Conocimiento Bóveda 4 /75 - IA Para El Bien 2023
Acelerando la fabricación sostenible con IA
TALLER DE IA PARA EL BIEN ML
< Imagen de Resumen >
Enlace al Video IA4GoodVer Video en Youtube

Gráfico de Conceptos & Resumen usando Claude 3 Opus | Chat GPT4o | Llama 3:

graph LR classDef humancentric fill:#FFD700, font-weight:bold classDef smartmanufacturing fill:#FF4500, font-weight:bold classDef supplychain fill:#8A2BE2, font-weight:bold classDef optimization fill:#7FFF00, font-weight:bold classDef aiapplications fill:#00CED1, font-weight:bold classDef edgecomputing fill:#FF69B4, font-weight:bold classDef robotic fill:#BA55D3, font-weight:bold classDef agriculture fill:#8B4513, font-weight:bold classDef employment fill:#4682B4, font-weight:bold classDef sustainability fill:#20B2AA, font-weight:bold A["Acelerando la fabricación sostenible
con IA"] --> B["Dr. Chun Wang:
fabricación inteligente
centrada en el ser humano 1"] B --> C["Fabricación inteligente:
internet industrial,
gemelos digitales 2"] B --> D["Se enfoca en las necesidades
humanas, colaboración
máquina 3"] B --> E["Desafíos:
modelado de sistemas
complejos,
colaboración 4"] A --> F["Malua Narayan:
IA, redes neuronales
para cadenas de suministro 5"] F --> G["Cadenas de suministro neuronales:
IoT, AR/VR, IA, nube 6"] F --> H["Capacidades neuronales:
adopción incremental
de etapas 7"] F --> I["Beneficios de la IA:
inventario, transporte,
optimización de fabricación 8"] F --> J["IA generativa:
modelado de negocios
automatizado,
materiales 9"] A --> K["Lei Ren:
fronteras de la IA
en internet industrial 10"] K --> L["Arquitectura neurodinámica:
inteligencia de borde
industrial eficiente 11"] K --> M["Red de nube-borde:
precisión de predicción,
tiempo de computación 12"] K --> N["Enfoque multi-borde:
diagnóstico de fallos
adaptativo 13"] K --> O["Red de atención temporal:
predice
indicadores de salud 14"] K --> P["Aprendizaje auto-supervisado:
mejora
sensores suaves 15"] A --> Q["Sistema robótico
gemelo digital:
conjuntos de datos
de agarre sintético 16"] Q --> R["Aprendizaje por transferencia:
modelos de IA
generalizan
a nuevas condiciones 17"] Q --> S["Grandes modelos,
gráficos de conocimiento:
generalización de modelos 18"] Q --> T["Sylvain Calinon:
enseñando a robots
habilidades de manipulación 19"] Q --> U["Desafíos:
datos diversos,
planificación anticipativa,
aprendizaje multitarea 20"] Q --> V["Usa sensores,
interfaces para
programar robots 21"] Q --> W["Aplicaciones:
giro de válvulas submarinas,
robot dibujante de retratos 22"] A --> X["Yongchang Zhang:
programación basada en
codificación 23"] X --> Y["Modelos matemáticos:
fabricación,
tareas computacionales 24"] X --> Z["Algoritmo evolutivo:
soluciones de programación
subóptimas 25"] X --> AA["Búsqueda paralela:
maneja 4000+
tareas rápidamente 26"] A --> AB["Ashruf Abushadi:
IA para
agricultura inteligente
en Namibia 27"] AB --> AC["Imágenes satelitales,
drones: mapean
especies invasoras 28"] AB --> AD["IA: ubicaciones óptimas
de cosecha
para biomasa 29"] AB --> AE["Herramientas digitales:
agricultores en el centro
a través de una app 30"] A --> AF["Irmgard Nübler:
impacto tecnológico
en empleo,
habilidades 31"] AF --> AG["La tecnología crea,
destruye empleos
históricamente 32"] AF --> AH["Ajuste:
reducción de horas,
I+D,
educación 33"] AF --> AI["Impactos de la robotización
varían
por país 34"] AF --> AJ["Aprovechamiento tecnológico
difiere entre
Asia, América Latina 35"] AF --> AK["Cambio rápido:
desigualdad, calidad
del trabajo,
vigilancia 36"] A --> AL["Thomas Sobottka:
fabricación
industrial
sostenible 37"] AL --> AM["Industria:
35% emisiones de CO2,
se necesita eficiencia 38"] AL --> AN["Barreras:
baja energía
renovable,
electrificar calor 39"] AL --> AO["Optimización con IA:
mejora eficiencia
energética 40"] AL --> AP["Gemelos digitales:
optimizan
datos en tiempo real,
energía 41"] AL --> AQ["Fábrica de demostración:
replanificación rápida
con pronósticos
solares 42"] AL --> AR["Fábricas de aprendizaje:
optimización energética
con IA
educación 43"] AL --> AS["Conclusión clave:
la IA ayuda
a la sostenibilidad
industrial 44"] class B,C,D,E humancentric class F,G,H,I,J supplychain class K,L,M,N,O,P edgecomputing class Q,R,S,T,U,V,W robotic class X,Y,Z,AA optimization class AB,AC,AD,AE agriculture class AF,AG,AH,AI,AJ,AK employment class AL,AM,AN,AO,AP,AQ,AR,AS sustainability

