Aplicar IA en la línea de producción, aparentemente fácil pero difícil

Este fue un tema destacado en el taller "Soluciones de Inteligencia Artificial (IA) en la industria de semiconductores" organizado por el Centro de Innovación, Departamento de Ciencia y Tecnología de Ciudad Ho Chi Minh en la tarde del 5 de agosto.

Los expertos se han centrado en encontrar capacidades de implementación prácticas en entornos de producción, lo que se considera la mayor barrera hoy en día.

El experto Duong Quang Huy, ingeniero de Ascendas Systems, dijo que en las líneas de producción modernas, especialmente en las líneas de producción de semiconductores, se requieren modelos de IA para detectar errores en la producción.

Por ejemplo, los ingenieros pueden utilizar herramientas como Deep Network Designer para construir, visualizar y ajustar redes neuronales, o Classification Learner para probar diferentes algoritmos y elegir el modelo que mejor se adapte a los conjuntos de datos del mundo real.

Según el Sr. Huy, la dificultad radica en si el modelo puede mantener la misma precisión que en el laboratorio cuando se transfiere del entorno de entrenamiento a una línea de producción real.

Porque los algoritmos pueden lograr una precisión del 99% en un entorno simulado, pero no detectan defectos reales del producto en la línea de ensamblaje por razones simples, como reflejos, polvo o un componente que gira ligeramente.

"El desafío en el desarrollo de la IA no reside en los algoritmos, sino en pasar del laboratorio a la realidad", afirmó el Sr. Huy.

Según los expertos, una de las soluciones fundamentales y decisivas es estandarizar los datos de entrada y construir conjuntos de datos de entrenamiento precisos.

Esto se debe a que la mayoría de los errores en la implementación del modelo provienen de datos de entrada inconsistentes, como imágenes sobreexpuestas, distorsionadas, desenfocadas, con condiciones de iluminación diferentes a las del entorno de entrenamiento o con componentes ligeramente desplazados.

Para resolver este problema, el experto Duong Quang Huy recomienda estandarizar los datos de la imagen antes del entrenamiento, incluyendo pasos como equilibrar la luz, ajustar los ángulos, mejorar el contraste y eliminar el ruido.

Al mismo tiempo, un etiquetado preciso mediante herramientas o una combinación de etiquetado manual y automático ayuda al modelo a aprender las características reales del defecto, en lugar de verse perturbado por características irrelevantes.

También en el evento, el experto Tran Kim Duy Lan, director nacional de Navagis, señaló otra paradoja en el desarrollo de la IA. Por un lado, la IA puede ayudar a reducir el tiempo de diseño de chips en un 30 % y aumentar la productividad de las fábricas hasta en un 25 %. Por otro lado, se prevé que los centros de datos que operan con IA consuman hasta el 21 % de la electricidad mundial para 2030.

En ese contexto, el Sr. Lan enfatizó la importancia de migrar de modelos de IA centralizados a modelos distribuidos en el dispositivo, específicamente la IA de borde y la IA en el dispositivo. Esto se considera una tendencia estratégica para garantizar la sostenibilidad.

Con Edge AI, los datos se procesan directamente en el dispositivo, como una cámara inteligente, un microcontrolador o una placa integrada, en lugar de transmitirse completamente a la nube. Esto puede reducir el ancho de banda de transmisión, a la vez que reduce la latencia, aumenta la privacidad y, lo más importante, reduce el consumo de energía por tarea entre 100 y 1000 veces, gracias a la eliminación del paso de procesamiento intermedio.