Aprendizaje automático en procesos automotrices
El aprendizaje automático es una práctica que ha ido tomando peso en una amplia gama de disciplinas durante los últimos años. Se considera un tipo de inteligencia artificial.
Normalmente el concepto de inteligencia artificial se relaciona con la robótica o el desarrollo de tecnologías de la información, sin embargo, puede ser aplicada en muchísimos campos, casi cualquiera que puedas imaginar.
Aplicado en la ingeniería industrial, el aprendizaje automático busca mejorar cualquier tipo de proceso de manufactura, transporte, extracción o básicamente, cualquier proceso relacionado con la industria. Esta investigación busca encontrar modelos novedosos que contribuyan a la mejora de procesos automotrices, específicamente en la industria mexicana.
Fue algo tedioso el proceso de investigación, ya que la mayoría de los artículos incluían lenguaje muy técnico e incluían muchas fórmulas matemáticas. A pesar de eso, al sumergirme más y más en la investigación se volvía más interesante, intrigante y emocionante. Esta claro que implicó gran dedicación de tiempo y esfuerzo, pero creo que valió la pena, ya que resultó ser una actividad entretenida y enriquecedora para mi formación académica. Leer no es lo mío, pero fue padre practicarlo en tantas diferentes posturas sobre un tema tan actual.
Casi en su totalidad se referían al aprendizaje automático de forma positiva. Es sorprendente ver la cantidad de modelos que pueden ser aplicados a diferentes ámbitos de la industria, desde el energético hasta el metalúrgico. En cuanto al sector automotriz, leí sobre varios modelos matemáticos que podrían ser utilizados para optimizar los procesos de fabricación en dicha industria.
La principal problemática a la que se enfrentan las investigaciones recientes es la existencia de un excesivo número de procesos poco efectivos. Se proponen soluciones diferentes en cada uno de ellos pero comparten la característica de utilizar las matemáticas, la aritmética, el aprendizaje automático y variacional y el benchmarking, para crear modelos o teorías que puedan corregir o mejorar dicho problema.
Uno de los artículos más valiosos que leí se titula "Un modelo nuevo variacional para la clasificación binaria en el contexto de aprendizaje automático supervisado". Dicho texto describe un nuevo modelo usando derivadas, integrales y algunas otras herramientas matemáticas, con el propósito de generar una condición de optimalidad. Como esta implícito en su nombre, dicha condición tiene como objetivo volver cualquier tipo de proceso óptimo y eficaz tomando en cuenta diferentes variables internas y externas. Dicho modelo también propone comparar condiciones de optimalidad de diferentes procesos para compararlos entre si y obtener mejores resultados. Con esto se observa que este modelo está estrechamente relacionado con el benchmarking.
El benchmarking es un concepto que se puede aplicar en cualquier proceso. Su principal función es buscar marcadores o benchmarks claves dentro del proceso para compararlos internamente dentro del mismo, o bien, con algún proceso parecido o relacionado.
También dentro de este modelo esta implicado el concepto de aprendizaje variacional. Este se refiere a la consideración de diferentes variables dentro del proceso, que posteriormente tendrán que ser evaluadas por un programa con el fin de mejorar el proceso mismo.
Un estudio que aportó mucho a mi investigación fue uno realizado por la Universidad Autónoma Metropolitana. En este, se estudió la eficiencia del sector eléctrico en México entre 2008 y 2015. Para esto se generó un modelo de recopilación de datos utilizando la estrategia de análisis de la envolvente de dato (DEA). Esta estrategia, según la enciclopedia académica virtual eumed "...es en origen un procedimiento no paramétrico que utiliza una técnica de programación lineal y que va a permitir la evaluación de la eficiencia relativa de un conjunto de unidades productivas homogéneas."(eumed.net). Una ventaja de la utilización de esta técnica "...se apunta a su flexibilidad, porque no exige que todas las unidades concedan la misma importancia a un mismo indicador parcial." (eumed.net).
Este estudio concluye que ninguna de las regiones analizadas es eficiente, sin embargo, todas producen la cantidad de electricidad requerida. Esta información puede ser muy valiosa para los responsables de las plantas eléctricas. A pesar de no tratarse de un estudio enfocado al sector automotriz, la metodología implementada es muy valiosa para cualquier proceso industrial.
