Cada vez más, los ingenieros buscan integrar la inteligencia artificial (IA) en proyectos y aplicaciones, además de escalar su propia curva de aprendizaje sobre esta materia. Pero lo primero es entender qué es y cómo encaja en su flujo de trabajo actual, algo que puede no ser tan sencillo como parece.

La mayoría de los enfoques en torno a la IA se centran en su modelización, aunque después de unos cuantos proyectos iniciales se aprende que incluye un conjunto de pasos: preparación de datos, modelización, simulación, pruebas e implantación. De hecho, normalmente la IA es solo una pequeña pieza de un sistema más grande.

Necesita funcionar correctamente en todos los escenarios, interactuando con otros componentes del producto final, como, por ejemplo, diversos sensores y algoritmos para el control, el procesamiento de señales y la fusión de sensores. En estos escenarios, los ingenieros suelen tener las habilidades necesarias para incorporar con éxito la IA a su producto. Cuentan con conocimientos minuciosos sobre el problema y, aunque no sean expertos en IA, también poseen las herramientas necesarias para preparar los datos y diseñar modelos, lo que les permite empezar a trabajar y aprovechar sus áreas de experiencia existentes.

Hay cuatro pasos para el flujo de trabajo completo impulsado por la IA, cada uno de los cuales desempeña su propio papel crítico en su implementación exitosa en un proyecto.

Paso 1: Preparación de los datos

Este es el momento más importante en el flujo de trabajo de la IA y, seguramente, uno de los que más tiempo consumen. Sin datos sólidos y precisos, para utilizarlos como entrada y entrenar un modelo, la probabilidad de que los proyectos fracasen es mucho más elevada. Cuando los modelos de aprendizaje profundo no funcionan como se esperaba, se tiende a tratar de corregirlos centrándose en cómo mejorar el modelo ajustando los parámetros o realizando múltiples iteraciones de entrenamiento. Sin embargo, habría que poner el foco en los datos de entrada: preprocesar y garantizar su limpieza y correcto etiquetado.

Los modelos de IA existen dentro de un sistema más amplio y deben funcionar en concierto con todas las demás piezas

Para facilitar este proceso existen herramientas como MATLAB, que ayuda a crear, modificar y analizar arquitecturas de aprendizaje profundo, o a preprocesar los datos y automatizar el etiquetado de validación (ground-truth) en imágenes, vídeo y audio. Esto permitirá tener una visión más detallada de la maquinaria de campo. Además, el proceso es escalable y ofrece a los usuarios la flexibilidad de utilizar su experiencia en el sector sin tener que convertirse en expertos en IA.

PASO 2: MODELIZACIÓN

Una vez que los datos están limpios y correctamente etiquetados, es el momento de pasar a la fase de modelización del flujo de trabajo, que es donde se utilizan como entrada para que el modelo aprenda de ellos. El objetivo es crear un modelo sólido que pueda tomar decisiones inteligentes basadas en los datos y, sobre todo, en nuevos datos no vistos. Los modelos de IA pueden utilizar el aprendizaje profundo, el aprendizaje automático (SVM, árboles de decisión, etc.) o una combinación de ambos para buscar el resultado más preciso.

Los cuatro pasos que los ingenieros deben tener en cuenta para un flujo de trabajo completo basado en la IA. Fuente MathWorks.

El aprendizaje profundo (deep learning, DL) es una rama del aprendizaje automático que utiliza una estructura en capas de algoritmos llamadas redes neuronales y enseña a los ordenadores a hacer lo que es natural para los humanos: aprender de la experiencia. Los algoritmos de DL utilizan métodos computacionales para “aprender” información directamente de los datos sin depender de una ecuación predeterminada como modelo. Pueden ser muy potentes, pero requieren enormes cantidades de información. La elección entre utilizar uno u otro dependerá de los datos disponibles y del problema que se quiera resolver. Por ejemplo, el DL es especialmente adecuado para trabajar con imágenes en ámbitos como el reconocimiento facial o la detección de movimiento, tan necesaria en las tecnologías de conducción autónoma (detección de carriles o de peatones, aparcamiento autónomo…).

En esta etapa también hay que acceder a los numerosos algoritmos utilizados para los flujos de trabajo de la IA, como la clasificación, la predicción y la regresión, además de —si se considera necesario— utilizar una variedad de modelos preconstruidos desarrollados por la comunidad como punto de partida o para comparar. Realmente se puede poner en marcha el trabajo empezando con modelos similares ya existentes.

La modelización de la IA es un paso iterativo dentro del flujo de trabajo completo, y es importante hacer un seguimiento de los cambios que se realizan en el modelo a lo largo de este paso. Este seguimiento, junto con el registro de las iteraciones de entrenamiento, ayuda a explicar los parámetros que conducen al modelo más preciso y a crear resultados reproducibles.

PASO 3: SIMULACIÓN Y TEST

Los modelos de IA existen dentro de un sistema más amplio y deben funcionar en concierto con todas las demás piezas. Pensemos en un escenario de conducción automatizada: se empieza con un sistema de percepción para detectar objetos (peatones, coches, señales de stop), pero este debe integrarse con otros sistemas de localización, planificación de trayectorias, controles, etc. La simulación y las pruebas son fundamentales antes de desplegar un modelo en el mundo real, ya que permiten validar que el modelo funciona correctamente y que interactúa de forma adecuada con otros sistemas.

Los modelos de IA existen dentro de un sistema más amplio y deben funcionar en concierto con todas las demás piezas

La confianza en el modelo llega después de haber simulado y probado con éxito todos los casos que deberá gestionar, y cuando se pueda verificar que funciona según lo previsto. Para ayudar en este proceso existen herramientas como Simulink, que permite a los ingenieros verificar que el modelo responde como se desea para todos los casos de uso considerados, evitando rediseños, costosos tanto en dinero como en tiempo.

PASO 4: DESARROLLO

Una vez que está listo para el despliegue, el siguiente paso es elegir el hardware de destino y preparar el modelo en el lenguaje final en el que se implementará. Este paso suele requerir que los ingenieros de diseño compartan un modelo listo para la implementación, lo que les permite adaptar ese modelo al entorno de hardware designado.

Siguiendo estos cuatro pasos, y aprovechando las herramientas y la ayuda que tienen a su disposición, los ingenieros de diseño podrán desenvolverse mejor en un entorno que puede resultar muy intimidatorio.