Del aprendizaje automático a la IA generativa: innovación para el mantenimiento

¿Inteligencia artificial o inteligencias artificiales?

La inteligencia artificial en pocas palabras

La Inteligencia Artificial (IA) es el campo de la informática que se centra en la creación de sistemas capaces de realizar tareas que requieren o imitan la inteligencia humana. Estas tareas incluyen el aprendizaje, el razonamiento, la resolución de problemas, la comprensión del lenguaje, la percepción e incluso la creatividad. La IA abarca una amplia gama de técnicas, desde sistemas basados en reglas, como la heurística y la metaheurística, hasta sistemas basados en datos, como el aprendizaje automático y el aprendizaje profundo impulsado por redes neuronales.

Hoy en día, el aprendizaje automático (Machine Learning) es la técnica más común para construir inteligencia artificial. El aprendizaje automático funciona analizando grandes conjuntos de datos, identificando patrones y utilizando esta información para tomar decisiones o hacer predicciones. Durante décadas, los primeros sistemas de IA eran en gran medida deterministas, es decir, seguían reglas predefinidas para tomar decisiones. Por ejemplo, un sistema de IA basado en reglas podría apagar automáticamente una máquina si la temperatura supera un determinado umbral.

Sin embargo, con los años, la IA ha evolucionado hacia sistemas más adaptables y sofisticados, en los que las máquinas no sólo ejecutan tareas, sino que también pueden aprender y mejorar con el tiempo. El proceso de aprendizaje es lo que distingue a la IA moderna de sus formas anteriores, haciéndola más versátil, adaptable e inteligente. Pero no nos engañemos, aunque pueda parecer algo mágico, el proceso requiere en realidad un número considerable de cálculos probabilísticos y estadísticos.

¿Es la IA generativa un modelo más de IA?

AI Generation  (AIGen) se refiere a una nueva forma de modelos de IA capaces de generar contenidos, como texto, imágenes o incluso música, de forma autónoma basándose en patrones aprendidos a partir de vastos conjuntos de datos. Estos modelos generativos se diferencian de la IA tradicional en que no se limitan a seguir reglas o clasificar datos, sino que crean nueva información basándose en su comprensión de los datos existentes. Esto los hace más flexibles y creativos en sus resultados.

Según Sundar Pichai, CEO de Google, un modelo generativo tiene como objetivo convertir cualquier entrada en una salida. Existe una amplia gama de modelos generativos, cada uno basado en tecnologías diferentes. Por ejemplo, MidJourney puede producir imágenes muy realistas a partir de una descripción de texto. Google Lens utiliza la visión por ordenador para identificar objetos o plantas a partir de una foto. O DeepL, que utiliza determinados modelos para traducir o resumir textos. El potencial de estas tecnologías informáticas emergentes va más allá del simple análisis de datos estructurados en bases de datos; nos permiten procesar cualquier tipo de información.

De la IA Generativa al LLM: cuando el hombre dialoga con la máquina

La categoría de modelos generativos más reconocida es la de los Modelos de Lenguaje de Gran Tamaño (LLM). Los LLM son un subconjunto de la IA generativa (GenAI) cuyo objetivo específico es la transformación del lenguaje natural en lenguaje natural. Esta capacidad permite el desarrollo de sistemas que pueden realizar tareas como traducir texto, entablar conversaciones con humanos, escribir código, etc. Estos modelos, ejemplificados por GPT-4 o Mistral Large, se entrenan con extensos conjuntos de datos de texto y están diseñados para comprender, producir y manipular el lenguaje humano con una sofisticación excepcional. Aprovechando arquitecturas de redes neuronales como transformadores, los LLM son capaces de gestionar dependencias de largo alcance dentro del texto y mantener el contexto a lo largo de diálogos o fragmentos prolongados.

Entre las capacidades clave de los LLM se incluyen:

• Generación de textos: Creación de respuestas de tipo humano a preguntas, redacción de ensayos o redacción de correos electrónicos.
• Comprensión contextual: Los LLM pueden comprender peticiones matizadas, tener en cuenta el contexto y ofrecer respuestas o sugerencias adaptadas a situaciones específicas.
• Integración de conocimientos: Pueden sintetizar conocimientos de diversas fuentes, lo que las hace útiles en campos técnicos como el mantenimiento, donde es crucial comprender documentación compleja o datos históricos.
• Interacción en lenguaje natural: Los LLM pueden entablar conversaciones dinámicas con los usuarios, adaptando sus respuestas en función de las entradas anteriores y ofreciendo explicaciones o aclaraciones cuando sea necesario.