Cabe mencionar que para la ejecución y planeación de algoritmos aplicados en los modelos estudiados, esta seriamente relacionado la ingeniería en sistemas, una disciplina que personalmente no es de mi agrado. Por otra parte, la esencia misma y el propósito de los modelos investigados está enteramente incrustado en el núcleo de la ingeniería industrial.
De los artículos y estudios analizados, ninguno de estos esta aplicado a procesos automotrices. A pesar de ello, todos los modelos y teorías propuestas podrían ser implementados en la industria automotriz. A continuación se muestra una gráfica que muestra los campos de estudio a los que pertenecen los artículos estudiados.
Al indagar un poco descubrí que el tema tratado en la investigación tiene implicaciones y está involucrado en polémicas de muchas áreas. Éstas incluyen a la política, la economía, las tecnologías de la información e incluso la ética. A pesar de esto, todas estas implicaciones se vuelven irrelevantes debido al enfoque dado a la investigación.
En resumen, todos los autores proponen un modelo, estrategia o fórmula para hacer un proceso más viable, eficiente y óptimo. Varían mucho en su complejidad matemática. Hay autores que establecen soluciones muy superficiales, que casi no implican matemáticas y se quedan en un nivel teórico o administrativo. Por el otro lado, algunos profundizan mucho y utilizan recursos matemáticos sumamente complejos, por lo tanto son muy difíciles de entender para alguien que no sea especialista en el tema.
Las ocho fuentes consultadas me parecieron muy relevantes para la investigación de este tema, por supuesto algunas con más peso que otras, como las dos anteriormente mencionadas. Cabe mencionar que dos de ellas no son recientes (2008) y por lo tanto no incluyen el concepto de aprendizaje automático, pero a pesar de ello si involucra predicciones sobre sistemas industriales por lo que las consideré de importancia para la investigación. Originalmente hice una compilación de quince fuentes y eliminé las que eran poco relevantes. Me sorprendió descubrir que la totalidad de los autores compartían la misma postura aunque proponían soluciones diferentes a su problemática particular. En lo personal, comparto con dichos autores su pensamiento sobre el aprendizaje automatizado. Pienso que es una herramienta sumamente útil y necesaria, que debe ser implementada poco a poco pero con cierta urgencia en la industria automotriz mexicana. Sin embargo, algunos artículos daban conclusiones un poco vagas y poco aterrizadas a mi parecer. Algunos casos de conclusiones de esta índole se presentan en los artículos: "Modelos matemáticos de los parámetros energéticos de desempeño de gasificadores tipo downdraft mediante técnicas de regresión" y "Metodología de mantenimiento centrado en confiabilidad (RCM) considerando taxonomía de equipos, bases de datos y criticidad de efectos"
Proceso de investigación disponible en: http://ito.mx/Mb2t
Referencias:
-Brito Pacheco, C. D., & Brito Loeza, C. F. (2018). Un modelo nuevo variacional para la clasificación binaria en el contexto de aprendizaje automático supervisado. Ingeniería, 22(2),1-8.[fecha de Consulta 14 de Febrero de 2020]. ISSN: 1665-529X. Disponible en: https://www.redalyc.org/articulo.oa?id=467/46758579001
-Damian, Edinson, & Dávila, Abraham (2019). Análisis comparativo de la complejidad cognitiva de la gestión de proyecto en el desarrollo de software en la iso/iec 29110-5-1-2 y la guía de los fundamentos para la dirección de proyectos del pmi. ReCIBE. Revista electrónica de Computación, Informática, Biomédica y Electrónica, 8(1),1-16.[fecha de Consulta 14 de Febrero de 2020]. ISSN: . Disponible en: https://www.redalyc.org/articulo.oa?id=5122/512259512008
