Aprendizaje eficiente en la Inteligencia Artificial aplicada a la Industria

El objetivo general del proyecto ArgIA es generar métodos de aprendizaje eficiente en las aplicaciones de inteligencia artificial que se llevan a cabo en la Industria, de tal manera que permita conservar o incrementar el rendimiento de los algoritmos, reduciendo drásticamente tanto el volumen de datos necesario como el tiempo de desarrollo de dichos proyectos. 

Por tanto, ArgIA es un proyecto de investigación básica encuadrado dentro de la investigación en Inteligencia Artificial, donde se pretende abordar el reto del aprendizaje a partir de un número reducido de datos anotados, convirtiendo dicho aprendizaje en un aprendizaje eficiente. 

RESULTADOS E IMPACTO DEL PROYECTO

La solución que propone ArgIA para solventar las situaciones expuestas en el apartado de oportunidad es aplicar técnicas de aprendizaje eficiente basadas en Transfer Learning para trasladar el conocimiento generado en el primer ejercicio de modelado y a partir de unas pocas muestras anotaas, generar el nuevo modelo. Sobre dichos resultados específicos, los avances tecnológicos que se obtendrán en el proyecto son los siguientes: 

- Aprendizaje de modelos para la predicción de dureza y composición de acero a partir de su metalografía microscópica, y transferencia de conocimiento aplicada en la predicción a partir de ondas de sonido de la dureza del mismo. 

- Optimización de uso ( y ciclo de vida) real de materiales refractarios a partir de modelos deep y transferencia de los mismos a distintos tipos de instalaciones.

- Generación de técnicas few-shot para aprendizaje y detección de anomalías en defectos de producción, y transferencia de dominio para inspección superficial de acero en distintos tipos de piezas y referencias, además de adaptación de técnicas de weak supervisión para la clasificación de defectos. 

- Obtención de datos en base a simulación avanzada y generación de datos sintéticos en fabricación de componentes, para su reutilización y adaptación a otros contextos y entornos. 

- Modelos de aprendizaje incrementales y adaptativos en procesos de fabricación para caracterizar el proceso y transferencia de los modelos a otras causísticas contextuales (diferente material, diferentes condiciones de proceso).