Ver traducción automática
Esta es una traducción automática. Para ver el texto original en inglés haga clic aquí
#Novedades de la industria
{{{sourceTextContent.title}}}
Drones con IA: incorporación de vehículos aéreos no tripulados intuitivos al flujo de trabajo
{{{sourceTextContent.subTitle}}}
Los drones se incorporan cada vez más a los flujos de trabajo para ayudar a recopilar datos de alta calidad sobre los activos. Con el tiempo, los desarrolladores han tenido que impulsar la tecnología de los drones para satisfacer las demandas de los usuarios finales de un vuelo, una recopilación de datos, un procesamiento y un análisis más intuitivos y con mayor capacidad de respuesta.
{{{sourceTextContent.description}}}
En el seminario web "Drones and AI: Improving Workflows", Commercial UAV News se conectó con Yariv Geller de vHive, Toomas Välja de Hepta Airborne, Kabe Termes de Skydio, y Eric Wittner de Intel Geospatial, para discutir cómo la IA y el ML mejoran los flujos de trabajo desde la recolección de datos, el procesamiento y el análisis hasta el producto final. A continuación se presenta una versión resumida del seminario web, así que asegúrese de consultar la versión completa para obtener más información sobre este tema.
Danielle Gagne: La IA y el ML se utilizan a menudo indistintamente, pero tienen algunas diferencias. ¿Puede darnos su definición de Inteligencia Artificial (IA) y Aprendizaje Automático (AM)?
Yariv Geller: vHive es la única solución de software que permite a las empresas desplegar colmenas autónomas de drones para digitalizar sus activos y generar gemelos digitales. Utilizamos mucho la IA y el ML, y creo que lo más importante es lo que transmiten estos términos, lo que hay detrás de ellos. El objetivo que buscan las industrias es el sentido de la automatización, ya que cada vez fluyen más datos por las tuberías de las organizaciones, proporcionándoles un enorme valor. Pero en muchos casos, las organizaciones se están viendo abrumadas por la cantidad de datos que reciben. Parte de la promesa de la IA consiste en capturar los datos, analizarlos, automatizar los procesos y llegar a las ideas mucho más rápido, evitando así que la organización se ahogue en datos y llegando al punto mucho más rápido. También hay una noción de sistemas que pueden mejorar en términos de calidad con el tiempo, por lo que hay un sentido de ML, que es otra cosa interesante que vemos en diferentes industrias.
Toomas Välja: La IA es un término más general, que describe un método de resolución de problemas que no se pueden alcanzar con los métodos convencionales. Es algo que permite utilizar técnicas como el ML, un subcampo de la IA, en el que la mejora del algoritmo o el programa es similar a cómo aprenden los humanos. Buscamos resolver problemas y dar sentido a los datos. No importa cómo lo llamemos, si es IA, Deep Learning, Redes Neuronales o cualquier otra cosa. Si no estás hablando con científicos de datos reales, entonces, en mi experiencia, todos esos términos se usan indistintamente.
Eric Wittner: La IA como categoría general es una máquina que replica la inteligencia humana para decidir o realizar una tarea basada en un conjunto de reglas o procedimientos. Esas reglas pueden estar definidas por el ser humano, como el sistema de automatización del teléfono que te responde cuando hablas, o aprender como un algoritmo de detección de caras y Facebook, que te muestra todos tus amigos. El ML es un subconjunto de la IA, y permite que la IA aprenda las reglas por sí misma basándose en los datos proporcionados. Puede mejorar con el tiempo con más datos, que es una de las razones por las que creo que los drones y los vehículos aéreos no tripulados, en general, son tan emocionantes debido al volumen de datos que proporcionan. Estos algoritmos de ML pueden identificar y comprender las características de las cosas que ven en estas imágenes, como por ejemplo encontrar todas las casas en una especie de imágenes, determinar cuáles están dañadas y marcar las destruidas en respuesta a un tsunami. El aprendizaje profundo es el siguiente paso en el que la IA extrae información de los datos de forma no supervisada y te da las características que ve. Pero creo que en este espacio, la IA abarca la visión por ordenador, el análisis espacial y la predicción espacial. Todo ello está al servicio de la toma de decisiones o la realización de acciones para los clientes.
Kabe Termes: Me hago eco de muchas de las opiniones sobre los términos de IA y ML en cuanto a la ciencia exacta y la forma en que interactúan entre sí, pero me gusta pensar más desde el lado de las operaciones. Cuando pensamos en ML en Skydio, nos referimos a ello como casi un bloque de construcción de la IA. El ML puede utilizarse en un clasificador de imágenes para identificar los daños, y se pueden utilizar cosas como sensores ultrasónicos para determinar dónde está un obstáculo. Pero para que los drones aprovechen la IA, se necesita un dispositivo que pueda ver y entender el mundo que les rodea. Hoy en día, cada vez más empresas se orientan hacia las funciones de inteligencia artificial. Aun así, en Skydio somos firmes creyentes de que es necesario cruzar ese umbral para entrar en el espacio de la IA antes de poder tener una experiencia verdaderamente transformadora para sus pilotos. De esta manera, se puede empezar a escalar estos programas y a construir cosas, lo que depende de la unión de todas las diferentes piezas de ML en un dron verdaderamente habilitado para la IA.
