{"id":18660,"date":"2024-09-25T12:50:40","date_gmt":"2024-09-25T11:50:40","guid":{"rendered":"https:\/\/telecomkh.info\/?p=18660"},"modified":"2024-09-25T12:50:40","modified_gmt":"2024-09-25T11:50:40","slug":"el-uso-avanzado-de-la-nube-es-clave-para-alcanzar-los-objetivos-de-ia-y-datos-de-los-fabricantes","status":"publish","type":"post","link":"https:\/\/telecomkh.info\/?p=18660","title":{"rendered":"El uso avanzado de la nube es clave para alcanzar los objetivos de IA y datos de los fabricantes"},"content":{"rendered":"

Casi el 20% de los l\u00edderes del sector de la automoci\u00f3n en Alemania y el Reino Unido aseguran que la IA aplicada en sus proyectos de visi\u00f3n artificial podr\u00eda funcionar mejor, seg\u00fan un reciente informe de Zebra<\/strong><\/p>\n

Zebra Technologies Corporation, proveedor l\u00edder de soluciones digitales que permite a las empresas conectar de forma inteligente datos, activos y personas, destaca la importancia de la implementaci\u00f3n de nuevas tecnolog\u00edas y modernizaci\u00f3n de las instalaciones de fabricaci\u00f3n de automoci\u00f3n especialmente orientadas a veh\u00edculos el\u00e9ctricos para maximizar la eficiencia, la calidad y la mano de obra.
\n\u201cSabemos que cuando se trata de desarrollar f\u00e1bricas nuevas y de adquirir soluciones, las decisiones corporativas suelen tener un enfoque muy local. Sin embargo, existe la posibilidad de que distintas plantas utilicen soluciones diferentes para flujos de trabajo similares, y el riesgo de que la experiencia y los datos no se compartan en todas las plantas, incluso cuando se utilizan soluciones m\u00e1s recientes basadas en IA en las que la calidad de los datos es esencial\u201d, asegura Donato Montanari, General Manager and VP, Machine Vision en Zebra Technologies.
\nLa implementaci\u00f3n de tecnolog\u00edas como IA, deep learning o machine vision es un paso necesario, sin embargo, tiene que hacerse de forma correcta para que pueda ser \u00fatil para los fabricantes y sus procesos. Por ejemplo, cifras recientes indican que uno de los principales fabricantes de veh\u00edculos el\u00e9ctricos ha eliminado m\u00e1s de 100 pasos de su proceso de fabricaci\u00f3n de bater\u00edas, 52 piezas de equipo del taller de carrocer\u00eda y m\u00e1s de 500 piezas del dise\u00f1o de sus veh\u00edculos insignia, lo que se ha traducido en una reducci\u00f3n del 35% en el coste de los materiales para las furgonetas y un ahorro de escala similar para sus otros veh\u00edculos.
\nDe hecho, entre los directivos de empresas de automoci\u00f3n, casi el 20% en Alemania y el Reino Unido aseguran que, la IA aplicada en sus proyectos de visi\u00f3n artificial podr\u00eda funcionar mejor o hacer m\u00e1s, seg\u00fan un reciente informe de Zebra que analiza la visi\u00f3n artificial de IA en el sector. Incluso, se\u00f1alan que para que las organizaciones sigan siendo competitivas y eficientes, es necesario comprender y abordar los obst\u00e1culos a la adopci\u00f3n de la IA.<\/p>\n

El reto de los datos cruzados entre plantas<\/strong>
\nLa IA, en particular el deep learning, se nutre de datos: el volumen, la variedad y la velocidad de los datos de buena calidad son fundamentales para entrenar y probar estos modelos de aprendizaje, de modo que ofrezcan los resultados esperados cuando se implementen en la vida real.
\nUna red neuronal de deep learning debe estar expuesta a tanta variaci\u00f3n como sea posible, incluyendo diferentes horas y d\u00edas de producci\u00f3n, por lo que se necesita entrenar un modelo robusto que permita combinar las capturas de datos durante diferentes periodos de tiempo. Asimismo, se han de tener en cuenta las variaciones en los procesos industriales, que est\u00e1n sujetos a diversos factores ambientales, materiales con ligeras alteraciones en las condiciones de producci\u00f3n, y a las variaciones que puede tener cada planta de fabricaci\u00f3n en nitidez, luz ambiental y otros factores. Por tanto, es fundamental garantizar que las anotaciones sean precisas e inequ\u00edvocas, incluso en los centros de producci\u00f3n que fabrican los mismos art\u00edculos, pero para ello es necesario que los equipos puedan colaborar en los proyectos de anotaci\u00f3n.
\nMarcar distintos tipos de defectos en distintas im\u00e1genes y dejar algunos sin marcar es un error com\u00fan en los proyectos reales. Y lo que cuenta como defecto tambi\u00e9n puede ser subjetivo, por lo que es importante la validaci\u00f3n cruzada. Todos los defectos, independientemente de su tipo, deben marcarse claramente en todas las im\u00e1genes pertinentes. Una vez m\u00e1s, si no se adopta un enfoque unificado y se aprovecha la nube, persiste el problema de la anotaci\u00f3n de datos entre centros y pa\u00edses.<\/p>\n

