Lleida, capdavantera en intel·ligència artificial

Aquestes terminologies marquen la pauta de la innovació. És conseqüència també de com de forma natural s’han anat integrant en la nostra quotidianitat fins al punt que ni ens n’adonem. I això passa perquè una implementació efectiva reverteix en beneficis per a la societat i l’economia en forma de, per exemple, diferenciació competitiva, disminució de l’impacte ambiental, increment de la resiliència al canvi climàtic o, en definitiva, millora del benestar en general en el camí cap a una societat millor. Qui voldria allunyar-se’n? És normal que no ens molestin i les haguem acceptat. Però, què volen dir cadascuna? Anem a pams.

Digitalització Abans de res, cal entendre que aquesta revolució tecnològica que vivim és, en gran mesura, motivada per la proliferació de les dades de forma transversal a totes les nostres activitats quotidianes i productives. El concepte que envolta això és el de digitalització o la capacitat de mesurar, recollir i convertir dades analògiques en dades a disposició de ser processades de forma electrònica. La motivació de la digitalització, fomentada per les capacitats que aporten les tecnologies abans introduïdes, és clara: fer que els participants de les distintes cadenes de valor siguin més sostenibles i competitius en el seu marc d’actuació.

Aleshores, què entenem per intel·ligència artificial? Una definició senzilla que podem acceptar és aquella que la descriu com un conjunt de tècniques i metodologies destinades a permetre que les màquines i, especialment, els sistemes informàtics, simulin els processos de la intel·ligència humana. Solem associar aquesta definició amb robots humanoides que ens assisteixen, i sí, això també és intel·ligència artificial, però no la que de forma general esmentem en aquest text. Nosaltres ens centrarem en un subconjunt de la intel·ligència artificial com és l’aprenentatge automàtic, que es basa a generar coneixement a partir d’experiències anteriors. Al cap i a la fi, és el que fem les persones, no? Experimentem situacions i, en el futur, quan detectem escenaris similars, intentem afrontar-los de la millor forma possible, considerant evidentment allò que ha anat bé o malament en el passat. Alguns diran, però això ja ens ho responia l’estadística! I és completament cert, de fet, l’aprenentatge automàtic es basa en bona part en teories d’aquest tipus i molta, en alguns casos moltíssima, matemàtica probabilística, però això és llarg d’explicar.

Un altre concepte que sol aparèixer en aquest marc és el de la ciència de dades, entès com un camp interdisciplinari orientat a extreure un millor enteniment d’allò que les dades ens poden dir, i que, en definitiva, no deixa de ser una continuació o una extensió d’alguns camps de l’anàlisi de les dades com l’estadística, l’aprenentatge automàtic o l’analítica predictiva, que més endavant introduirem.

I ara, per què apareix la Intel·ligència artificial? Abans que res, això que aparegui ara no és exactament així. El que passa ara és que tenim la capacitat de processament i d’emmagatzemament necessària per treure profit d’aquestes tecnologies i, per tant, estem en un context on la inversió es veu clarament compensada pels beneficis, ja sigui considerant termes econòmics, impacte ambiental, impacte social o un equilibri d’aquests conceptes. Els inicis de la intel·ligència artificial, però, es remunten als anys 50 amb el test de Turing, on mitjançant un sistema conversacional, com ara en diríem un “xat”, s’intentava enganyar una persona fent-li creure que, a l’altra banda, hi havia una altra persona i no un sistema informàtic. Si la persona no se n’adonava, es deia que aquell sistema havia passat el test de Turing.

En concret, el concepte d’intel·ligència artificial s’atribueix a John McCarthy que el va descriure el 1955 com la ciència i l’enginyeria per fer les màquines intel·ligents. Aleshores, considerant que és ara quan la intel·ligència artificial viu un dels seus millors moments, cal parlar de tres aspectes principals: quins reptes podem solucionar, quins camps de l’Aprenentatge Automàtic podem usar a tal efecte i quines persones i rols formen els equips que s’hi dediquen. Amb el vostre permís, seguirem un altre ordre, centrant-ho en allò que fem des de la Unitat d’Intel·ligència Artificial Aplicada d’Eurecat, amb seu principal a Lleida.

Eurecat Lleida, un centre amb 37 professionals La nostra unitat està formada per 37 persones, amb uns perfils que es poden resumir majoritàriament en professionals amb formació superior, amb estudis de doctorat o màsters finalitzats, enfocats a ciència de dades, però també experts en arquitectures de dades amb capacitats en Internet de les Coses (IoT) i analítica o developers. L’equip és molt multidisciplinari, amb uns orígens en la branca informàtica, electrònica industrial i telecomunicacions, però que en els darrers anys ha evolucionat incorporant persones amb formació en camps diferents com la matemàtica, la física o l’agrobiologia mediambiental. Hi ha una característica diferencial, però, i és que comparteixen formació en ciència de dades, aportant el millor de cada camp: coneixement base de la seva trajectòria específica i aquestes capacitats avançades d’analítica.

