vs, aunque otros las extienden a 5Vs, añadiendo la veracidad de los datos y el valor que aportan al negocio.

Creemos, sin embargo, que no tiene mucho sentido entrar en disquisiciones teóricas sobre lo que es y lo que no es, porque el Big Data ya es prácticamente todo.

La relación entre el IoT y el Big Data

¿Cómo se relacionan IoT y Big Data? El principal punto de contacto suele ser una base de datos. En términos generales, podríamos decir que el trabajo de IoT termina en esa base de datos, es decir, su objetivo es volcar todos los datos adquiridos de forma más o menos ordenada en un repositorio común. El dominio del Big Data comienza volviendo a ese repositorio para jugar con los datos y obtener la información necesaria.

En cualquier caso, es interesante visualizar este Big IoT Data Analytics como una caja de herramientas. Una caja de la que sacaremos una herramienta u otra dependiendo del tipo de información y conocimiento que queramos adquirir de los datos. Muchas de estas herramientas son algoritmos tradicionales, o mejoras o adaptaciones de los mismos, con principios estadísticos y algebraicos muy similares. Algoritmos que no se inventaron en este siglo, lo que sorprende a muchos, que se preguntan por qué ahora son relevantes y no lo eran entonces.

La respuesta rápida es que el volumen de datos disponibles ahora es mucho mayor que antes, pero, sobre todo, que la potencia de cálculo de las máquinas actuales permite el uso de estas técnicas a mayor escala, dando, en cierto modo, nuevos usos a metodologías antiguas.

Pero tampoco queremos dar la impresión de que todo está inventado y que la tendencia actual en el análisis de datos no ha aportado nada, eso no es cierto. El ecosistema de datos es muy amplio y ha sido testigo de una fuerte innovación en los últimos años.

Una de las áreas de más rápido crecimiento es la Inteligencia Artificial. Aunque muchos argumentarán que no es un invento reciente, ya que este fenómeno se debatió ya en 1956. Sin embargo, la Inteligencia Artificial es tan amplia y su impacto tan grande, que a menudo se considera una disciplina autónoma. La realidad es que, de alguna manera, forma parte del Big Data o del Data Analytics. Es otra de esas herramientas que ya formaba parte de nuestra caja de herramientas pero que encontró una evolución natural con AIoT.

AIoT: la inteligencia artificial de las cosas

El crecimiento exponencial en el volumen de datos requiere nuevas formas de analizarlos. En este contexto, la Inteligencia Artificial se vuelve particularmente relevante. Según Forbes, las dos principales tendencias que dominan la industria tecnológica son precisamente el Internet de las Cosas (IoT) y la Inteligencia Artificial.

El IoT y la IA son dos tecnologías independientes que tienen un impacto significativo en múltiples verticales. Mientras que el IoT es el sistema nervioso digital, la IA se convierte en un cerebro avanzado que toma las decisiones que controlan el sistema general. Según IBM, el verdadero potencial del IoT sólo se alcanzará mediante la introducción de AIoT.

Pero, ¿qué es la Inteligencia Artificial y en qué se diferencia de los algoritmos convencionales?

Normalmente hablamos de Inteligencia Artificial cuando una máquina (Artificial) imita las funciones cognitivas (Inteligencia) de los humanos. Es decir, resuelve problemas de la misma manera que lo haría un humano. O, digamos que una máquina es capaz de encontrar nuevas formas de entender los datos, nuevos algoritmos para resolver problemas complejos sin que el programador -y esta es la clave- los conozca, es decir, sin que el programador los programe. Así que podríamos pensar en la Inteligencia Artificial y, en particular, en el Machine Learning (que es la parte con mayor proyección dentro de la IA) como algoritmos que inventan algoritmos.

Acerca de Aiot por Barbara IoT

Dos formas de implementar AIoT: IA en la nube e IA en el Edge

La combinación de IoT+AI nos brinda AIoT (Inteligencia Artificial de las Cosas), sistemas inteligentes y conectados que son capaces de tomar decisiones por sí solos, evaluar los resultados de estas decisiones y mejorar con el tiempo.

Esta combinación se puede hacer de varias maneras, de las cuales nos gustaría destacar dos:

1. Por un lado, podríamos seguir hablando de ese cerebro como un sistema centralizado que procesa todos los impulsos y toma decisiones. En este caso, nos referiríamos a un sistema en la nube que recibe toda la telemetría de forma centralizada y actúa. Sería IA en la Nube (Inteligencia Artificial en la Nube).