Cuando los drones se introdujeron en las industrias comerciales, la atención se centró en la recopilación de una gran cantidad de datos de alta calidad. Pronto nos dimos cuenta de que esto creaba un cuello de botella en los procesos posteriores. Dado que se tardaba más tiempo en recoger, procesar, analizar y producir un producto final, se perdía toda la eficiencia o las ganancias en el proceso. ¿Puede dar un ejemplo que demuestre que estamos resolviendo estos cuellos de botella y cómo la IA y el ML son una parte importante de esa ecuación?
Eric Wittner: Creo que hemos visto este desafío repetidamente en el mundo de las imágenes y geoespacial a lo largo del tiempo. Cada vez que avanzamos en nuestra capacidad de recopilar información, nos cuesta gestionar, utilizar y tomar decisiones a partir de ella. A finales de los 90 y principios de los 2000, los conjuntos de datos lidar que obteníamos eran tan grandes que a veces resultaban incluso difíciles de procesar en la máquina. En realidad es un problema de tres partes: el tamaño total de los datos, y estamos viendo muchas de las soluciones en las que podemos gestionar grandes datos en la nube; luego hay que hacer que los datos sean utilizables, como tener las herramientas para manipular y asociar imágenes en torno a un específico; y, finalmente, realizar el análisis para obtener una visión de esos datos. Ese es el marco. Cuando se pueden gestionar, visualizar todos los datos juntos y asociarlos con características del mundo real para analizar y tomar decisiones, eso nos da la solución completa.
Toomas Välja: En Hepta Airborne, teníamos un trabajo de inspección de líneas eléctricas que se extendían decenas de miles de kilómetros. Era un sector bastante estancado en el que las inspecciones se hacían a pie, en los bosques, huyendo de los osos, perdiendo las botas de goma en los pantanos, o con helicópteros, que son caros. Así que empezamos a introducir los drones y enseguida nos dimos cuenta de que la cantidad de trabajo para mover las fotos y los vídeos entre las carpetas y gestionar todos esos datos disminuía las ganancias que se obtenían. Para solucionarlo, empezamos a crear una sencilla aplicación web para gestionar y consolidar los datos con el fin de desarrollar un enfoque estructurado, pero en ese momento no tenía nada que ver con la IA. Hoy en día, utilizamos la IA para acelerar los procesos de análisis manual, y aunque no pretendemos tener herramientas mágicas que lo detecten todo, las personas que realizan este trabajo acaban haciéndolo 2, 3, 5 veces más rápido que antes.
Cuando empezamos a recopilar todos estos datos, ¿cuál era el atractivo y el valor que veía la gente? ¿Por qué deberíamos considerar la IA para mejorar nuestra comprensión y nuestros resultados? ¿Cómo cierra la IA la brecha entre más y mejor?
Toomas Välja: Como intentamos automatizar al máximo los procedimientos de inspección de infraestructuras, a menudo es necesario examinar cada variante de un activo. Los métodos convencionales requieren que una persona revise las imágenes, así que tenemos dos formas de hacerlo más eficiente: o bien proporcionar herramientas que agilicen este proceso de selección o bien eliminar por completo el componente humano. Lo segundo es mucho más difícil de conseguir, pero creo que lo primero es un peldaño para alcanzar lo segundo.
Yariv Geller: Si tomamos como ejemplo la topografía de las torres, el método actual de captación de datos consiste en enviar a personas que se suben a lo alto de torres de 300 pies, utilizando una cinta métrica, teléfonos móviles para hacer fotos y quizá un marcador. Es peligroso. En primer lugar, lleva mucho tiempo, y no está permitido hacerlo con una sola persona, porque se trabaja en las alturas. Incluso entonces, sólo tomarán unos pocos puntos de datos, los enviarán a alguien en una oficina, que se sentará con algún software CAD, tratará de recrear lo que capturó, y obtendrá algo interesante de eso. Los drones ofrecen un método para obtener los mismos datos en una fracción del coste y el tiempo, sin poner en peligro a las personas y generando productos de datos y conocimientos a través de flujos de trabajo automatizados. Sustituir los procesos engorrosos y peligrosos por otros totalmente automatizados que ofrecen resultados en tiempo real es el principal atractivo que hemos visto en el sector. Los drones tienen que convertirse en una herramienta; no se ampliarán en una empresa si dependen de un experto en drones para utilizarlos. El concepto es tener un dron que cualquiera pueda lanzar cuando quiera, sacarlo de su maletero o de su mochila y dejarlo libre.
¿Cómo pueden los drones y la IA hacer realidad los objetivos de modernizar, arreglar y mantener nuestras infraestructuras y crear puestos de trabajo en todo el mundo? ¿Qué tipo de lagunas o desafíos prevé si las aplicaciones de IA no forman parte de esa ecuación?
