Un tipo diferente de inteligencia artificial

«Mucha gente asocia la IA con los chatbots basados en grandes modelos de lenguaje (LLM) que parecen dar respuestas diferentes cada vez. Ese tipo de comportamiento puede estar bien para redactar textos, pero no es aceptable para aplicaciones como las que utilizamos en la industria alimentaria, por ejemplo, el aprendizaje automático», afirma Sindri Ólafsson.

«No nos centramos en los modelos de lenguaje grandes (LLM), sino en la inteligencia artificial específica para cada tarea, que nos permite predecir y medir el rendimiento. No desarrollamos modelos de IA de gran tamaño, sino que implementamos modelos más pequeños que forman parte integrante de la cadena de software que implementamos en la máquina». 

«Una vez instalado nuestro modelo de IA, no hay sorpresas, ya que sabemos exactamente cómo se comporta, pues se ha sometido a pruebas exhaustivas para la aplicación prevista. Este enfoque nos ayuda a ofrecer a nuestros clientes soluciones de mayor calidad de forma más rápida y fiable».

No es un juego de adivinanzas

Sindri Ólafsson continúa: «En nuestro mundo de alta productividad, la reproducibilidad es fundamental. Si un mismo producto pasa por el mismo sensor en las mismas condiciones, el sistema debe dar siempre la misma respuesta para los mismos puntos de datos. Sea correcto o incorrecto, el resultado debe ser predecible».

«A diferencia de muchas aplicaciones de modelos de lenguaje grande (LLM), que están diseñadas para adaptar sus respuestas al usuario, nuestro modelo de IA se ha creado pensando en la coherencia. A nuestra empresa no le benefician los resultados que parecen un juego de adivinanzas. Dependemos de un comportamiento estable y cuantificable en el que los clientes puedan confiar». 

IA sin sorpresas

«Desde el punto de vista del cliente, la IA no debe improvisar, y nuestro modelo de IA no lo hace. No cambia de opinión. Apoya a la máquina interpretando los datos de los sensores de forma coherente y cuantificable. Nosotros desarrollamos y proporcionamos la inteligencia, mientras que el cliente se beneficia de su comportamiento coherente en las operaciones diarias.

«Entrenamos nuestros modelos de IA para que realicen tareas específicas con requisitos claros, utilizando herramientas que nos permiten hacerlo a gran escala. Realizamos un seguimiento minucioso de los datos que se utilizan, cómo se etiquetan y cómo se comportan los modelos en diferentes conjuntos de prueba. Esto nos permite elaborar informes con precisión y confianza, sin sorpresas para nuestros clientes, tal y como haríamos con cualquier otro componente de software».

En cuanto a los aspectos teóricos, JBT Marel utiliza principalmente redes neuronales convolucionales (CNN), combinadas con transformadores de visión, así como redes neuronales MLP (percepción multicapa).

Máquinas de enseñanza 

Tradicionalmente, las decisiones relacionadas con la calidad dependen en gran medida de la experiencia humana. Un operario puede interpretar una situación de forma ligeramente diferente a otro. La inteligencia artificial ayuda a eliminar esa variabilidad.

Sindri Ólafsson continúa: «Durante el desarrollo de un nuevo equipo, entrenamos modelos de IA utilizando decenas de miles de imágenes que muestran todo tipo de variaciones. Cada imagen es etiquetada cuidadosamente por expertos, por lo que sigue siendo una tarea humana. Poco a poco, el modelo aprende qué debe buscar, igual que un nuevo inspector humano aprendería el oficio estudiando muchos ejemplos».

Una vez entrenado, el modelo se «congela» y se somete a pruebas exhaustivas. Medimos su precisión y fiabilidad, y podemos presentar informes claros con resultados como, por ejemplo, la detección del 99 % de unas características específicas en condiciones definidas. Solo cuando se ha demostrado su rendimiento, implementamos el modelo en una máquina.

Interpretación de imágenes

Por ejemplo, en la máquina VC-i, las imágenes del sensor de visión se procesan mediante un algoritmo de seguimiento que correlaciona cada imagen con un identificador específico de grillete. Una vez vinculada al grillete correspondiente, la imagen se envía a un modelo de inteligencia artificial que identifica características importantes y áreas relevantes, y determina condiciones tales como:

• ¿Hay un pollo en la horca?
• ¿Dónde está la cloaca?
• ¿Cuál es la zona más vulnerable del pollo?
• ¿Está bien sujeto en el gancho?
• ¿Está sujeto con dos patas o con una sola?

Los modelos de IA por sí mismos no toman decisiones; su único objetivo es interpretar la imagen basándose en conjuntos de datos preentrenados y proporcionar información estructurada. Durante el desarrollo de la máquina, el modelo de IA traduce la información (visual) recibida por el sensor a un formato que el software de la máquina pueda entender. A continuación, esta información, junto con la imagen original, se envía a un sistema de posprocesamiento y se almacena en una base de datos. 

