La magia de AIoT = Al (Inteligencia Artificial) + IoT (Internet de las Cosas)

Todos debemos haber encontrado dos tendencias que dominan la industria tecnológica, Internet de las Cosas (IoT) e Inteligencia Artificial (AI). La convergencia de AI e IoT está lista para redefinir el futuro de la automatización industrial. Primero intentemos comprender estas dos tecnologías de forma independiente, cómo funcionan y finalmente integrarlas será como agregarle nata a un delicioso pastel.

«Cualquier tecnología suficientemente avanzada es indistinguible de la magia» – Arthur C Clarke

Inteligencia Artificial (AI)

La inteligencia artificial (AI) está omnipresente en el mundo de hoy. Se puede encontrar en su teléfono inteligente, en forma de un asistente de voz virtual, que siempre está ansioso por resolver sus consultas al escuchar una llamada de atención como «Hola Google». Al navegar por un sitio web, aparece un chat-bot para ofrecer una mejor experiencia al cliente (a veces para nuestra molestia). Las recomendaciones que recibe en Netflix, lo ayudan a seleccionar una serie web adecuada para pasar sus vacaciones de manera fructífera (mientras ve atracones).

Junto con la AI, ciertos términos como Machine Learning y Deep Learning se usan indistintamente. Aclaremos la distinción entre estos términos.


Ver post relacionados:

IoT en casa: Selección de varios dispositivos IoT para convertir tu hogar en una SmartHome


Este diagrama de Venn proporcionará una pequeña intuición sobre cómo se relacionan estos términos entre sí. Acuñado por primera vez en 1956 por John McCarthy, la AI involucra máquinas que pueden realizar tareas que son características de la inteligencia humana . Si bien esto es bastante general, incluye cosas como la planificación, la comprensión del lenguaje, el reconocimiento de objetos y sonidos, el aprendizaje y la resolución de problemas.

La AI se define como el estudio de «agentes inteligentes«. Ahora surge la pregunta ¿qué es un agente inteligente? Cualquier cosa que perciba su entorno utilizando sensores y tome acciones óptimas que maximicen sus posibilidades de alcanzar con éxito los objetivos. Las máquinas tienen la capacidad de pensar y actuar como humanos, así como tomar decisiones racionales.

Aprendizaje automático (ML)

Machine Learning, un subconjunto de AI, es una de las formas de lograrlo. Al escuchar esto, mi amigo me preguntó si hay otras formas de lograr IA además de ML. Sí, existen sistemas expertos basados ​​en reglas, pero involucran millones de líneas de códigos con reglas complejas y árboles de decisión.

«Dale un pez a un hombre y comerá hoy. Dale una caña y enséñale a pescar y comerá el resto de su vida» – antiguo proverbio chino.

El proverbio anterior explica que proporcionar una solución solo puede resolver el problema actual en un entorno particular. Pero si se aprenden los principios que lo llevan a la respuesta, entonces tendrá la capacidad de resolver cualquier problema relacionado. Extendiendo esta filosofía a las computadoras, Arthur Samuel definió el aprendizaje automático como la capacidad de aprender sin ser programado explícitamente.

Entonces, en lugar de funciones de codificación duras para realizar una tarea en particular, la computadora aprende un algoritmo por sí misma. El objetivo principal es permitir que la máquina aprenda a tomar decisiones automáticamente, sin mucha intervención humana y ajustar las acciones en consecuencia.

El sistema se basa en observaciones o ejemplos de capacitación para identificar patrones, extraer características y ser capaz de hacer inferencias y hacer predicciones cuando se encuentran con una situación similar. Por lo tanto, Machine Learning incluye ciertas técnicas estadísticas que permiten que las máquinas mejoren en tareas con experiencia (como nosotros).

Aprendizaje profundo y redes neuronales artificiales (ANN)

Ahora, cuando imitamos el atributo humano de la inteligencia en una máquina, ¿por qué no simular la forma en que opera nuestro cerebro en forma de modelo matemático?

Esto dio lugar al estudio de las redes neuronales artificiales. Nuestro sistema nervioso biológico se compone de múltiples unidades interconectadas llamadas neuronas, que recopilan entradas y se basan en reacciones electroquímicas y conexiones entre las neuronas, se transmite información y obtenemos una comprensión de nuestro entorno.


Ver post relacionados:

IoT en casa: Todo sobre Shelly


Inspirado por los sistemas biológicos, ANN se compone de «nodos» (neuronas artificiales) que forman parte de capas discretas y que tienen conexiones con otras «neuronas». Cada capa extrae una característica específica para aprender, como detectar bordes mientras se realiza el reconocimiento facial. Es esta estratificación la que le da su nombre al aprendizaje profundo, la profundidad se crea mediante el uso de múltiples capas en lugar de una sola capa.

Comparando el enfoque de Machine Learning con Deep Learning

Como lo indica la cita anterior, debido a la exageración, no debes sumergirte de inmediato en un aprendizaje profundo (juego de palabras). Dependiendo del conjunto de datos y la aplicación, incluso un simple modelo de ML podría ser el truco.

El ML convencional generalmente se usa para proyectos que implican predecir un resultado o descubrir una tendencia como la predicción del precio de las acciones o el filtrado de correo no deseado. En estos ejemplos, se utiliza un cuerpo limitado de datos estructurados para ayudar a las máquinas a aprender patrones que luego pueden usar para tomar una determinación correcta sobre los nuevos datos de entrada.

