Autor: Luis Galo, Data Scientist en Lantek
Como consecuencia de la implementación de Machine Learning (ML) se han comenzado a implementar diversas metodologías para mejorar la calidad del ciclo de vida de un producto de inteligencia artificial , entre ellas, DevOps cuyo objetivo es orquestar el trabajo entre equipos , como desarrollo, operaciones y ahora ciencia de datos mediante un software que integra a personas, procesos y tecnología para ofrecer productos de mayor calidad en menos tiempo, minimizando errores durante todo su ciclo de vida.
Con la aparición de los modelos de inteligencia artificial, se da un paso más allá por lo que hace falta dotarle de una capa que permita gestionar los modelos de conocimiento aprendido y su automatización. El resultado es MLOPS (Machine learning + DEVOPS).
MLOps es la clave para que los proyectos de aprendizaje automático tengan éxito a escala. ¿Qué es MLOps? Es la práctica de colaboración entre la ciencia de datos y los equipos de TI diseñados para acelerar todo el ciclo de vida en el desarrollo de modelos, la implementación y la supervisión de forma que permite a las empresas adoptar plenamente la IA y realmente podrán darse cuenta del potencial de la IA en su negocio.
MLOps trabaja en tres fases:
Diseño del software: según las necesidades del usuario, se diseña una solución de aprendizaje automático para resolver su necesidad, ya sea para fabricar de forma más acelerada, reducir costes reduciendo la generación de chatarra, mejorar la productividad o hacer predicciones de pedidos. Es en esta fase donde se recaban y analizan los datos extraídos para ofrecer soluciones adhoc.
Experimentación y desarrollo: en esta fase se sube a producción el modelo de machine learning para testearlo y pulir el algoritmo definido con el objeto de ofrecer un modelo de aprendizaje automático de calidad estable.
Operaciones: se implementa el modelo desarrollado a partir del uso de prácticas de DevOps, como pruebas, control de versiones, monitoreo, etc.
El desafío es lanzar a producción estos modelos con una usabilidad sencilla, para lo que se trata de automatizar el máximo posible los procesos con la finalidad de limitar la intervención de ingenieros en los despliegues, manteniendo la calidad del software y de los modelos.
Para ello, los modelos se paquetizan y se suben a la nube almacenándose de una forma segura. Cada vez que se modifican los parámetros se genera de forma automática otra versión del modelo, que pasa nuevamente por un proceso de control de calidad. Una vez desplegado en Cloud, el usuario puede utilizar ese nuevo modelo ajustado a la nueva realidad de su fábrica.
Con el trabajo diario de las personas que trabajan en los distintos procesos, el sistema va aprendiendo a introducir mejoras y hacer más eficientes los procesos. Porque si no se alimentan, si no se les ayuda en ese aprendizaje, se quedan obsoletos. Imaginemos, por ejemplo, que se desarrolla un nuevo tipo de material. Si a la máquina no se le explica, no lo va a entender y va a arrojar errores.
Uso de MLOps en la industria de la chapa y el metal
En Lantek utilizamos MLOPS para asegurar la calidad y control de los modelos desplegados en la nube con criterios de equidad y seguridad, entre otros. A través de nuestra plataforma Lantek 360, nuestros softwares de CAD/CAM y MES son capaces de conectarse a cada una de las máquinas y coger los datos de éstas para digitalizarlas, así como digitalizar el proceso de fabricación de la pieza en sí mismo.
Ahora, con Machine Learning somos capaces de modelizar y hacer predicciones de futuro, y muy rápidas de cada una de las rutas que intervienen en el proceso de fabricación. Desde que se hace el pedido, se elabora una oferta, se pasa a compras y, posteriormente, se envía a diseño y producción. Es decir, tenemos una visión completa de todo el proceso.
De este modo, con las herramientas de Inteligencia Artificial (IA) y con MLOps podemos no solo reflejar el tiempo que ha estado en marcha la máquina, la energía que ha consumido o el número de piezas producidas, sino también, cuantificar cuánta chatarra se ha producido o cuántos operarios han intervenido en la producción y asegurar la calidad de los modelos en el tiempo.
A nivel de presupuestación, como sabemos, en la industria de la chapa y el metal, la elaboración de ofertas es una tarea compleja, en la que intervienen numerosas variables y varios departamentos, incurriendo bastante tiempo. Con la IA se aceleran y se multiplican los presupuestos generados y mediante MLOPS aseguramos que sigan funcionando a lo largo del tiempo.
La idea de estos proyectos MLOPs es que detrás de las personas haya un software inteligente que le asesore en la configuración. Luego el operario puede decidir si la propuesta se aplica o no, pero, desde luego, puede tomar la decisión de forma mucho más rápida y sencilla que lo que actualmente conlleva. En este caso la cantidad de conocimiento generado (modelos) es tan grande y variable en el tiempo que sería imposible gestionar los modelos de IA sin la aplicación de metodologías MLOPS y mantener su calidad a lo largo del ciclo de vida del producto. En definitiva, el objetivo último es optimizar al máximo los procesos de producción de la planta para que la fabricación sea lo más barata posible (IA) , hacer que la optimización sea perdurable en el tiempo (MLOPS) de una forma sencilla Una optimización especialmente dirigida a pequeñas y medianas empresas para que puedan ser tan competitivas como las grandes, sin necesidad de expertos en arquitectura software ni ciencia de datos, que ya utilizan sistemas de MLOps para ser más rentables y eficientes en el despliegue de sus modelos de IA.
En el mundo que nos movemos todos tenemos que subirnos al tren de la Industria 4.0 y nuestra labor como empresa tractora es democratizar el uso de herramientas de inteligencia artificial de optimización de recursos haciéndolas usables y accesibles para cualquier fábrica.