Soluciones de plataforma en la nube de deep learning<\/strong>
\nEl uso de la nube supone un gran avance para que la industria manufacturera pueda aprovechar la visi\u00f3n artificial y el deep learning. Una plataforma de visi\u00f3n artificial basada en la nube permitir\u00eda a los equipos cargar, etiquetar y anotar datos de forma segura desde m\u00faltiples ubicaciones de fabricaci\u00f3n en cualquier lugar, pa\u00eds y regi\u00f3n, as\u00ed como trabajar en juntos en tiempo real, compartiendo sus experiencias, proporcionando datos de entrenamiento y prueba m\u00e1s completos para probar modelos de deep learning en nube, que ofrezcan niveles de an\u00e1lisis y precisi\u00f3n superiores a los de la visi\u00f3n artificial convencional. Estos resultados son los que buscan los fabricantes de los sectores de la automoci\u00f3n, las bater\u00edas el\u00e9ctricas, los semiconductores, la electr\u00f3nica y el embalaje.
\nAdem\u00e1s, una soluci\u00f3n basada en la nube tambi\u00e9n ofrece escalabilidad y accesibilidad de la potencia inform\u00e1tica, ya que todos los usuarios pueden acceder a la misma potencia de c\u00e1lculo desde sus port\u00e1tiles. Un modelo de software como servicio ofrecer\u00eda a los equipos de visi\u00f3n artificial la flexibilidad y facilidad de invertir en una plataforma basada en la nube con una suscripci\u00f3n mientras el socio tecnol\u00f3gico a\u00f1ade sin problemas nuevas funciones, modelos y actualizaciones de forma que permitan el despliegue de modelos en PC y dispositivos para apoyar flujos de trabajo flexibles y digitalizados en la l\u00ednea de producci\u00f3n desde cualquier sitio.
\nEste aumento en la adopci\u00f3n de la IA que se est\u00e1 viendo en Europa subraya la intenci\u00f3n de los fabricantes de mejorar la gesti\u00f3n de datos y aprovechar las nuevas tecnolog\u00edas que mejoran la visibilidad y la calidad en todo el proceso de fabricaci\u00f3n. Uno de los problemas actuales m\u00e1s significativos de la gesti\u00f3n de la calidad es la integraci\u00f3n de los datos. Con los objetivos de IA y datos y las nuevas plantas de automoci\u00f3n previstas para Europa, se refuerza la necesidad de analizar el potencial de la nube para aprovechar los datos y ampliar los beneficios de la visi\u00f3n artificial de deep learning<\/p>\n

Arriba, imagen cortes\u00eda de Zebra<\/em><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

Casi el 20% de los l\u00edderes del sector de la automoci\u00f3n en Alemania y el Reino Unido aseguran que la IA aplicada en sus proyectos de visi\u00f3n artificial podr\u00eda funcionar mejor, seg\u00fan un reciente informe de Zebra Zebra Technologies Corporation, proveedor l\u00edder de soluciones digitales que permite a las empresas conectar de forma inteligente datos, … <\/p>\n

Continue reading \u00abEl uso avanzado de la nube es clave para alcanzar los objetivos de IA y datos de los fabricantes\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":18661,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[8],"tags":[],"_links":{"self":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/18660"}],"collection":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=18660"}],"version-history":[{"count":1,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/18660\/revisions"}],"predecessor-version":[{"id":18662,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/18660\/revisions\/18662"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/media\/18661"}],"wp:attachment":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=18660"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=18660"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=18660"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}