El proyecto F3 Future: Fast Forward, iniciativa liderada por SEAT S.A. y Grupo Volkswagen registrada en el Proyecto Estratégico para la Recuperación y Transformación Económica del Vehículo Eléctrico y Conectado (PERTE-VEC) cumple ya dos años y se encuentra en su última anualidad, que finalizará en julio de 2025. Su objetivo es convertir la industria de la automoción teniendo como modelo las bases de las Smart Factories y el paradigma 4.0 para así poder optimizar los costes asociados a la fabricación y manufacturación del vehículo eléctrico y avanzar hacia una industria más sostenible.
Con esto en mente, y de cara a las pruebas de concepto que se llevarán a cabo durante los meses de esta última anualidad, en el equipo de I+D+i de ZYLK hemos estado trabajando en diferentes temáticas para poder aportar las herramientas y el conocimiento necesario para realizar estas pruebas, centrándonos en algoritmos y técnicas que permitan aprovechar los datos creados durante los procesos de fabricación, optimizando su funcionamiento y generando resultados accesibles y comprensibles para todos los usuarios.
El trabajo realizado en ZYLK se ha repartido en dos actividades. La primera actividad se ha centrado en el estudio del estado del arte de los algoritmos de inteligencia artificial y las técnicas para optimizar el entrenamiento de modelos de IA. Se han revisado los avances de las técnicas actuales, partiendo de las más básicas (aprendizaje supervisado y no supervisado) y avanzando a técnicas más experimentales como el aprendizaje por transferencia y el aprendizaje por refuerzo. Estas dos últimas metodologías tienen enfoques diferentes, pero ambas se centran en la reutilización de los modelos de IA desarrollados para distintas tareas y el aprovechamiento de información para el enriquecimiento de los mismos.
Además, también se han analizado y probado técnicas para la distribución de la carga de trabajo durante el desarrollo y la generación de modelos de IA, ya que es un proceso que puede resultar operacionalmente muy costoso. Entre otras, se han probado arquitecturas de entrenamiento distribuido de modelos, utilizando diferentes nodos computacionales para realizar la generación de un modelo. También se ha revisado la distribución de los datos en diferentes dispositivos, aligerando así la cantidad de memoria requerida para realizar el entrenamiento.
En la segunda actividad hemos estudiado la manera de representar los resultados obtenidos mediante métodos de IA de manera accesible y comprensible. Los algoritmos de IA razonan de una manera que puede ser muy compleja para un usuario no experto, por lo que es esencial que los resultados obtenidos se presenten de la manera más clara posible para que el usuario final pueda tomar decisiones de manera informada. Para ello, hemos explorado el estado del arte de la explicabilidad IA (xAI), estudiando distintas técnicas de análisis de resultados obtenidos centrados tanto en datos tabulares (SHAP) como en dataos de imágenes (LIME). También se ha revisado cómo presentar el propio modelo al público general, optando por mostrar su estructura de manera gráfica para poder facilitar el entendimiento de su funcionamiento.
El trabajo de estas dos actividades ha sido documentado en dos informes que recopilan toda la investigación realizada a lo largo del proceso, y se ha desarrollado un servicio de xAI como prueba de concepto para probar las técnicas de Inteligencia Artificial estudiadas. Estos informes servirán para establecer las bases de conocimiento necesarias para realizar las pruebas de validación en los próximos meses y comprobar que efectivamente se cumplen los objetivos de optimización de recursos materiales y residuos generados en los procesos de fabricación. Además, se podrá ofrecer una nueva perspectiva a la hora de presentar los resultados obtenidos mediante algoritmos y modelos de IA, obteniendo resultados más claros y comprensibles para poder seguir realizando avances de manera segura.