Resumen:

1.- Dr. Chun Wang presentó sobre la fabricación inteligente centrada en el ser humano, integrando sistemas cibernéticos, físicos y humanos.

2.- La fabricación inteligente implica productos inteligentes, producción y servicios, respaldados por internet industrial y gemelos digitales.

3.- La fabricación inteligente centrada en el ser humano se enfoca en las necesidades humanas en el diseño de productos, la colaboración humano-máquina en la producción y la transformación orientada a servicios.

4.- Los desafíos incluyen el modelado de sistemas complejos inciertos, la ingeniería del conocimiento a través de dominios y la colaboración humano-máquina efectiva.

5.- Malua Narayan habló sobre el uso de IA y redes neuronales para optimizar y reducir riesgos en las cadenas de suministro para el crecimiento sostenible de la fabricación.

6.- Las cadenas de suministro neuronales integran IoT, AR/VR, IA y la nube para ser adaptativas, permitir operaciones autónomas y auto-optimización.

7.- Las empresas pueden adoptar capacidades neuronales de manera incremental desde "neural-ready" a "neural-adopting" a "neural self-acting".

8.- Los estudios de caso mostraron los beneficios de usar IA para la optimización de inventarios, la reducción de costos de transporte y la optimización de la fabricación de acero.

9.- La IA generativa tiene potencial para el modelado de negocios automatizado para identificar nuevas aplicaciones para materiales.

10.- El profesor Lei Ren discutió las fronteras de la IA en internet industrial a través de la computación en el borde, la colaboración nube-borde, las técnicas basadas en datos y los gemelos digitales.

11.- La arquitectura neurodinámica permite una inteligencia de borde industrial eficiente mediante el aprendizaje secuencial adaptativo en dispositivos de borde con capacidad de cómputo limitada.

12.- La red de convolución temporal ligera nube-borde mejora la precisión de predicción y el tiempo de cómputo para la estimación de la vida útil restante.

13.- La división de etiquetas y el enfoque multi-borde mejoran el diagnóstico de fallos adaptativo al ampliar los fallos diagnosticables y manejar datos no etiquetados.

14.- La red de atención temporal multicanal predice indicadores de salud industrial considerando las contribuciones de los canales y reduciendo el retraso.

15.- El aprendizaje auto-supervisado explora las características diversas de los datos industriales para mejorar los sensores suaves para la predicción de indicadores clave.

16.- El sistema robótico gemelo digital genera conjuntos de datos de agarre sintético y permite el agarre robótico adaptativo en la producción flexible industrial.

17.- El aprendizaje por transferencia entre dominios y el meta-aprendizaje permiten que los modelos de IA se generalicen a condiciones no vistas en aplicaciones industriales.

18.- Los grandes modelos industriales y los gráficos de conocimiento son una frontera emergente que requiere más investigación en la generalización de modelos y la adaptación de dominios.

