Simplemente configurar: GenISys lleva la IA generativa a la ingeniería de plantas
En el proyecto "GenISys", investigadores de la Universidad de Wuppertal colaboran con dos socios prácticos en el desarrollo de modelos generativos de IA para que la construcción de plantas embotelladoras sea más inteligente y eficiente en el uso de los recursos en el futuro. El objetivo global es promover el uso de la inteligencia artificial (IA) en sectores relevantes de la economía.
Los modelos generativos de IA están diseñados para generar nuevos contenidos a partir de datos existentes. Los modelos ya están integrados en muchas aplicaciones empresariales y de usuario y demuestran capacidades impresionantes, por ejemplo en la generación de textos similares a los humanos. "En el sector de la producción industrial, sin embargo, el potencial y el rendimiento conocidos de los enfoques de IA generativa siguen prácticamente sin aprovecharse. Esto se debe en parte a que los métodos de IA aún no se han adaptado a áreas de aplicación con requisitos muy específicos", explica el Dr. Hasan Tercan, líder de grupo del área de investigación "Aprendizaje profundo industrial" en el Instituto de Tecnologías y Gestión de la Transformación Digital de la Universidad de Wuppertal.
Complejo, costoso y lento
Una de estas áreas especiales de aplicación es el diseño y la construcción de sistemas de llenado industrial, por ejemplo para materiales en polvo y granulados como el cemento, que deben llenarse en bolsas en la producción en masa. El complejo proceso de configuración, en parte manual, de estos sistemas se caracteriza por pruebas de laboratorio para determinar las propiedades del material que debe llenarse, así como por el desarrollo y las pruebas en varias fases de un prototipo del sistema. En caso de que surjan nuevos requisitos de funcionamiento y cambien las propiedades del material, es necesario realizar otros ajustes durante el funcionamiento del sistema. "Esta naturaleza laboriosa del proceso de diseño, combinada con la necesidad recurrente de redefinir parámetros debido a cambios en el material, subraya la necesidad de un enfoque más innovador y adaptable a la configuración de la planta", afirma Tercán.
El científico y su equipo colaboran con la empresa de software Snap y el fabricante de plantas Haver & Boecker en el proyecto de investigación "GenISys", puesto en marcha recientemente para reducir el número de ciclos de prueba con la ayuda de tecnologías digitales y el uso de procesos de IA generativa. Su objetivo no es solo impulsar la implantación de ideas y servicios innovadores en la industria: la reducción de los costes de producción y el menor uso de materiales también protegen el medio ambiente. Según los socios del proyecto, la importancia de la innovación va mucho más allá de su aplicación directa en la ingeniería mecánica y de instalaciones. Dado que el proceso de desarrollo y formación de la IA se ha diseñado cuidadosamente para que sea adaptable y ampliable, el marco de aplicación puede reutilizarse posteriormente sin problemas en diferentes contextos -por ejemplo, en forma de modelo de licencia para un kit de módulos de IA-, lo que permite su integración en otras industrias.
Para más detalles: Enfoque del proyecto
La visión del proyecto es desarrollar una aplicación de software basada en IA, fácil de usar e interactiva para empresas de construcción de plantas y operadores de plantas. El punto de partida de "GenISys" son los datos y la información sobre un pedido de un cliente, a partir de los cuales el software que se va a desarrollar debe configurar una nueva línea de llenado. Los datos incluyen las propiedades del material del producto que se va a llenar -como el tamaño de las partículas y la densidad-, que se determinaron mediante pruebas de laboratorio, así como imágenes microscópicas existentes del producto, que antes se tomaban principalmente con fines de documentación y verificación. También se dispone de datos históricos de miles de configuraciones de sistemas y propiedades de productos para entrenar los modelos de IA integrados en el software.
Para que el software sea apto para su uso, hay que adaptar, y en algunos casos desarrollar de nuevo, la arquitectura de los modelos de IA, los métodos de entrenamiento, las estrategias de modularización para su integración en los procesos empresariales existentes y las estrategias de automatización para su optimización continua, así como los conceptos para integrar la retroalimentación humana.
Por ejemplo, los investigadores están utilizando métodos avanzados del campo del reconocimiento de imágenes basado en IA (red neuronal convolucional) para determinar automáticamente a partir de las imágenes características que faltan o que son difíciles de determinar, como las propiedades de abrasión y la humedad del producto de relleno, y enriquecer así la base de datos. También se están desarrollando y entrenando modelos de IA (incluidos modelos de redes adversariales generativas condicionales), que generan la configuración adecuada del sistema en función de los datos de entrada. Además, según las consideraciones al inicio del proyecto, podrían utilizarse redes neuronales artificiales independientes para evaluar la solución encontrada. La evaluación, a su vez, desemboca en el posterior entrenamiento de los modelos de IA.
"Un aspecto clave del proyecto es la integración y el desarrollo de estrategias de aprendizaje innovadoras para el procesamiento de datos y el entrenamiento de modelos, que utilizamos para garantizar que un modelo de IA desplegado pueda adaptarse continuamente a nuevas condiciones de funcionamiento, como cambios de material, nuevos sistemas o casos de uso", explica Tercan. El factor humano también entra en juego a la hora de aprender: el software debe permitir posteriormente al personal de explotación proporcionar información, comprobar las recomendaciones y corregir posibles errores en la configuración. Tercan: "El bucle de retroalimentación también garantiza que el sistema de IA continúe aprendiendo y adaptándose sobre esta base, mejorando gradualmente la precisión de sus recomendaciones."
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Más noticias del departamento ciencias
![visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