-Saavedra Martínez, Jesús Iván, & Ibarguëngoitia González, María Guadalupe Elena, & Fuentes Pineda, Gibran (2019). Estimación del esfuerzo de proyectos de software con algoritmos de aprendizaje de máquinas. ReCIBE. Revista electrónica de Computación, Informática, Biomédica y Electrónica, 8(1),1-22.[fecha de Consulta 15 de Febrero de 2020]. ISSN: . Disponible en: https://www.redalyc.org/articulo.oa?id=5122/512259512010
-Navarro Chávez, José César Lenin, & Delfin Ortega, Odette V., & Díaz Pulido, Atzimba (2019). La Eficiencia del Sector Eléctrico en México 2008-2015. Análisis Económico, XXXIV(85),71-94.[fecha de Consulta 15 de Febrero de 2020]. ISSN: 0185-3937. Disponible en: https://www.redalyc.org/articulo.oa?id=413/41360950005
-Campos-López, Omar, & Tolentino-Eslava, Guilibaldo, & Toledo-Velázquez, Miguel, & Tolentino-Eslava, René (2019). Metodología de mantenimiento centrado en confiabilidad (RCM) considerando taxonomía de equipos, base de datos y criticidad de efectos. Científica, 23(1),51-59.[fecha de Consulta 15 de Febrero de 2020]. ISSN: 1665-0654. Disponible en: https://www.redalyc.org/articulo.oa?id=614/61458265006
-Gutiérrez-Gualotuña, Eduardo Roberto, & Soria-Amancha, Jorge André, & Tafur-Escanta, Paúl Michael, & Rodríguez-Trujillo, Natzarenna, & Villavicencio-Poveda, Ángelo Homero, & Arzola-Ruiz, José (2019). Modelos matemáticos de los parámetros energéticos de desempeño de gasificadores tipo downdraft mediante técnicas de regresión. Científica, 23(1),61-81.[fecha de Consulta 16 de Febrero de 2020]. ISSN: 1665-0654. Disponible en: https://www.redalyc.org/articulo.oa?id=614/61458265008
-Ortiz,F., Ñuño P., Torres R., Báez O. . (2008). Comparación del sistema de costos estandar y la teoría de reestricciones para el control del flujo de materiales mediante un modelo de simulación. Febrero 16, 2008, de Revista de la Ingeniería Industrial Sitio web: https://drive.google.com/drive/folders/0B4GS5FQQLif9fnFUQXptTWVtQzFsdzhSOG5nakhjOUY4N1V4WFFFbUxsUGFfc0VFNzZDLWc
-Báez O, Torres R, Alvarado A, Ortiz F, Moras C. (2008). Metodología de ayuda a la decisión para el plan de producción en sistemas de manufactura flexible. Febrero 16, 2020, de Revista de la Ingeniería Industrial Sitio web: https://drive.google.com/drive/folders/0B4GS5FQQLif9fnFUQXptTWVtQzFsdzhSOG5nakhjOUY4N1V4WFFFbUxsUGFfc0VFNzZDLWc
Normalmente el concepto de inteligencia artificial se relaciona con la robótica o el desarrollo de tecnologías de la información, sin embargo, puede ser aplicada en muchísimos campos, casi cualquiera que puedas imaginar.
 |
| Imagen extraída de: jajodesign.wordpress.com |
Aplicado en la ingeniería industrial, el aprendizaje automático busca mejorar cualquier tipo de proceso de manufactura, transporte, extracción o básicamente, cualquier proceso relacionado con la industria. Esta investigación busca encontrar modelos novedosos que contribuyan a la mejora de procesos automotrices, específicamente en la industria mexicana.
Fue algo tedioso el proceso de investigación, ya que la mayoría de los artículos incluían lenguaje muy técnico e incluían muchas fórmulas matemáticas. A pesar de eso, al sumergirme más y más en la investigación se volvía más interesante, intrigante y emocionante. Esta claro que implicó gran dedicación de tiempo y esfuerzo, pero creo que valió la pena, ya que resultó ser una actividad entretenida y enriquecedora para mi formación académica. Leer no es lo mío, pero fue padre practicarlo en tantas diferentes posturas sobre un tema tan actual.
Casi en su totalidad se referían al aprendizaje automático de forma positiva. Es sorprendente ver la cantidad de modelos que pueden ser aplicados a diferentes ámbitos de la industria, desde el energético hasta el metalúrgico. En cuanto al sector automotriz, leí sobre varios modelos matemáticos que podrían ser utilizados para optimizar los procesos de fabricación en dicha industria.
