Inteligencia artificial(I)

El Machine learning(ML) es la ciencia informática que trata de extraer conocimiento de los datos .Es un área de investigación donde se solapan disciplinas como la estadística, la inteligencia artificial y la informática.

Requiere de un enfoque multidisciplinar, con conocimientos avanzados en matemáticas (estadística y optimización) y programación( algoritmia, bases de datos).

Se puede considerar un subcampo de la Inteligencia artificial(IA) porque el objetivo es que los algoritmos aprendan automáticamente de los datos, extrayendo conocimiento de la información que éstos suministran, fundamentalmente para predecir resultados y por tanto hacer más inteligentes los sistemas.

La aplicación de métodos de ML está por todas partes y nos lo encontramos en el día a día .Por ejemplo en internet y en aplicaciones informáticas varias:

  • Recomendación automática de películas
  • Música según nuestras preferencias
  • Ofertas de productos según nuestros gustos
  • Detección de correos spam en los emails
  • Reconocimiento de fotos, voz, texto

Fuera del ámbito de internet nos lo podemos encontrar en áreas muy diversas :

  • Clasificación de estrellas y planetas ( Astronomía)
  • Análisis de secuencias ADN ( Bioquímica)
  • Detección de enfermedades( Medicina)
  • Conducción automática de vehículos( Industria automovilística)
  • Predicción de averías , optimización energética( Industria)

El ML es uno de los pilares de la industria 4.0 .

Hay distintos tipos diferentes de sistemas de ML y se pueden clasificar en diversas categorías:

  • Si se entrenan o no bajo supervisión humana
    • aprendizaje supervisado
    • no supervisado
    • semisupervisado
    • por refuerzo
  • Si pueden o no aprender de forma gradual sobre la marcha
    • aprendizaje online( sobre la marcha)
    • aprendizaje offline( por lotes)
  •  Si funcionan comparando datos nuevos con datos conocidos ( aprendizaje por instancias) o detectando patrones en los datos de entrenamiento y creando un modelo predictivo( aprendizaje por modelos)

Estos criterios podemos combinarlos como queramos. Por ejemplo podemos tener una red neuronal profunda entrenada para predecir una presión de trabajo, entrenada con datos almacenados previamente, que aprende sobre un periodo de 1 año. En ese caso tendríamos un algoritmo de ML supervisado, con aprendizaje offline basado en modelos.

En Enerlogix, además de con modelos termodinámicos, trabajamos con algoritmos de machine learning para enriquecer los sistemas de control avanzado que diseñamos y ponemos en marcha.

Los modelos termodinámicos pueden servir mejor allí donde se requiere calcular variables que no se pueden medir o resulte muy costoso el hacerlo y los modelos ML pueden funcionar mejor allí donde sí que se pueda medir y por tanto procesar , tratar y aprender de esa información.

Pero ambos tipos de modelos no necesariamente han de funcionar en escenarios divergentes  sino que pueden converger en modelos mixtos ,donde  modelos termodinámicos alimenten algoritmos de ML enriqueciéndolos y potenciándolos.

Enerlogix  trabaja  con ambos tipos de modelos , usando una inteligencia híbrida que aproveche lo mejor de cada uno para  predecir valores, detectar anomalías y  optimizar controles .