Inteligencia artificial: la nueva frontera de la calidad de la Industria 4.0

Fecha de publicación
Cateogría del artículo Tecnología
Visualizaciones del artículo Leído  304  veces

Durante la segunda jornada de Advanced Factories, InfoPLC++ moderará una mesa redonda donde Infaimon, Eurecat y Tecnalia analizaran los avances en AI y quality management.

Inteligencia artificial: la nueva frontera de la calidad de la Industria 4.0

Lo acabamos de saber: investigadores de la Universidad de Texas en San Antonio UTSA, la Universidad de Florida Central (UCF), el Laboratorio de Investigación de la Fuerza Aérea (AFRL) y SRI International han desarrollado un nuevo método que mejora la forma en que la inteligencia artificial aprende a ver.

Dirigido por Sumit Jha, profesor del Departamento de Ciencias de la Computación de la UTSA, el equipo ha cambiado el enfoque convencional empleado para explicar las decisiones de aprendizaje automático que se basa en una sola inyección de ruido en la capa de entrada de una red neuronal. La nueva investigación de Jha se describe en el documento Sobre atribuciones más suaves usando ecuaciones diferenciales estocásticas neurales.

El equipo muestra que al agregar ruido, también conocido como pixelación, a lo largo de múltiples capas de una red proporciona una representación más robusta de una imagen que es reconocida por la IA y crea explicaciones más sólidas para las decisiones de IA. Este trabajo ayuda en el desarrollo de lo que se ha llamado explainable AI que busca permitir aplicaciones de alta seguridad de IA. "Se trata de inyectar ruido en cada capa", dijo Jha. "La red ahora se ve obligada a aprender una representación más robusta de la entrada en todas sus capas internas. Si cada capa experimenta más perturbaciones en cada entrenamiento, entonces la representación de la imagen será más robusta y no verá que la IA falla solo porque cambie unos pocos píxeles de la imagen de entrada".

En la mayoría de los modelos que se basan en ecuaciones diferenciales ordinarias neuronales (ODEs), una máquina se entrena con una entrada a través de una red y luego se propaga a través de las capas ocultas para crear una respuesta en la capa de salida. Este equipo de investigadores de UTSA, UCF, AFRL e SRI utiliza un enfoque más dinámico conocido como ecuaciones diferenciales estocásticas (DE). Explotar la conexión entre los sistemas dinámicos y mostrar que las SDE neuronales conducen a atribuciones menos ruidosas, visualmente más nítidas y cuantitativamente robustas que las calculadas usando ODE neuronales.

El enfoque SDE aprende no solo de una imagen, sino de un conjunto de imágenes cercanas debido a la inyección del ruido en múltiples capas de la red neuronal. A medida que se inyecta más ruido, la máquina aprenderá enfoques evolutivos y encontrará mejores maneras de hacer explicaciones o atribuciones simplemente porque el modelo creado al principio se basa en las características cambiantes y / o las condiciones de la imagen. Es una mejora en varios otros enfoques de atribución, incluidos los mapas de prominencia y los gradientes integrados

Inteligencia Artificial en la segunda jornada de Advanced Factories

Durante la segunda jornada de Advanced Factories, a las 11.15 h., se celebrará la mesa redonda Calidad e Inteligencia Artificial la jornada analizará cómo en los últimos tres años el número de soluciones a medida para la digitalización de la calidad se ha multiplicad en un panel donde se analizarán algunas soluciones industriales avanzadas para interpretar los datos de proceso con el soporte de inteligencia artificial y poder predecir cuando los parámetros de producción se han ido de rango y pueden ocasionar defectos en los productos fabricados. Identificar la causa raíz de un problema complejo con solape de desviaciones (RCA) es un ámbito apasionante en el que veremos crecer las alternativas.

La mesa redonda, moderada por InfoPLC++, participarán Toni Ruiz, director general de Infaimon; José González, researcher en Eurecat, y MIkel Sánchez Ponte, director del área de negocio de Smart System de Tecnalia.