El aprendizaje automático y el internet industrial de las cosas (IIdC)
El aprendizaje automático empieza a estar en todas partes y la lista de posibles aplicaciones crece de manera exponencial.
Por ejemplo, muchas aplicaciones industriales no se basan en los datos masivos («big data»), sino en cómo aumentar la eficacia de las líneas de fabricación.
Una avería inesperada en el proceso de producción puede tener un coste muy alto. El fallo de un motor en el proceso de mezcla de alimentos fríos puede detener la producción, lo que podría suponer la pérdida de las materias primas.
Actualmente, muchas empresas utilizan un régimen de mantenimiento predictivo para programar paradas planificadas y evitar este tipo de errores. La supervisión basada en condiciones de elementos como motores o accionadores, contribuye a saber, por ejemplo, si el cojinete de un motor empieza a mostrar signos de un desgaste excesivo.
Los algoritmos de AA que se usan en los sensores periféricos del IIdC pueden determinar el momento en el que el nivel de vibración de un motor se sale de lo normal y emitir la advertencia correspondiente.
Solo en el ámbito industrial, el potencial de aplicación del aprendizaje automático TinyML es inmenso, pero conlleva algunos desafíos técnicos. A diferencia de las aplicaciones con datos masivos, los recursos de memoria y computación en un sensor periférico básico del IIdC son una parte muy pequeña de lo que hay disponible en un centro de datos. Una sola fábrica puede tener cientos de sensores, así que la economía de escala, el tamaño físico, la disponibilidad de una buena fuente de alimentación y la conectividad —con y sin cable— son factores importantes.
Sin embargo, en la mayoría de los casos, el algoritmo de la red neuronal en un detector de vibración es menos complejo que, por ejemplo, la investigación del espacio lejano, así que los desarrolladores de sistemas integrados deben determinar cómo ejecutar modelos de redes en microcontroladores de poca potencia alimentados por batería.
TinyML: el aprendizaje automático en la periferia
No es necesario que la plataforma de computación empleada para el aprendizaje de la red neuronal sea la misma que la de la implantación, lo que elimina uno de los procesos que más recursos precisa. Sin embargo, eso no significa que ya no haya problemas técnicos; por ejemplo, ¿se puede ejecutar el algoritmo respetando los tiempos adecuados?, ¿cómo se comunicará el dispositivo con el host para avisar al personal de operaciones? Los desarrolladores de sistemas integrados también se enfrentan a obstáculos. La mayoría no son expertos en datos y el proceso para asimilar conceptos de aprendizaje automático y saber trabajar con redes neuronales requiere un tiempo considerable.
En el próximo artículo, exploraremos la creciente lista de bibliotecas, entornos y herramientas de aprendizaje automático y de herramientas que simplifican enormemente el desarrollo y la implantación de las redes neuronales en un microcontrolador. Mientras, en el último informe de la serie, hablaremos de algunas plataformas para microcontroladores integrados adecuadas para aplicaciones TinyML.
Continúa leyendo en La implantación de los sistemas TinyML: bibliotecas, plataformas y flujos de trabajo