Echemos un vistazo a cómo los humanos recopilan datos …

La vista o visión es el más desarrollado de los cinco sentidos humanos. Lo usamos diariamente para reconocer a nuestros amigos, detectar obstáculos en nuestro camino, señales para guiarnos, completar tareas y aprender cosas nuevas. Otra habilidad desarrollada de los humanos es nuestra comprensión de los idiomas que nos ayudan a comunicarnos entre nosotros. Extender estas capacidades a las máquinas abre las puertas para dos campos, a saber:

1) Visión por computadora : se enfoca en capturar y almacenar una imagen, videos o cualquier dato visual, y luego transforma esos cuadros en información que se puede seguir aplicando.

2) Procesamiento de lenguaje natural : permite que una computadora se comunique con éxito en lenguaje humano utilizando texto, voz en diferentes idiomas humanos. Por ejemplo, el funcionamiento de «Ver traducción» que usamos a menudo para comprender los comentarios de una persona escritos en un idioma que no conocemos, en las redes sociales.

Aquí, los datos en forma de imágenes / cuadros de video (compuestos por millones de intensidades de píxeles) o texto que es una colección de palabras o audio son un montón de señales de onda. El punto a tener en cuenta es que las observaciones del mundo real tienden a ser enormes y desestructuradas. Por lo tanto, es una tarea tediosa extraer las características que se proporcionarán a un modelo de aprendizaje automático. Y aquí es donde el aprendizaje profundo viene a nuestro rescate al automatizar el proceso de extracción de características usando múltiples capas para extraer características parcialmente en cada capa.


Ver post relacionados:

IoT en casa : Shelly 1 V3


Internet de las Cosas (IoT)

En el viaje de construir artificialmente un sistema nervioso, se deja de lado un componente integral. Nuestros órganos sensoriales también juegan un papel crucial al proporcionarnos la capacidad de percibir nuestro entorno. También podemos comunicarnos con otros seres humanos, formar redes sociales, distribuir tareas más grandes entre nuestros compañeros de equipo. ¿Se pueden agregar estas habilidades en máquinas o en términos más generales en los objetos / dispositivos que nos rodean?

Internet de las cosas tiene mucho que ofrecer para este propósito. Las máquinas pueden recopilar datos a través de sensores que actúan como órganos sensoriales en este caso. Las cámaras pueden considerarse como los ojos, los sensores mecánicos (temperatura, presión, etc.) como la piel sensible y el micrófono como los oídos. Se ha avanzado mucho en la tecnología de sensores y recientemente ha habido una gran investigación en el desarrollo de sensores inteligentes.

Nuestros dispositivos o «cosas» ahora están conectados entre sí a través de Internet, lo que les permite hablar entre sí (comunicación de máquina a máquina o M2M). Una gran cantidad de protocolos de red como Wi-Fi, Bluetooth, Zigbee, BLE y otras formas de comunicación inalámbrica, han facilitado la formación de una red de cosas.

Ahora podemos lograr la informática distribuida compartiendo las tareas de procesamiento localmente donde se recopilan los datos (en el borde) y en los servidores (en la nube). Con esto, el sueño de tener hogares conectados, vehículos conectados, ciudades inteligentes, agricultura inteligente definitivamente se logrará en los próximos años.

Cuando ambos se unen …

La relación entre los dos es como un sistema nervioso periférico digital y el cerebro. El campo de IoT se ocupa de crear, recopilar y transmitir datos de todas las cosas posibles que nos rodean, y AI es responsable de integrar la inteligencia en los componentes de IoT. Nos ayuda a crear valor y obtener información significativa de los datos sin procesar, que son solo una mera basura de números para una computadora.

Algunas aplicaciones increíbles …

Vehículos autónomos: la opinión del CEO de Tesla, Elon Musk, sobre lo que hace que los autos autónomos de Tesla sean únicos: “Toda la flota de Tesla opera como una red . Cuando un automóvil aprende algo, todos lo aprenden . Eso está más allá de lo que otras compañías de automóviles están haciendo … «.

«Es mejor prevenir que curar»

Hasta ahora, solo lo consideramos aplicable a los humanos. Pero la gente ahora piensa desde una perspectiva más amplia al incluir también máquinas. Con esto, viene una aplicación interesante llamada «Mantenimiento predictivo».

Utiliza datos de varias fuentes, como registros de mantenimiento, datos de sensores de máquinas y datos meteorológicos para determinar cuándo será necesario reparar una máquina antes de que ocurra cualquier daño. Al aprovechar el poder de la IA, los operadores pueden tomar decisiones más informadas sobre cuándo una máquina necesitará reparación. Esto ayuda al sistema a ser proactivo, no reactivo.

La inteligencia artificial de las cosas tendrá un impacto en casi todas las industrias, incluida la automotriz, la aviación, las finanzas, la atención médica, la fabricación y la cadena de suministro. Por supuesto, hay algunas preocupaciones con respecto a la seguridad y la escalabilidad. Sin embargo, muchas otras tecnologías emergentes como Blockchain y Cloud Computing se están fusionando con AIoT para crear soluciones innovadoras que cambiarán nuestro estilo de vida. Ciertamente, el impacto será profundo. Concluyendo con una frase adecuada sobre Industria 4.0-

AI es la nueva electricidad, los datos son el nuevo carbón e IoT la nueva mina de carbón .

 

Sigue leyendo ésta noticia desde medium.com

Comparte esto:

Te podría interesar ver...