«Además, utilizamos un sistema exhaustivo para evaluar la calidad y la precisión esperadas de los modelos de IA. Por ejemplo, al utilizar un conjunto de datos validado de 50 000 imágenes, podemos alcanzar una detección de la cloaca con una precisión cercana al 100 % en el VC-i», añade Sindri Ólafsson.

La inteligencia «congelada» implica un rendimiento predecible

El modelo de IA de JBT Marel es estático o «congelado» durante toda la vida útil de dicho modelo dentro de la máquina. Esto significa que no aprende nada, no evoluciona ni cambia de comportamiento una vez instalado en la máquina y puesto en producción. Aunque pueda parecer una limitación, en realidad es una ventaja. Los modelos «congelados» garantizan un comportamiento estable y predecible a lo largo del tiempo. La máquina funcionará mañana exactamente igual que lo ha hecho hoy.

«Antes de instalar los equipos, JBT Marel y el cliente mantienen conversaciones detalladas para confirmar que el modelo de IA cumple todos los requisitos del cliente. Todos los equipos mostrarán únicamente el comportamiento esperado. En ningún caso, una vez que hayamos puesto en marcha las máquinas, el modelo de IA cambiará de comportamiento». 

Utilizar la IA allí donde aporta un valor real

JBT Marel no utiliza la inteligencia artificial en todos los ámbitos, y eso es a propósito. Hay tareas que se resuelven mejor mediante la física, la calibración o algoritmos clásicos. Por ejemplo, en el SensorX, la detección de grasa u hueso mediante rayos X se basa en propiedades físicas que no requieren inteligencia artificial.

Cuando solo se buscan anomalías sencillas, un algoritmo básico puede ser suficiente; por ejemplo, aplicar un umbral a una línea roja e identificar su punto más alto. Si eso es todo lo que necesitas, no hace falta un modelo de IA.

Sin embargo, si se desea detectar patrones más complejos o inusuales, es aquí donde entra en juego la IA. Donde la IA realmente destaca es en la interpretación. Es muy eficaz a la hora de leer datos de sensores, reconocer patrones, detectar anomalías y comprender información visual compleja. En esos casos, las redes neuronales convolucionales resultan especialmente eficaces, ya que pueden analizar patrones dentro de series de datos y extraer conclusiones más significativas.

Menos dependiente

La inteligencia artificial ayuda a las máquinas a «ver» e interpretar mejor la información visual, de modo que no dependan tanto del criterio humano. Esto significa que:

• Menor necesidad de supervisión manual constante
• Calidad más estable en todos los turnos y centros
• Detección más rápida de incidencias antes de que se conviertan en problemas

Sistemas como el VC-i se benefician de la tecnología de visión basada en la inteligencia artificial, y esa mejora en la calidad se transmite a las fases posteriores del proceso. Incluso las máquinas que no incorporan directamente tecnología de inteligencia artificial se benefician de los datos detallados y más coherentes que reciben, como es el caso del Nuova-i, que ahora también ofrece un mejor rendimiento.

«Nuestra tecnología de IA mejora la seguridad y la calidad del producto que se traslada entre esas máquinas, por lo que toda la línea de evisceración se ve influida por la IA que proporciona el VC-i. ¿Se integrará la IA en todas las máquinas nuevas que desarrollemos? Rotundamente no. ¿Influirá la IA en todas ellas? Rotundamente sí». 

Diseñado para ofrecer escalabilidad y coherencia

Uno de los puntos fuertes de la IA de JBT Marel es su escalabilidad. La misma plataforma de IA es compatible con múltiples máquinas y aplicaciones en los sectores avícola, cárnico, pesquero y de transformación secundaria. Esto garantiza unos estándares de calidad uniformes y una innovación más rápida en toda la gama de productos. «Podemos resolver tareas más complejas con mayor rapidez y precisión. Y podemos hacerlo de forma más económica, ya que no necesitamos dedicar tantas horas de ingeniería como antes».

«Para JBT Marel, la IA no es solo una iniciativa para «estar a la altura de los demás». Se trata de una capacidad cuidadosamente controlada, que se aplica únicamente cuando aporta beneficios cuantificables».

De cara al futuro

En el futuro, no todas las máquinas dependerán de la inteligencia artificial, pero, con el tiempo, cada vez más líneas de producción se beneficiarán de ella. Al mejorar el rendimiento de las máquinas mediante la inteligencia artificial, JBT Marel ayuda a sus clientes a conseguir una mayor calidad, una mayor estabilidad y una menor dependencia de los conocimientos especializados de cada persona.

Al fin y al cabo, la IA no consiste en sustituir a las personas. Se trata de dotar a las máquinas de mejores capacidades sensoriales, para que las personas puedan centrarse en gestionar sus operaciones con confianza.