Resumen de Introducción a la Inteligencia Artificial
Introducción a la Inteligencia Artificial: Guía Esencial para Estudiantes
Introducción
La presente guía aborda aplicaciones prácticas de técnicas avanzadas de inteligencia artificial aplicadas a problemas industriales, logísticos y sanitarios. Se enfoca en casos de uso reales (mantenimiento predictivo, aprendizaje por refuerzo para gestión de inventarios, clasificación de incidencias y toma de decisiones automatizada), principios operativos, y consideraciones prácticas como supervisión humana y ética. El objetivo es ofrecer al estudiante universitario una síntesis clara, ejemplos aplicados y herramientas conceptuales para analizar y diseñar soluciones.
Definición: "Caso de uso" es la descripción concreta de cómo una técnica o sistema se aplica para resolver un problema real, incluyendo entradas, salidas y criterios de éxito.
1. Procesamiento de datos y análisis
1.1 Tipos de análisis
- Análisis descriptivo: ¿Qué sucedió? (resúmenes, dashboards).
- Análisis diagnóstico: ¿Por qué sucedió? (correlaciones, causas raíz).
- Análisis predictivo: ¿Qué pasará? (modelos que pronostican eventos).
- Análisis prescriptivo: ¿Qué hay que hacer? (recomendaciones y optimizaciones).
Definición: "Análisis predictivo" es el uso de modelos estadísticos y de aprendizaje automático para estimar la probabilidad de futuros eventos basándose en datos históricos.
Tabla comparativa: Tipos de análisis
| Tipo | Objetivo | Datos necesarios | Ejemplo | Dificultad |
|---|---|---|---|---|
| Descriptivo | Resumir | Históricos | Reportes de producción | Baja |
| Diagnóstico | Causa | Logs, eventos | Identificar causa de fallo | Media |
| Predictivo | Predecir | Series temporales, sensores | Predicción de fallos | Alta |
| Prescriptivo | Recomendación | Modelos + restricciones | Planificación de mantenimiento | Muy alta |
1.2 Calidad y ciclo de datos
- Recolección consistente: formatos y campos estandarizados.
- Limpieza y etiquetado: eliminar ruido y errores humanos.
- Reentrenamiento periódico: actualizar modelos cuando cambian condiciones o aparecen nuevos materiales.
Definición: "Fine-tuning" es el afinado de un modelo previamente entrenado mediante nuevas muestras específicas para mejorar su rendimiento en un dominio concreto.
2. Casos de uso industriales
2.1 Mantenimiento en industria (predicción y ayuda operativa)
Descripción del caso: plantas con producción 24/7 reportan incidencias mediante documentos abiertos sin formato; la decisión depende de la experiencia humana y una incidencia puede detener la línea.
Componentes del sistema:
- Preprocesado de incidencias textuales (NLP) para extraer variables relevantes.
- Segmentación (clustering) para agrupar tipos de incidencias.
- Priorización automática y estimación del tiempo de reparación (TTR).
- Generación de instrucciones de resolución para el operario.
- Planificación de mantenimiento predictivo (PdM).
Definición: "Clustering" es el proceso no supervisado de agrupar registros similares según sus características para descubrir patrones o segmentos.
Ejemplo práctico: flujo
- Entrada: registro textual de incidencia.
- NLP extrae: máquina, síntoma, gravedad, timestamp.
- Clasificación/clustering asigna grupo.
- Sistema sugiere prioridad y pasos de intervención.
Tabla: Comparación de enfoques para incidencias
| Enfoque | Ventaja | Desventaja |
|---|---|---|
| Heurístico (reglas) | Interpretabilidad | Escala pobre |
| Supervisado (clasificación) | Precisión si hay datos | Requiere etiquetas |
| No supervisado (clustering) | Detecta patrones nuevos | Menos control sobre etiquetas |
Consideraciones:
- Supervisión humana: decidir si el humano está IN the loop (HITL) o ON the loop (HOTL).
- Reentrenamiento cuando aparecen nuevos tipos de materiales o fallos.
2.2 Clasificación en chatarrería y fundición
- Caso: clasificar piezas/imagenes para control de
Zaregistruj se pro celé shrnutí¿Ya tienes cuenta? Iniciar sesión
IA Aplicada: Casos y Técnicas
Klíčové pojmy: Distinguir análisis: descriptivo, diagnóstico, predictivo, prescriptivo, Estandarizar y limpiar datos antes de modelar, Usar NLP para estructurar incidencias textuales, Aplicar clustering para segmentar tipos de fallos, Priorizar incidencias y estimar TTR automáticamente, Diseñar RL con estado, acción y recompensa para inventarios, Seleccionar HITL vs HOTL según criticidad, Reentrenar modelos cuando aparecen nuevos materiales o patrones, PdM usa señales tempranas: vibración, temperatura, sonido, Validar modelos clínicos y considerar interpretabilidad, Definir métricas claras (MTTR, tasa de roturas, coste de stock), Probar POC con datos históricos antes de producción