La principal problemática a la que se enfrentan las investigaciones recientes es la existencia de un excesivo número de procesos poco efectivos. Se proponen soluciones diferentes en cada uno de ellos pero comparten la característica de utilizar las matemáticas, la aritmética, el aprendizaje automático y variacional y el benchmarking, para crear modelos o teorías que puedan corregir o mejorar dicho problema.
 |
| Brito Pacheco y Brito Loeza. Extraída de artículo |
El benchmarking es un concepto que se puede aplicar en cualquier proceso. Su principal función es buscar marcadores o benchmarks claves dentro del proceso para compararlos internamente dentro del mismo, o bien, con algún proceso parecido o relacionado.
También dentro de este modelo esta implicado el concepto de aprendizaje variacional. Este se refiere a la consideración de diferentes variables dentro del proceso, que posteriormente tendrán que ser evaluadas por un programa con el fin de mejorar el proceso mismo.
Un estudio que aportó mucho a mi investigación fue uno realizado por la Universidad Autónoma Metropolitana. En este, se estudió la eficiencia del sector eléctrico en México entre 2008 y 2015. Para esto se generó un modelo de recopilación de datos utilizando la estrategia de análisis de la envolvente de dato (DEA). Esta estrategia, según la enciclopedia académica virtual eumed "...es en origen un procedimiento no paramétrico que utiliza una técnica de programación lineal y que va a permitir la evaluación de la eficiencia relativa de un conjunto de unidades productivas homogéneas."(eumed.net). Una ventaja de la utilización de esta técnica "...se apunta a su flexibilidad, porque no exige que todas las unidades concedan la misma importancia a un mismo indicador parcial." (eumed.net).
 |
| Lenin J., Delfín O. y Diaz A. Fragmento de artículo |
Cabe mencionar que para la ejecución y planeación de algoritmos aplicados en los modelos estudiados, esta seriamente relacionado la ingeniería en sistemas, una disciplina que personalmente no es de mi agrado. Por otra parte, la esencia misma y el propósito de los modelos investigados está enteramente incrustado en el núcleo de la ingeniería industrial.
De los artículos y estudios analizados, ninguno de estos esta aplicado a procesos automotrices. A pesar de ello, todos los modelos y teorías propuestas podrían ser implementados en la industria automotriz. A continuación se muestra una gráfica que muestra los campos de estudio a los que pertenecen los artículos estudiados.
 |
Gráfico de autoría propia
|
En resumen, todos los autores proponen un modelo, estrategia o fórmula para hacer un proceso más viable, eficiente y óptimo. Varían mucho en su complejidad matemática. Hay autores que establecen soluciones muy superficiales, que casi no implican matemáticas y se quedan en un nivel teórico o administrativo. Por el otro lado, algunos profundizan mucho y utilizan recursos matemáticos sumamente complejos, por lo tanto son muy difíciles de entender para alguien que no sea especialista en el tema.
