Aprendizaje automático en producción – Áreas de aplicación y libre disponibilidad.
El aumento de la potencia informática y mejores conjuntos de datos con la caída simultánea de los costes de las capacidades informáticas y de almacenamiento forman la base para el uso del Machine Learning (ML) – aprendizaje automático – en producción. Los desafíos radican en la identificación de áreas de aplicación prometedoras, el reconocimiento de las tareas de aprendizaje asociadas y descubrir conjuntos de datos adecuados. ¿Qué áreas de aplicación en la producción ofrecen el mayor potencial para el uso de ML? ¿Qué conjuntos de datos de libre acceso son adecuados para adquirir experiencia personal y qué tareas de aprendizaje están asociadas a ellos? ¿Cuáles son las mejores prácticas para las áreas de aplicación?
Aprendizaje automático en producción – Áreas de aplicación y libre disponibilidad
El aumento de los conjuntos de datos y la potencia informática, así como la disminución de los costes de las capacidades informáticas y de almacenamiento, forman la base para el uso de Machine Learning (ML) – aprendizaje automático – en producción. Los desafíos son la identificación de áreas de aplicación prometedoras, el reconocimiento de las tareas de aprendizaje asociadas, así como el descubrimiento de conjuntos de datos adecuados. Por lo tanto, este artículo responde a las siguientes preguntas: ¿Qué áreas de aplicación en producción ofrecen el mayor potencial para el uso de ML? ¿Qué conjuntos de datos de libre acceso son adecuados para adquirir experiencia y qué tareas de aprendizaje están asociadas a ellos? ¿Cuáles son las mejores prácticas para las áreas de aplicación?
La producción es el principal motor del auge económico de los países de alta tecnología [1]. El papel que juega la producción en estos países está cambiando: la innovación y la productividad son más importantes que el crecimiento [2]. En el contexto de la cuarta revolución industrial, el grado de digitalización y trabajo en red en la producción está aumentando. La creciente base de datos y la reducción simultánea de costes de la capacidad informática y de almacenamiento significa que los métodos de aprendizaje automático (“Machine Learning”, o ML para abreviar) se utilizan cada vez más en la producción. Se espera que la influencia que ML y la inteligencia artificial (IA) tienen en la producción continúe aumentando. Dado que la investigación y la aplicación en esta área están experimentando cambios rápidos, es difícil identificar las áreas de aplicación más prometedoras para ML. Como parte de esta publicación, basada en una revisión detallada de la literatura, se brinda una descripción general de las áreas de aplicación en la producción donde el uso de ML es prometedor.
Requisitos para usar ML
El requisito previo más importante para el uso de ML es una base de datos adecuada. Aunque los conjuntos de datos se pueden obtener a través de plataformas como kaggle, ucirvine, nasa u openml, no existe una descripción general estructurada de los conjuntos de datos disponibles en relación con las áreas de aplicación en producción.
Por lo tanto, los conjuntos de datos disponibles gratuitamente se presentan en este artículo y se vinculan a las áreas de aplicación en producción descritas anteriormente. Finalmente, se dan recomendaciones para el uso de aprendizaje automático en producción.
Áreas de aplicación de ML – aprendizaje automático – en producción
La decisión de usar ML en producción se toma por una amplia variedad de razones y por una amplia variedad de personas responsables. En algunos casos es el dueño del proceso quien quiere resolver un problema específico, en otros es el nivel gerencial quien quiere probar el uso de ML. En cualquier caso, la base para el uso de ML en la producción es la elección del área de aplicación adecuada en la empresa. Los estudios existentes que brindan una visión general de las posibles áreas de aplicación a menudo solo consideran aspectos parciales de las instalaciones de producción modernas. Un alto nivel de abstracción o falta de actualidad hacen que estos estudios sólo sean aptos de forma limitada para identificar los problemas propios de la empresa [3-14].