A diferencia de los modelos de aprendizaje automático anteriores, que requerían entradas estructuradas (como datos de sensores), los LLM destacan en entornos no estructurados. Pueden analizar datos estructurados y no estructurados (como informes de mantenimiento, registros y manuales técnicos) e integrar estas diversas fuentes en un único resultado que sea procesable y contextualmente consciente.

Del aprendizaje automático a la IA generativa: la evolución impulsada por la demanda

Las tecnologías de IA aplicadas al mantenimiento han evolucionado espectacularmente. Inicialmente basadas en modelos tradicionales de machine learning (ML), ahora también incorporan modelos de IA generativa (GenAI). Esta evolución no ha sido solo un salto en el avance tecnológico, sino una respuesta a la creciente demanda de soluciones más inteligentes y adaptables que puedan gestionar la creciente complejidad de los datos y las necesidades de los usuarios..

Aprendizaje automático: un primer paso hacia el mantenimiento predictivo

En las primeras etapas, el ML supervisado se utilizaba para el mantenimiento predictivo: modelos de entrenamiento con conjuntos de datos etiquetados para pronosticar fallos en los equipos basándose en datos históricos. Por ejemplo, el mantenimiento predictivo en la industria manufacturera utilizaba algoritmos de ML para anticiparse a los fallos de la maquinaria, reduciendo el tiempo de inactividad y mejorando la eficiencia operativa. Estos primeros modelos destacaban en la identificación de patrones conocidos, pero sus limitaciones se hicieron evidentes a medida que los sistemas se hacían más complejos y las fuentes de datos más diversas. Les costaba adaptarse a entornos cambiantes y requerían una importante intervención manual para gestionar el etiquetado de los datos y el reentrenamiento de los modelos.

Siguieron las técnicas de aprendizaje no supervisado y semisupervisado, que permiten a los sistemas extraer información de datos no etiquetados y aprender de forma autónoma. Estos modelos han ampliado las capacidades predictivas, detectando anomalías o grupos sin etiquetas predefinidas. Sin embargo, aunque estos modelos han avanzado, el reto de dar sentido a los datos no estructurados -como documentos técnicos, registros o informes operativos en tiempo real- ha seguido siendo un obstáculo.

Agentes inteligentes: la solución a la diversidad de nuestros datos

El gran avance llegó con el auge de GenAI y LLM, con los que se pueden implementar muchos más sistemas inteligentes. Estos sistemas no sólo pueden comprender y generar lenguaje humano, sino también realizar razonamientos más sofisticados sobre datos estructurados y no estructurados. Con los LLM, los productos podrían ir más allá del reconocimiento de patrones para interpretar, adaptar y generar conocimientos de forma autónoma, lo que permitiría a las empresas aprender de información compleja y dispersa.

Este cambio de ML a GenAI ha permitido la creación de agentes inteligentes más interactivos, capaces de responder dinámicamente a consultas en lenguaje natural, generar explicaciones y ofrecer recomendaciones prácticas, transformando radicalmente los flujos de trabajo de mantenimiento.

Esta transición del ML a la IA generativa refleja la creciente demanda de las industrias de soluciones de IA que no se limiten a predecir problemas, sino que se adapten y razonen de forma autónoma. A medida que los datos se hacen más variados y los sistemas más complejos, la necesidad de asistentes inteligentes capaces de manejar la incertidumbre y las consultas específicas del contexto nunca ha sido mayor, impulsando la innovación en IA para el mantenimiento.

Nuestra visión: de las funcionalidades a los asistentes

Durante muchos años, la IA en el mantenimiento industrial se diseñó para realizar tareas específicas. Estas tareas se centraban en la automatización: programar el mantenimiento, predecir fallos u optimizar la asignación de recursos. Estas funciones, aunque útiles, estaban aisladas en su funcionalidad y a menudo requerían operadores humanos para interpretar e integrar manualmente los resultados.

Sin embargo, con el auge de IAGen y LLM, la visión ha evolucionado. Estamos pasando de crear funciones aisladas y específicas para cada tarea a diseñar asistentes de IA completos capaces de interactuar con los humanos en tiempo real, comprender el contexto y proporcionar una asistencia holística y dinámica. Estos asistentes ya no son meras herramientas, sino que se convierten en socios inteligentes capaces tanto de comprensión técnica como de comportamiento adaptativo.