Kabe Termes: Si miramos a los Estados Unidos en la actualidad, tenemos unos 620.000 puentes, 4 millones de millas de carreteras, 140.000 millas de ferrocarril, y algo así como unas 150.000 torres de telefonía móvil, 200.000 millas de líneas de transmisión, y sólo hay unos 200.000 pilotos en los Estados Unidos en la actualidad. Estamos utilizando drones para inspeccionar algunas de esas infraestructuras, pero los drones tienen que convertirse en un activo en el cinturón de herramientas de un operador para mantenerse al día con la demanda y realmente aumentar la escala. Los operadores de todos los días no tendrán que ser pilotos de drones y no necesitarán el alto grado de formación y mantenimiento que exigimos a los actuales operadores de UAV. Esto será fundamental, especialmente en los próximos diez años, cuando algunos de estos programas entren en juego a medida que las infraestructuras sigan desmoronándose y la necesidad de inspecciones se dispare. Ahí es donde entra en juego la IA. Uno de nuestros clientes en Japón, que realizó unas diez inspecciones de puentes en 2019, cambió su programa para aprovechar los drones Skydio con IA y ML e inspeccionó unos 700 puentes en 2021. Han reducido el tiempo de formación de unas 100 horas a 8 horas en total antes de poder equipar a estas personas y llevarlas al campo. En cuanto reduzcamos la carga de la formación y el nivel de conocimientos necesarios para que un operador pueda salir al campo, ese será el punto de transición".
Yariv Geller: Hemos tenido clientes que han sufrido equipos expuestos a entornos corrosivos que se colapsan si no se cuidan. En muchos casos, las empresas sólo se ven impulsadas a actuar cuando empiezan a ocurrir cosas malas de verdad, y nosotros queremos adelantarnos a ese derecho. Parte de la promesa de contar con activos digitales es la capacidad de responder de forma mucho más rápida e inteligente a lo que ocurre sobre el terreno. La capacidad de obtener información sobre la infraestructura crece enormemente gracias a estas herramientas y permite un trabajo mucho más ajustado. A veces, se tiende a considerar la IA y los ordenadores como una amenaza para la mano de obra, porque está quitando puestos de trabajo. Sin embargo, la democratización de los datos y la capacidad de utilizar drones de forma autónoma está ayudando a las personas a incorporarse a la fuerza de trabajo digital de muchas maneras, en lugar de ser expulsadas. Cuanto más empujemos la tecnología hacia la gente y la hagamos accesible, más oportunidades crearemos para participar en este esfuerzo.
Con un número creciente de conjuntos de herramientas de desarrollo de IA de empresas como AWS, Google y C3, ahora es más fácil que nunca desarrollar la IA. ¿Cómo mantendrá su empresa una ventaja competitiva en este creciente mercado de la IA?
Eric Wittner: Esa es una pregunta difícil. Vas a mantener tu ventaja competitiva construyendo tus herramientas o mejorando tus rutinas. Desde el punto de vista de Intel Geospatial, no sólo somos una plataforma para nuestra propia IA y ML; proporcionamos un lugar donde otras empresas pueden venir y alojar sus algoritmos y hacer sus análisis. Tenemos análisis de terceros sobre la invasión de la vegetación y la evaluación de las líneas de transmisión que viven en nuestra plataforma, pero no los creamos. Así que reconocemos que no vamos a construir todo. Hay áreas en las que mantenemos nuestro liderazgo en términos de IA y ML, pero queremos trabajar con otros líderes y llevar a los clientes todas las mejores herramientas que puedan utilizar para impulsar su toma de decisiones y sus acciones dentro de sus organizaciones.
Para terminar, ¿dónde ve el futuro de la IA y el ML a corto y largo plazo? ¿Y cómo crearán valor en la empresa?
Yariv Geller: Hay tres áreas en las que la IA puede servir al sector de los drones. La primera es ayudar a los drones a volar mejor, a no chocar con las cosas, a entender dónde están, etc. El otro ámbito es la adquisición de datos, la capacidad de planificar y comprender mejor los tipos y la ubicación de los datos que hay que capturar para obtener los resultados adecuados. Y la tercera área de actividad está en las aplicaciones industriales más verticales. Ahora que tengo los datos, ¿cómo puedo obtener una mejor visión de ellos? Estas son las tres principales áreas de actividad que veo ahora y en el futuro. Verás que esto ocurre a mayor escala con más y más casos de uso.
Eric Wittner: Dos cosas. En primer lugar, creo que los conocimientos impulsados por el cambio a lo largo del tiempo aplican la IA y el ML a medida que recogemos más y más de esta información en los mismos lugares y vemos lo que podemos recoger y determinar. Luego, una pequeña predicción de lo que vamos a ver a largo plazo es el despliegue de la IA y el ML en los dispositivos que generan información procesable. Intel es propietaria de una empresa llamada Mobileye, que fabrica sensores para vehículos autónomos y para la asistencia a la conducción, y toda la información geoespacial que se desprende de ellos hará que la IA y el ML empiecen a desplazarse hacia el borde.