19.- El Dr. Sylvain Calinon presentó investigaciones sobre la enseñanza de habilidades de manipulación a robots a partir de demostraciones humanas utilizando aprendizaje automático.

20.- Los desafíos incluyen manejar tipos de datos diversos, combinar la planificación anticipativa y el control reactivo, y habilitar el aprendizaje multitarea.

21.- Usa sensores, interfaces XR y teléfonos inteligentes para programar intuitivamente robots mediante demostración y evaluar la capacidad del robot para realizar tareas.

22.- Mostró aplicaciones en el giro de válvulas submarinas aprovechando demostraciones virtuales y una exhibición de un robot dibujante de retratos.

23.- El Dr. Yongchang Zhang introdujo operadores evolutivos basados en codificación para la programación de tareas a gran escala en la computación de borde industrial.

24.- Los modelos matemáticos representan la precedencia compleja entre tareas de fabricación y computacionales en la fabricación basada en IoT.

25.- El algoritmo evolutivo basado en codificación genera operadores de búsqueda diversos para encontrar soluciones de programación subóptimas en un tiempo razonable.

26.- La búsqueda evolutiva paralela y la fusión de soluciones permiten manejar más de 4000 tareas en menos de 10 segundos en comparación con más de 400 segundos secuencialmente.

27.- Ashruf Abushadi de UNIDO compartió un estudio de caso sobre el uso de IA para la agricultura inteligente en Namibia.

28.- Las imágenes satelitales y los drones ayudaron a mapear especies de plantas invasoras que amenazan las tierras agrícolas utilizando modelado predictivo basado en IA.

29.- La IA permitió calcular ubicaciones y rendimientos óptimos para la cosecha de plantas invasoras como insumo para una fábrica de procesamiento de biomasa.

30.- Las herramientas digitales ponen a los agricultores en el centro, incentivando la participación en la solución a través de una aplicación móvil.

31.- Irmgard Nübler de la OIT discutió el impacto de las tecnologías en el empleo, las habilidades y los objetivos de desarrollo.

32.- Históricamente, las tasas de empleo han crecido a pesar de los temores de pérdidas de empleo impulsadas por la tecnología, ya que la tecnología tanto destruye como crea empleos.

33.- Los procesos de ajuste como la reducción de horas de trabajo, el aumento de I+D y educación, y el cambio en el comportamiento del consumidor median los impactos de la tecnología en el empleo.

34.- La robotización y los impactos en el empleo en la fabricación varían significativamente según el país, en función de las instituciones, las habilidades y la posición en las cadenas de valor.

35.- Las capacidades para aprovechar la tecnología para el desarrollo difieren entre Asia y América Latina, permitiendo a Asia construir cadenas de suministro complejas.

36.- El cambio tecnológico rápido puede empeorar la desigualdad, la calidad del trabajo y la vigilancia, requiriendo instituciones actualizadas y protecciones laborales.

37.- Thomas Sobottka presentó sobre la transformación de la fabricación industrial para un futuro sostenible y cumplir con los objetivos climáticos.

38.- La industria representa el 35% de las emisiones de CO2, requiriendo aumentos dramáticos en la eficiencia energética y la flexibilidad.

39.- Las barreras incluyen la baja participación de energía renovable, la necesidad de electrificar el calor y la volatilidad de la energía solar/eólica.

40.- La optimización basada en IA y los gemelos digitales pueden mejorar la eficiencia energética en el diseño y sincronizar el consumo con el suministro renovable.

41.- Los gemelos digitales combinan datos de producción en tiempo real, pronósticos de energía y señales del mercado para optimizar según criterios.

42.- Una fábrica de demostración portátil muestra una replanificación rápida de la producción basada en pronósticos solares entrantes.

43.- Las fábricas de aprendizaje pueden ayudar a desarrollar y desplegar estas soluciones de IA para la optimización energética a gran escala a través de la educación y la investigación.

44.- Conclusión clave: La energía es tanto un desafío como una oportunidad que la IA puede ayudar a la industria a navegar para la sostenibilidad.

Bóveda de Conocimiento construida porDavid Vivancos 2024