2. Por otro lado, también debemos hablar de una parte muy importante del sistema nervioso: los reflejos. Los reflejos son decisiones autónomas que el sistema nervioso toma sin necesidad de enviar toda la información al procesador central (el cerebro). Estas decisiones se toman en la periferia,cerca de la fuente donde se originaron los datos. Es lo que se denomina Edge AI (Inteligencia Artificial en el Edge).

La IA Edge es un área emergente con un gran potencial para aportar inteligencia a todo tipo de equipos industriales. Las soluciones Edge industriales son necesarias para la toma de decisiones en tiempo real, una mayor seguridad y una alta fiabilidad.

Casos de Uso de AIOT: Edge AI versus Cloud AI

La IA en la nube proporciona un proceso de análisis exhaustivo que tiene en cuenta todo el sistema, mientras que la IA en el Edge nos da velocidad de respuesta y autonomía. Pero al igual que con el cuerpo humano, estas dos formas de reaccionar no son mutuamente excluyentes, sino que pueden ser complementarias.

Sin embargo, las organizaciones industriales que ya utilizan la IA en el Edge informan de una mayor calidad de producción y muchos menos problemas de mantenimiento.

Como ejemplo, un sistema de control de agua puede bloquear una válvula en campo en el momento en que detecta una fuga para evitar grandes pérdidas de agua y, en paralelo, notifica al sistema central, donde se pueden tomar decisiones de nivel superior como abrir válvulas alternativas para canalizar el agua a través de otro circuito. Las posibilidades son infinitas y pueden ir más allá de este simple ejemplo de mantenimiento «reactivo», para poder predecir posibles eventos y, por lo tanto, permitir un mantenimiento «predictivo».

Otro caso de uso es el despliegue de modelos de Inteligencia Artificial en el Edge para predecir los niveles químicos en la planta de suministro y purificación de agua, basándose en variables en tiempo real de forma cibersegura. Los operadores de agua pueden ahora lograr la máxima optimización de los bucles de control de dosificación de reactivos para un control más preciso de las variables a monitorizar y menores costes debido a la reducción en el uso de productos químicos.

En la nube, toda esta captura y transmisión de datos es extremadamente costosa, al tiempo que conlleva mayores riesgos de seguridad, ya que tiene una mayor superficie de ataque (un factor extremadamente importante en un sector como el del tratamiento de aguas y las infraestructuras críticas). EDGE permite integrar estos algoritmos localmente para su funcionamiento en tiempo real, a bajo coste y con unos estándares de seguridad inmejorables.

Con la evolución del Machine Learning y tecnologías como la nube y el Edge Computing, estos procesos se han automatizado por completo.

Otro ejemplo de AIoT se puede encontrar en Smart Grids, donde tenemos dispositivos inteligentes en el Edge que analizan los flujos de electricidad en cada nodo y toman decisiones de equilibrio de carga localmente, mientras que, en paralelo, envían todos estos datos a la nube para un proceso más a nivel nacional. El análisis a nivel macroscópico permitiría tomar decisiones de equilibrio de carga a nivel regional o incluso disminuir o aumentar la producción de electricidad, cerrando centrales hidroeléctricas o lanzando un proceso de compra de energía a un país vecino.

Los trabajos de investigación sobre Edge Computing se han disparado en los últimos años, pasando de una producción de unos 2.000 artículos anuales a más de 25.000, según Google Scholar. Además, la International Data Corporation (IDC) predice que el mercado de Edge Computing se duplicará en los próximos 4 años. Según Kevin Scott, CTO de Microsoft, la inteligencia Edge está demostrando ser la última milla en la convergencia de los mundos digital y físico.

Bárbara,  La plataforma Edge Industrial Cibersegura

Mientras que un número cada vez mayor de casos de uso de IoT exigen un mayor grado de procesamiento en el borde, las soluciones en el borde siguen lidiando con los desafíos de la conectividad segura y la gestión de aplicaciones. Aquí es donde entra en juego Barbara: nuestra plataforma de nodos edge diseñada con seguridad por diseño, permite el despliegue, la gestión y la configuración de aplicaciones en los nodos con un solo clic y de forma centralizada.

Si desea obtener más información sobre cómo implementar la IA en el Edge, póngase en contacto con nosotros.