Las ocho fuentes consultadas me parecieron muy relevantes para la investigación de este tema, por supuesto algunas con más peso que otras, como las dos anteriormente mencionadas. Cabe mencionar que dos de ellas no son recientes (2008) y por lo tanto no incluyen el concepto de aprendizaje automático, pero a pesar de ello si involucra predicciones sobre sistemas industriales por lo que las consideré de importancia para la investigación. Originalmente hice una compilación de quince fuentes y eliminé las que eran poco relevantes. Me sorprendió descubrir que la totalidad de los autores compartían la misma postura aunque proponían soluciones diferentes a su problemática particular. En lo personal, comparto con dichos autores su pensamiento sobre el aprendizaje automatizado. Pienso que es una herramienta sumamente útil y necesaria, que debe ser implementada poco a poco pero con cierta urgencia en la industria automotriz mexicana. Sin embargo, algunos artículos daban conclusiones un poco vagas y poco aterrizadas a mi parecer. Algunos casos de conclusiones de esta índole se presentan en los artículos: "Modelos matemáticos de los parámetros energéticos de desempeño de gasificadores tipo downdraft mediante técnicas de regresión" y "Metodología de mantenimiento centrado en confiabilidad (RCM) considerando taxonomía de equipos, bases de datos y criticidad de efectos"
Proceso de investigación disponible en: http://ito.mx/Mb2t
Referencias:
-Brito Pacheco, C. D., & Brito Loeza, C. F. (2018). Un modelo nuevo variacional para la clasificación binaria en el contexto de aprendizaje automático supervisado. Ingeniería, 22(2),1-8.[fecha de Consulta 14 de Febrero de 2020]. ISSN: 1665-529X. Disponible en: https://www.redalyc.org/articulo.oa?id=467/46758579001
-Damian, Edinson, & Dávila, Abraham (2019). Análisis comparativo de la complejidad cognitiva de la gestión de proyecto en el desarrollo de software en la iso/iec 29110-5-1-2 y la guía de los fundamentos para la dirección de proyectos del pmi. ReCIBE. Revista electrónica de Computación, Informática, Biomédica y Electrónica, 8(1),1-16.[fecha de Consulta 14 de Febrero de 2020]. ISSN: . Disponible en: https://www.redalyc.org/articulo.oa?id=5122/512259512008
-Saavedra Martínez, Jesús Iván, & Ibarguëngoitia González, María Guadalupe Elena, & Fuentes Pineda, Gibran (2019). Estimación del esfuerzo de proyectos de software con algoritmos de aprendizaje de máquinas. ReCIBE. Revista electrónica de Computación, Informática, Biomédica y Electrónica, 8(1),1-22.[fecha de Consulta 15 de Febrero de 2020]. ISSN: . Disponible en: https://www.redalyc.org/articulo.oa?id=5122/512259512010
-Navarro Chávez, José César Lenin, & Delfin Ortega, Odette V., & Díaz Pulido, Atzimba (2019). La Eficiencia del Sector Eléctrico en México 2008-2015. Análisis Económico, XXXIV(85),71-94.[fecha de Consulta 15 de Febrero de 2020]. ISSN: 0185-3937. Disponible en: https://www.redalyc.org/articulo.oa?id=413/41360950005
-Campos-López, Omar, & Tolentino-Eslava, Guilibaldo, & Toledo-Velázquez, Miguel, & Tolentino-Eslava, René (2019). Metodología de mantenimiento centrado en confiabilidad (RCM) considerando taxonomía de equipos, base de datos y criticidad de efectos. Científica, 23(1),51-59.[fecha de Consulta 15 de Febrero de 2020]. ISSN: 1665-0654. Disponible en: https://www.redalyc.org/articulo.oa?id=614/61458265006
-Gutiérrez-Gualotuña, Eduardo Roberto, & Soria-Amancha, Jorge André, & Tafur-Escanta, Paúl Michael, & Rodríguez-Trujillo, Natzarenna, & Villavicencio-Poveda, Ángelo Homero, & Arzola-Ruiz, José (2019). Modelos matemáticos de los parámetros energéticos de desempeño de gasificadores tipo downdraft mediante técnicas de regresión. Científica, 23(1),61-81.[fecha de Consulta 16 de Febrero de 2020]. ISSN: 1665-0654. Disponible en: https://www.redalyc.org/articulo.oa?id=614/61458265008
-Ortiz,F., Ñuño P., Torres R., Báez O. . (2008). Comparación del sistema de costos estandar y la teoría de reestricciones para el control del flujo de materiales mediante un modelo de simulación. Febrero 16, 2008, de Revista de la Ingeniería Industrial Sitio web: https://drive.google.com/drive/folders/0B4GS5FQQLif9fnFUQXptTWVtQzFsdzhSOG5nakhjOUY4N1V4WFFFbUxsUGFfc0VFNzZDLWc
-Báez O, Torres R, Alvarado A, Ortiz F, Moras C. (2008). Metodología de ayuda a la decisión para el plan de producción en sistemas de manufactura flexible. Febrero 16, 2020, de Revista de la Ingeniería Industrial Sitio web: https://drive.google.com/drive/folders/0B4GS5FQQLif9fnFUQXptTWVtQzFsdzhSOG5nakhjOUY4N1V4WFFFbUxsUGFfc0VFNzZDLWc
Comentarios
Publicar un comentario