Inteligencia Artificial en la FP Química
El segundo día del ciclo de las charlas de Inteligencia artificial en la FP #AIxFP estuvo enfocada a la familia profesional de la Química. Tenéis toda la información de la charla, con la presentación y el ejercicio práctico en este enlace: https://bit.ly/aixfpquimica
Miguel Guerrero, Co-founder de Saturdays.AI y con una trayectoria de más de 15 años en multinacionales como Repsol, presentó casos y ejemplos de la aplicación de la AI en a química.
Inteligencia Artificial en la química
Partiendo de una breve introducción a la AI o analítica avanzada de datos como se define muchas veces, dicha tecnología consiste en la utilización de datos para buscar patrones y coincidencias.
Una de las grandes aplicaciones de dicha tecnología es la Industria 4.0 o cuarta Revolución Industrial, donde la inteligencia artificial incorpora el mantenimiento predictivo, el control de procesos o la detección de anomalías.
Desde cualquier registro de datos y series temporales que se pueda normalizar como ondas, imágenes o datos y a partir de sensores, se puede detectar anomalías evitando situaciones de peligro en la industria.
La inteligencia artificial a través del Deep Learning ha incorporado a la detección de anomalías una gran precisión que con las técnica antiguas no se podían realizar, facilitando una actuación mucho más eficaz e inmediata. Esa detección también se puede realizar a través de imágenes o de ondas.
Otra aplicación es la detección de fugas, como detección de gases, o la seguridad en los operarios de planta, como comportamientos inseguros. Un ejemplo sería detectar los operarios que no llevan los elementos de seguridad.
Ejemplo práctico de un proyecto de inteligencia artificial
Para desarrollar un proyecto en Inteligencia Artificial hay que seguir unas etapas estándares que son:
- Saber qué se quiere resolver: identificar correctamente el objetivo es fundamental e imprescindible para la correcta solución
- Encontrar y preparar los datos: es necesario disponer de unos datos previos para poder formular el modelo. Además, ver cómo de validos son esos datos también es un paso imprescindible para la efectividad
- Seleccionar el modelo matemático para que entrene el modelo: existen multitud de modelos matemáticos, elegir uno u otro afecta a la efectividad
- Entrenar el sistema: una vez elegido el modelo matemático, hay que entrenarlo con los datos que hemos reservado para el training
- Testear el modelo con datos reales: y por último pero por ello no menos importante, cuando parece que todo está desarrollado, tenemos que testear el modelo con los últimos datos que hemos reservado para comprobar finalmente cómo de efectivo es el modelo.
Ejercicio práctico
Como segunda parte de la sesión de AIxFP en el sector de la química y con el objetivo de entender mejor este sistema, Miguel mostró un ejercicio práctico para la estimación de la calidad del vino a través de la composición química y el supuesto precio adecuado. Podéis encontrar las indicaciones y los pasos del ejercicio en el siguiente enlace: bit.ly/aixfpquimica
Mediante los datos de las cualidades químicas del vino y las opiniones de la revista Wine Entusiasm, se analizó la relación entre ambos para identificar las características que influyen más para que un vino reciba mejores calificaciones.
Podéis volver a ver la charla del sector químico en este enlace.
Os invitamos a que nos dejéis vuestros comentarios, dudas o sugerencias, en los comentarios de este post y os responderemos lo antes posible.
Por último, recordaros que esta charla está dentro del proyecto de Saturdays.AI AI4Schools. Si queréis incluir la inteligencia artificial en vuestra escuela o instituto, contactad con nosotros a través del correo: ai4schools@saturdays.ai
