Reportaje

Casos de uso de aprendizaje profundo no están limitados a grandes empresas de tecnología

Las industrias que tradicionalmente no son impulsadas por la tecnología están empezando a encontrar formas de utilizar el aprendizaje profundo, demostrando que las herramientas no son solo para las grandes compañías de tecnología.

Ed Burns
por
Publicado:26 jun 2018

Cuando la compañía de publicidad digital Laughlin Constable fue contactada por la Asociación de Productores de Arándanos del Estado de Wisconsin sobre un proyecto para utilizar el aprendizaje profundo para identificar plagas en los pantanos de arándano, la idea fue recibida con escepticismo.

En primer lugar, no es el tipo de proyecto que suele asumir una empresa publicitaria. Y tampoco estaba claro si los productores tenían la base técnica sobre la cual construir este tipo de capacidad de aprendizaje profundo. Pero hablando en Spark + AI Summit en San Francisco, el vicepresidente de ingeniería de la empresa, Sam Saha, dijo que sentía que valía la pena intentarlo como un caso de uso de aprendizaje profundo.

"Hay muchas empresas allá afuera y no tienen el grupo de talentos [para usar IA]", dijo. "Se convierte en un círculo vicioso donde la innovación no está fluyendo con la corriente. En algún momento, solo tienes que levantarte y probar".

Aprendizaje profundo no solo para las grandes compañías tecnológicas

La mayoría de los casos de uso de aprendizaje profundo que hemos visto en los últimos años provienen de grandes jugadores de tecnología como Amazon, Facebook y Google. Esto ha creado la percepción de que, si bien es una herramienta poderosa, el aprendizaje profundo es solo para las empresas líderes, con una aplicabilidad limitada en entornos empresariales más generales. Pero algunos intentan demostrar que esta percepción está equivocada.

Saha dijo que su compañía se acercó al proyecto como una prueba de concepto que demostraría cómo las empresas menos conocedoras de la tecnología pueden implementar herramientas de inteligencia artificial.

Su equipo creó una aplicación para iPhone que permite a los cultivadores de arándanos tomar fotos de plagas sospechosas. Las imágenes iniciales fueron etiquetadas por los empleados de Ocean Spray, un importante comprador de arándanos que tiene interés en la salud de los pantanos. Luego, los ingenieros de datos de Laughlin Constable crearon un modelo de aprendizaje profundo utilizando TensorFlow para identificar variedades específicas de plagas en las imágenes de los agricultores.

Saha dijo que es un buen ejemplo de cómo las herramientas de inteligencia artificial como el aprendizaje profundo pueden ser utilizadas por organizaciones fuera de los centros tecnológicos de Silicon Valley y el corredor I-95. También muestra el poder de las herramientas de código abierto.

El modelo de aprendizaje profundo utilizado en el proyecto ya estaba construido y disponible en TensorFlow; solo necesitaba ser entrenado. Pero Saha dijo que hoy no ve mucha gente en las empresas que adopten este enfoque de uso de aprendizaje profundo. En su lugar, ve la creencia de que si no estás escribiendo modelos desde cero, no estás haciendo IA real, lo cual es contraproducente e impide la adopción de IA en negocios que podrían beneficiarse de ella.

"Desde el punto de vista empresarial, la gente siempre está preocupada sobre si realmente necesitamos la IA", dijo Saha. "Desde el punto de vista de la ingeniería, dicen que no somos Google. No somos Amazon. ¿Por dónde empezamos? Antes de siquiera intentar resolver un problema, se dan por vencidos".

Construyendo IA en la industria de la construcción

Es difícil alejarse mucho más de IA que verter concreto y tender tuberías, pero en la cumbre, un científico de datos sénior de la empresa constructora Bechtel Corp., Evann Smith, describió el caso de uso de aprendizaje profundo de la compañía, que apunta a optimizar la planificación de la construcción.

Smith actualmente lidera un proyecto para usar modelos de aprendizaje de refuerzo similares a los utilizados por AlphaGo, el modelo de inteligencia artificial que venció a los campeones humanos del juego Go in 2016, para encontrar la ruta más rápida para construir proyectos. El modelo ejecuta simulaciones paso a paso de proyectos, probando secuencias de colocación de concreto e instalación de tuberías para encontrar la secuencia óptima.

La mayoría de los procesos de aprendizaje profundo siguen este flujo de trabajo.

Hay una serie de características exclusivas de la construcción que históricamente han dejado a la industria menos dependiente de la tecnología que otras. Por un lado, dijo Smith, cada proyecto es único, lo que significa que esencialmente no hay un conjunto de datos de entrenamiento de proyectos anteriores que puedan usarse para trabajos de aprendizaje automático como el que está ejecutando. Esa es una razón por la que está usando el aprendizaje de refuerzo, en el que las simulaciones se convierten esencialmente en el conjunto de datos de entrenamiento.

Además, el método de desarrollo ágil, que se ha convertido en el paradigma líder para la creación de aplicaciones de inteligencia artificial en la mayoría de las empresas, en realidad no se aplica a la construcción, en la que los proyectos se completan secuencialmente en lugar de iterativamente.

Aún así, Smith dijo que cree que el potencial para llevar casos de uso de aprendizaje profundo a la industria de la construcción es enorme, y que Bechtel está comenzando a explorar esa promesa.

"El objetivo es tomar nuestro conocimiento de la industria y vincularlo con este aprendizaje profundo para hacer avanzar la industria", dijo. "El potencial para optimizar es realmente importante".

Investigue más sobre Inteligencia artificial y automatización