En concreto, el proyecto persigue que los modelos de IA en plantas industriales se mantengan autocalibrados, con altas prestaciones de rendimiento y precisión a lo largo del tiempo y con el menor coste posible. Para ello, ha implementado un sistema de control de calidad del dato y otro para la monitorización del drifting en los modelos (Data drifting y Concept Drifting). En este sentido, Jorge Martínez Santiago, R&I Manager of the IA & Industry 4.0 de SEGULA la en la oficina de Vitoria-Gasteiz, explica que “los modelos de machine learning responden a preguntas, con un clasificador que, por ejemplo, podría diferenciar entre perros y gatos. Cogemos un conjunto de datos y entrenamos al modelo, que aprende a diferenciarlos. Al principio, acierta bastante, pero, con el tiempo, los datos empiezan a no cuadrar con los utilizados para entrenar al sistema y el clasificador empieza a fallar. También puede ocurrir que, llegado un punto, el modelo intenta abarcar conceptos que no tenía definidos. De una manera u otra, es necesario reentrenar al modelo”. Al llevar a cabo un sistema para el sector industrial, el objetivo es que el modelo sea lo más eficiente posible, con el objetivo de clasificar, por ejemplo, piezas buenas y piezas malas. Dentro de la cadena de producción es necesario que sea, cuanto más estable, mejor. Los modelos de machine learning tienen lo que se llama “drif”, que produce inestabilidad. Es por ello que es fundamental la monitorización del mismo.

En una planta industrial es necesario realizar un mantenimiento de los modelos. Con este proyecto, SEGULA está planteando técnicas y tecnologías para poder saber el momento en el que el modelo ya no se ajusta a las necesidades iniciales y cómo resolver ese problema.

Además, se está desarrollando una tecnología denominada Transfer Learning, cogiendo modelos iniciales y reentrenándolos con nuevos datos. Jorge explica que, “si tengo una máquina en una fábrica y otra máquina igual en otra, tengo dos opciones, realizar todo el proceso de entrenamiento desde el principio, o coger los modelos que están funcionando en una máquina y reentrenar a la otra con nuevos datos para ahorrar tiempo”. De esta manera se asegura la calidad de los modelos, se mantienen calibrados, sin deriva o drifting y pueden mantener un alto rendimiento y bajo coste. Por último, el proyecto se enfoca en la calidad del dato, medido a través de gráficas, con el objetivo de saber si podemos utilizarlo para reentrenar al modelo. SEGULA cuenta con clientes que llevan años intentando realizar un modelo de machine learning que revise la calidad de las piezas, un sistema que puede ser clave para detectar problemas a tiempo.

En definitiva, el objetivo es conseguir un modelo sostenible en el tiempo a través del empleo de modelos IA en situaciones tan exigentes en rendimiento y coste, como son los entornos fabriles flexibles y de series cortas, unitarias y/o de alta exigencia de calidad. En concreto, el proyecto se está enfocando en su puesta en marcha en el sector de automoción, aunque se puede implementar en todos aquellos proyectos que utilicen machine learning o inteligencia artificial.