La aplicación de la IA se ha extendido más allá de los entornos de investigación para llegar al mundo real. El modelado de simulación facilita esta expansión proporcionando entornos de apoyo para aprovechar las promesas de la IA. La combinación de IA y simulación ofrece a las empresas de todo el sector industrial diversas oportunidades de evaluar procesos para obtener la información basada en datos necesaria para tomar decisiones precisas.
La IA incluye subconjuntos como el aprendizaje automático, el aprendizaje profundo y las redes neuronales. En cuanto a las definiciones, la inteligencia artificial es el proceso de creación de máquinas y sistemas informáticos capaces de simular la inteligencia humana. El aprendizaje automático permite comprender las diversas formas en que se puede enseñar a estas máquinas o sistemas a mejorar su rendimiento a través de la experiencia, y las redes neuronales describen los vínculos entre el análisis de las experiencias y la toma de decisiones.
La simulación inteligente basada en objetos se refiere a la creación de objetos que piensan utilizando la lógica de decisión. Por ejemplo, Simio utiliza objetos inteligentes dotados de lógica de decisión para seleccionar trabajos o recursos. De este modo, el objeto muestra un comportamiento inteligente capaz de predecir rendimientos futuros. En el contexto de la IA en simulación, el uso de objetos inteligentes pone de relieve la integración de la IA basada en reglas dentro de los modelos de simulación.
Por lo general, los retos del mundo real son más complejos que la selección de un trabajo o unos recursos. Por ejemplo, considere la toma de decisiones que supone seleccionar entre dos líneas en una fábrica para completar rápidamente un pedido. Estas dos líneas constan de una docena de estaciones de trabajo, lo que significa que factores como el estado de las estaciones de trabajo posteriores y la configuración de las estaciones de trabajo son factores críticos que influyen en el tiempo de finalización de una línea. La elección de la línea que garantice un tiempo de finalización más rápido implicará la aplicación de una lógica compleja basada en reglas dentro de un modelo.
Construir manualmente la compleja lógica basada en reglas es una tarea que lleva mucho tiempo y el nivel de competencia del creador también determinará el rendimiento de la regla. La IA, con especial énfasis en la aplicación de redes neuronales, evita el proceso de construcción manual. Añadir una red neuronal al modelo de simulación automatiza la construcción de la compleja lógica basada en reglas sin intervención humana. Además, el entrenamiento de la red neuronal con datos de simulación permite al modelo elegir la línea de mejor rendimiento. El entrenamiento continuo también prepara al modelo para aplicar la lógica para responder a otras preguntas complejas con el fin de optimizar la productividad.
La simulación puede evaluar el rendimiento de los algoritmos de IA y ML. En este escenario, un modelo de simulación compara el impacto de las decisiones de un algoritmo con los datos históricos de rendimiento recogidos de un sistema del mundo real. Los resultados de la evaluación proporcionan la base necesaria para entrenar el algoritmo y mejorar su capacidad de toma de decisiones.
Casos reales de simulación de IA
La aplicación teórica de la simulación basada en objetos inteligentes o la simulación asistida por IA ponen de relieve las posibilidades de optimizar sistemas con IA. Sin embargo, las aplicaciones en el mundo real arrojan más luz sobre los escenarios de aplicación y los beneficios acumulados.
Aprendizaje profundo por refuerzo: el ejemplo de AlphaGo
AlphaGo se considera un juego clásico con infinidad de formas de jugarlo hasta llegar a la conclusión. Es un juego complejo y los jugadores deben aplicar un pensamiento creativo y estratégico para ganar. Se calcula que hay más técnicas para concluir una partida que átomos en el universo. Así, los jugadores profesionales perfeccionan sus habilidades aprendiendo múltiples patrones de juego a lo largo de décadas de juego continuado.
Para mostrar los avances en IA, Google desarrolló el sistema DeepMind AlphaGo. Las redes neuronales del sistema se entrenaron en un modelo de simulación. En el proceso de entrenamiento se utilizaron datos sintéticos de toda la biblioteca online de Go y AlphaGo también aprendió de sus experiencias de juego. En 2016, AlphaGo jugó cinco partidas contra Lee Sedol, campeón del mundo de Go, y ganó cuatro de ellas.
Según Lee Sedol, «AlphaGo aplicó estrategias que ningún jugador humano de Go habría hecho y el juego de la IA mejoró y se adaptó a movimientos creativos a medida que avanzaban las partidas». La IA sorteó con éxito situaciones complicadas sobre la marcha, lo que pone de manifiesto su capacidad para aprender y tomar decisiones optimizadas en tiempo real.
Evaluación del impacto de la IA en el sistema de solicitud de prestaciones
La agencia federal de administración de prestaciones es responsable de adjudicar recursos sanitarios, alimentos y prestaciones económicas al público. Las ineficiencias del proceso de adjudicación de prestaciones repercuten negativamente en los ciudadanos vulnerables, lo que subraya la necesidad de optimizar el proceso de administración.
El uso de la simulación de eventos discretos ha ayudado a reducir los tiempos de espera en la asistencia sanitaria y a compartir recursos entre diversos centros de prestaciones. Sin embargo, la integración de la IA puede introducir la toma de decisiones en tiempo real y resolver problemas operativos complejos relacionados con la gestión de las prestaciones.
Para comprender el impacto de las soluciones de IA, se desarrolló un gemelo digital del sistema de solicitud de prestaciones. El gemelo digital proporcionó un entorno virtual para probar las tecnologías de IA con el fin de determinar el impacto de la introducción de soluciones de IA en el sistema de solicitud de prestaciones. Estudiar el impacto de las tecnologías de IA antes de introducirlas en el sistema reduce el desperdicio de recursos y simplifica el proceso de implantación.
Los ejemplos anteriores demuestran que nos encontramos en un punto en el que la IA puede superar las capacidades humanas de resolución de problemas y trabajar con la simulación para ofrecer soluciones a problemas operativos. La compatibilidad de ambos campos proporciona a las empresas de todo el sector industrial las herramientas necesarias para optimizar la productividad y mejorar la toma de decisiones.