També cal destacar el valor de l’experiència prèvia, amb persones amb trajectòria al sector privat, serveis i producte, que podem combinar amb perfils més acadèmics i de recerca. Això ens permet cobrir tota la cadena de valor de les dades en diferents dominis, com són l’industrial manufacturer, l’agroalimentari, els recursos (aigua i energia), el canvi climàtic o l’aeroespacial, detectant en cada cas la tecnologia i l’aproximació adequada a ser aplicada en cada context. I de fet, és en bona part la clau que ha permès el nostre creixement, atès que són persones coneixedores dels darrers avenços tecnològics i que saben com adaptar-los a entorns reals i posar-los en marxa, considerant la integració de múltiples fonts de dades, les arquitectures de còmput més adequades o les interfícies d’usuari necessàries per poder interactuar amb els sistemes de recomanació.

Aquesta és una tasca que sembla senzilla, però que no ho és en absolut i, precisament, és en el seu equilibri que hi trobem una resposta diferencial, capaç de generar veritable impacte i transformar processos, empreses o, fins i tot, la societat. Per exemplificar-ho, podem pensar en les diferències que hi ha entre un sistema basat en intel·ligència artificial per assistir treballadors en una planta de producció en indústria automobilística i, d’altra banda, aquells que usem per fer projeccions climàtiques i estudiar l’impacte de la implementació d’una determinada estratègia de gestió de recursos en un territori. Ambdós són importants i la qualitat dels resultats ha de ser sempre excel·lent, però en el primer un error pot significar posar en risc les persones de forma imminent i, en el segon, podem tornar a treballar en l’ajust del model i reconduir-ho.

Les preguntes que la Intel·ligència artificial respon De forma general, podem pensar en quatre tipus d’analítica de dades: la descriptiva, la diagnòstica, la predictiva i la prescriptiva. Parlem una mica de totes quatre i relacionem-ho amb exemples que hem resolt des d’Eurecat a Lleida. Quan parlem d’analítica descriptiva, ens referim a aquelles metodologies i eines que ens permeten, aplicades a les dades, entendre què ha passat, normalment resumint dades històriques per obtenir informació útil.

L’estadística és l’estrella en aquesta etapa i acostuma a ser un pas previ a la majoria de processos analítics, perquè ens permet establir una base de fets i coneixement en els quals suportar altres mètodes més complexos. Amb l’analítica descriptiva podem entendre el comportament històric dels nostres actius, per exemple, quina és la nostra capacitat productiva de mitjana, quant temps ens costa restablir un trencament d’estoc d’una matèria primera, quina ha estat la demanda d’un cert producte en el darrer any o quantes avaries hem patit en una línia de producció segons el torn de treball. Com us podeu imaginar, la llista és infinita.El pas natural és, un cop sabem que algun fet s’ha produït, entendre per què ha passat.

En aquest cas, parlem de l’analítica diagnòstica, en alguns casos també coneguda com a anàlisi de causa arrel. I un cop sabem què ha passat i tenim una hipòtesi de què ho ha motivat, és quan entra en joc l’analítica predictiva, que és aquella que empra mètodes d’aprenentatge automàtic per generar models que, basant-se en dades històriques, és capaç de trobar tendències i patrons. És fent ús d’aquests models que podem fer prediccions, com ara les de qualitat en un procés productiu industrial, de creixement en un cultiu extensiu, de detecció de comportaments anòmals que ens intueixen avaries en una planta eòlica, la demanda d’un producte o, fins i tot, el comportament d’una pandèmia.Finalment, i per tancar el cercle, ens trobem amb l’analítica prescriptiva, que és aquella que basant-se en allò que les tres primeres ens responen (què ha passat, per què ha passat i què és probable que passi) ens suggereix què hauríem de fer en forma d’una recomanació en la seva forma més simple o bé d’un seguit d’accions en el temps en formes més evolucionades, per gestionar la situació de la manera més eficient i sostenible possible.

Aquest tipus d’analítica també ens permet analitzar escenaris i entendre quines són les conseqüències de les nostres accions, permetent maximitzar els beneficis alhora que mitiguem els efectes negatius. Són diverses les tecnologies que emprem en aquest context, on normalment barregem aproximacions que fan ús de mètodes de simulació clàssics i basats en dades, vitaminats per models predictius i de detecció d’anomalies, així com models d’optimització de recursos. Les aplicacions són infinites, però per exemplificar-ho ens podem imaginar sistemes de suport a la decisió que ens acompanyen en la nostra activitat productiva, capaços de detectar una anomalia i predir una avaria.

Com a conseqüència de la probable aturada en la producció produïda per l’avaria, podem accionar la comanda de peces de recanvi, el balanceig de càrrega productiva a altres línies, la reserva i planificació de persones i altres recursos per dur a terme una actuació de manteniment i l’avís als clients que farem tard en l’entrega de la comanda. Increïble, no? Tan increïble com complicat, però en moltes ocasions possible, i el millor, cada cop més a l’abast de tothom.La diferència competitiva i l’impacte disruptiu d’aquests resultats genera també una espècie de bretxa i és que, en certs àmbits, aquells que no en fan ús es queden literalment fora. Necessitem, per tant, mecanismes per democratitzar aquesta tecnologia, dur-la a l’abast del teixit econòmic i de la societat, amb especial èmfasi en aquells col·lectius i sectors més vulnerables. Perquè senzillament volem un futur sostenible, eficient, i per descomptat, millor per a les persones.