Cuando hablamos de machine learning nos referimos, en general, a la habilidad de determinadas máquinas y, por tanto, de los sistemas informáticos que las gobiernan, para “aprender” de la experiencia. La computación moderna está basada en algoritmos (fórmulas matemáticas con muchos factores) que pueden llegar a ser muy complejos, y en “árboles de decisión” en los que se contienen instrucciones para la toma de decisiones del tipo “si X alcanza cierto valor haz esto” o “si sucede A, haz B” (dicho de una forma tremendamente simplificada).

Las técnicas de machine learning permiten a esos algoritmos no sólo tener en cuenta los datos de entrada que recibe, sino analizar si el resultado final es el adecuado (según unos parámetros previamente fijados) y tener en cuenta esos resultados cuando el algoritmo vuelva a ejecutarse. Se trata, por tanto, de un tipo de inteligencia artificial.

Hasta no hace mucho tiempo, las máquinas se limitaban a ejecutar las instrucciones que se les daban sin tener en cuenta el resultado final. Es decir, ante un desajuste era un operador humano quien tenía que intervenir, bien en la máquina en sí o en su programación, para corregir el problema. Como máximo, por ejemplo los robots industriales, estaban preparados para detenerse si se producía un error o había algún fallo en los datos o componentes de entrada. Es decir, un robot soldador en una cadena de producción de automóviles estaba programado para soldar unos puntos concretos previamente programados, pero no era capaz de saber si la soldadura estaba bien o mal. Como mucho, podían detenerse (y con ellos toda la cadena) si detectaban que la carrocería a soldar estaba mal colocada.  Pero no eran capaces de aprender.

Los sistemas basados en machine learning están diseñados para aprender de tres modos distintos:

  1. Aprendizaje supervisado: En este caso hay un “entrenamiento” supervisado por un operador humano. Por ejemplo, si quiero que un robot distinga entre perros y gatos, tendré que proporcionarle los datos que le ayuden a identificar qué es un perro y qué es un gato, y decírselo mediante “etiquetas”. Ejemplo: Mostrarle imágenes de muchos perros y gatos distintos, etiquetadas cada una como “perro” o “gato”, de tal modo que cuando el sistema tiene la cantidad suficiente de datos puede reconocer por sí solo a un perro o a un gato por similitud.
  2. Aprendizaje no supervisado: En un modelo de aprendizaje no supervisado, siguiendo el ejemplo anterior, le proporcionamos al sistema fotos de perros y gatos, pero no le decimos nada sobre ellos. El sistema aprende a reconocer que existen dos categorías distintas (aunque no sabrá cómo se llaman) y será capaz de, cuando le mostremos una foto que no ha visto nunca, decirnos si es A o B. Si el sistema es capaz de conectarse a distintas bases de datos externas (por ejemplo, internet), buscará similitudes con las imágenes que ha visto, palabras relacionadas con ellas y acabará poniéndoles nombre: “perro” y “gato” sin que nadie se lo haya dicho.
  3. Aprendizaje por refuerzo: El sistema aprende de la experiencia, no sólo de los datos que se le proporcionan (datos de entrada) sino de si sus decisiones han sido acertadas o erróneas (datos de salida). Las decisiones erróneas “penalizan” al sistema para no volver a repetirlas, mientras que las decisiones correctas lo refuerzan.

El papel del Machine Learning en la industria 4.0

La capacidad de aprender no sólo está ya presente en los robots industriales, sino en muchas aplicaciones informáticas: Google y Facebook son un buen ejemplo de cómo, a través de la exposición continua a las búsquedas, preferencias e interacciones del usuario, son capaces de realizar un “retrato robot” de cada uno de nosotros y de nuestros gustos. Aunque no se lo digamos, conocen nuestra edad, nuestro sexo, lo que nos gusta comer, beber, nuestros viajes favoritos, quién nos cae bien y quién no y centenares (si no miles) de datos más que se utilizan para mostrarnos, tanto en los resultados de búsquedas como en la publicidad, lo que realmente nos interesa ver.

Obviamente, los algoritmos de Google o Facebook son extremadamente complejos y requieren de una potencia computacional descomunal. Sin embargo, los procesos industriales (tanto en fabricación como en servicios) se desarrollan en entornos mucho más controlados, donde los datos de entrada no son tan numerosos. Esto permite simplificar los algoritmos y árboles de decisión y requiere mucha menos capacidad de computación, lo que los hace accesibles a muchas empresas en sus aplicaciones cotidianas. Por ejemplo, un almacén robotizado ya es capaz de decidir, en función de las dimensiones y volumen del objeto a almacenar, la forma más eficiente de hacerlo ocupando el mínimo espacio posible. Esto permite almacenar más productos en menos espacio, algo que ya aplican no sólo fábricas, sino establecimientos comerciales que manejan muchas referencias distintas, como las farmacias.

Los sensores son la clave

Un sistema automático basado en Machine Learning no puede aprender si no dispone de datos de entrada. Obviamente, de nada sirve tener un sistema inteligente si tenemos que alimentarlo de datos de forma manual. Para ello, la automatización industrial requiere de sensores de muy distinto tipo: cámaras que permiten reconocer formas y objetos, sensores de ubicación y posición en el espacio, sensores de presión, temperatura, sensores LIDAR (por ejemplo en los vehículos autónomos) y un largo etcétera. Estos sensores son los “sentidos” de un sistema basado en Machine Learning.

Todos estos sistemas auxiliares que posibilitan el funcionamiento adecuado de un sistema inteligente no es sólo que ya estén disponibles, sino que han experimentado una reducción muy significativa de su coste en los últimos años. Esto, junto con los avances en conectividad, permite que la aplicación del Machine Learning sea ya posible fuera del selecto círculo de las grandes corporaciones.

¿Qué beneficios aportan estos sistemas a una empresa?

Muchos y muy diversos. En comparación con los sistemas automáticos tradicionales, los basados en Machine Learning han demostrado ser más versátiles y adaptables, reducen espectacularmente la tasa de errores, son capaces de interactuar en entornos en los que hay seres humanos y entre sí y, sobre todo, son capaces de realizar con eficiencia tareas que eran impensables para un robot hace sólo unos años. Todo esto les convierte en una pieza clave del incremento de productividad derivado de la implantación de la Industria 4.0.