Visión del asistente inteligente del mañana

CARL Berger-Levrault trabaja actualmente en varios casos de uso para que sus clientes puedan aprovechar el amplio abanico de posibilidades que ofrece la inteligencia artificial.

Para nosotros, los asistentes inteligentes del futuro permitirán:

• Comprensión del contexto: En lugar de limitarse a procesar datos en bruto, los asistentes de IA comprenderán el contexto más amplio de un entorno industrial: entenderán los calendarios operativos, priorizarán las tareas críticas e incluso se alinearán con los objetivos corporativos.
• Predecir y proponer: los asistentes de IA no sólo predecirán cuándo es necesario el mantenimiento, sino que también sugerirán las estrategias más eficaces para las reparaciones, teniendo en cuenta datos en tiempo real como la carga de trabajo de la máquina, las piezas disponibles y los horarios de los técnicos.
• Explicar y justificar: Estos sistemas ofrecerán a los usuarios explicaciones sobre sus recomendaciones, reduciendo así la naturaleza de «caja negra» de la IA. Esta transparencia reforzará la confianza y hará de la IA un socio más fiable y reconocido por su calidad.
•  Adaptarse y aprender: Aprovechando los LLM, los asistentes de IA podrán aprender de las interacciones de los usuarios, mejorando con el tiempo a medida que recopilen más información sobre los entornos en los que operan. Esto les permitirá anticiparse a las necesidades antes de que surjan, agilizando las operaciones y reduciendo el tiempo de inactividad y los costes de mantenimiento (se optimizan los cambios de piezas).

Más información sobre IA CARL

La IA al servicio del mantenimiento, cuando la tecnología está al servicio de la eficiencia

Imaginemos una planta de producción en la que se utiliza el mantenimiento preventivo tradicional. Un modelo de aprendizaje automático supervisa los datos de los sensores (temperatura, vibración, presión) y predice un posible fallo de la máquina, enviando una alerta al equipo de mantenimiento. En el antiguo paradigma, el técnico analizaba la alerta, recopilaba datos adicionales, consultaba los registros de mantenimiento y determinaba manualmente los siguientes pasos.

Consideremos ahora un asistente de IA alimentado por LLMs y Gen AIs en la misma instalación. Al detectar un posible fallo, el asistente de IA sigue los siguientes pasos:

• Análisis contextualizado: No solo informa del problema, sino que extrae información adicional de registros históricos de mantenimiento, datos de sensores en tiempo real e incluso programas operativos para ofrecer una imagen completa de la situación.
• Recomendaciones dinámicas: El asistente sugiere varias soluciones, que van desde la reparación inmediata hasta el ajuste de los parámetros de la máquina para prolongar el funcionamiento hasta un periodo de reparación más favorable.
• Interacción en lenguaje natural: un técnico puede pedir aclaraciones al asistente, por ejemplo: «¿Por qué se produce esta avería ahora?» o «¿Qué pasa si retrasamos las reparaciones 24 horas?». La IA responde en tono de conversación, explicando las razones técnicas subyacentes y los riesgos potenciales.
• Ajustes proactivos: La IA comprueba automáticamente las existencias de piezas de repuesto, la disponibilidad de los técnicos y los programas de producción para recomendar el momento óptimo de reparación, equilibrando el rendimiento de la máquina y las necesidades de producción. Incluso puede sugerir la reorganización de las tareas de otros técnicos para dar cabida a reparaciones urgentes.
• Colaboración: A lo largo del proceso, el asistente de IA aprende de las decisiones y contribuciones del técnico, lo que le permite mejorar sus recomendaciones futuras y adaptarse a los cambios en el entorno operativo.

En este estado futuro, los asistentes de IA no solo se anticipan a los problemas, sino que colaboran activamente con los equipos humanos, ofreciendo perspectivas, contexto y recomendaciones en tiempo real. El resultado es un proceso de mantenimiento más eficiente y menos disruptivo que ayuda a minimizar el tiempo de inactividad, mejorar la asignación de recursos y optimizar el rendimiento operativo a largo plazo.

CARL Berger-Levrault siempre ha apostado por la innovación, como demuestran estas soluciones basadas en diversos modelos de inteligencia artificial. Integradas en los procesos de mantenimiento industrial, promueven la transformación digital y allanan el camino hacia la era del mantenimiento 5.0.

Las soluciones con IA de CARL son un excelente ejemplo de cómo la IA, cuando se aplica eficazmente, transforma los procesos de mantenimiento de reactivos a proactivos, al tiempo que hace más eficiente e inteligente la gestión operativa.

También merece la pena descubrir