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

La importancia de los datos en la IAoT

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

Pero, ¿qué pasa después? ¿Qué debemos hacer con todos esos datos? Siempre hablamos de tomar buenas decisiones basadas en información fiable, pero aunque suene 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, del proceso que convierte los datos en información primero y en conocimiento después; lo que algunos denominan lógica de negocio. Al final no nos vamos a alejar tanto del área de IoT, porque para nosotros IoT sin Big Data no tiene sentido.

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

En las últimas décadas, especialmente en la última, hemos asistido a 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, Data Science o Data Analytics, 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 de Big Data, una de ellas referida 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. Son las llamadas 3Vs, aunque otros las amplían a 5Vs, añadiendo la veracidad de los datos y el valor que aportan al negocio.

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

La relación entre IoT y 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 por volver 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 en función 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 entonces no lo eran.

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

Pero tampoco queremos dar la impresión de que todo está inventado y que la tendencia actual del 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 esas áreas de más rápido crecimiento es la Inteligencia Artificial. Aunque muchos argumentarán que no es un invento reciente, ya que se habló de este fenómeno 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 de Big Data o Data Analytics. Es otra de esas herramientas que ya formaba parte de nuestra caja de herramientas pero que encontró una evolución natural con la IAoT.

AIoT: la inteligencia artificial de las cosas

El crecimiento exponencial del volumen de datos requiere nuevas formas de analizarlos. En este contexto, la Inteligencia Artificial cobra especial relevancia. Según Forbes, las dos principales tendencias que están dominando la industria tecnológica son precisamente el Internet de las Cosas (IoT) y la Inteligencia Artificial.

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

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

Solemos hablar 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.

‍

Dos formas de implantar la IAoT: IA en la nube e IA en los bordes

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

Esta combinación puede hacerse 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 estaríamos refiriendo a un sistema en la nube que recibe de forma centralizada toda la telemetría y actúa. Sería la 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 en los bordes es un área emergente con un gran potencial para dotar de inteligencia a todo tipo de equipos industriales. Las soluciones industriales de vanguardia son necesarias para la toma de decisiones en tiempo real, la mejora de la seguridad y la alta fiabilidad.

Casos de uso de AIOT: Edge AI frente a 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 borde nos da velocidad de respuesta y autonomía. Pero al igual que ocurre con el cuerpo humano, estas dos formas de reaccionar no son excluyentes, sino que pueden ser complementarias.

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

Por ejemplo, un sistema de control de agua puede bloquear una válvula sobre el terreno en el momento en que detecta una fuga para evitar pérdidas importantes de agua y, paralelamente, avisa al sistema central, donde se pueden tomar decisiones de mayor nivel, como abrir válvulas alternativas para canalizar el agua por otro circuito. Las posibilidades son infinitas, y pueden ir más allá de este simple ejemplo de mantenimiento "reactivo", para ser capaces de predecir posibles sucesos y permitir así un mantenimiento "predictivo".

Otro caso de uso es el despliegue de modelos de Inteligencia Artificial en el Edge para predecir los niveles de productos químicos en la planta de abastecimiento y depuración de agua, basándose en variables en tiempo real de forma cibersegura. De esta forma, los operadores de agua pueden optimizar al máximo los lazos de control de dosificación de reactivos para un control más preciso de las variables a monitorizar y una reducción de costes por la disminución del uso de productos químicos.

En la nube toda esta captura y transmisión de datos es extremadamente costosa, a la vez que conlleva mayores riesgos de seguridad al tener una mayor superficie de ataque (factor extremadamente importante en un sector como el tratamiento de aguas e infraestructuras críticas). EDGE permite integrar localmente estos algoritmos para operar 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 IAoT puede encontrarse en Redes eléctricas inteligentes, donde tenemos dispositivos inteligentes en el borde analizando los flujos de electricidad en cada nodo y tomando decisiones de equilibrio de carga a nivel local , mientras que en paralelo envía 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) prevé que el mercado de Edge Computing se duplique en los próximos 4 años. Según Kevin Scott, CTO de Microsoft, la inteligencia de borde 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 más información sobre cómo implantar la IA en Edge, póngase en contacto con nosotros.