Es innegable que en los últimos años la inteligencia artificial ha revolucionado diversos sectores de la economía digital como el comercio minorista, la atención al cliente e incluso el arte. Grandes modelos de lenguajecomo ChatGPT, están cambiando la comunicación y han ofrecido soluciones innovadoras para las empresas. Sin embargo, hay un segmento crítico de nuestra economía que aún no ha aprovechado plenamente el potencial de la IA: la economía física.
La economía física abarca las industrias que transportan bienes, alimentan nuestros hogares, cultivan nuestros alimentos y mantienen la infraestructura que mantiene a la sociedad en funcionamiento. Esto incluye sectores como transporte y logística, construcción, energía, servicios de campo y más. Tal como IA generativa Aunque las herramientas han transformado las aplicaciones centradas en el consumidor, también pueden remodelar sustancialmente la forma en que desarrollamos productos impulsados por IA para la economía física.
Uno de los desafíos más apremiantes que enfrentan las empresas que operan en la economía física es la seguridad. En este contexto, la IA generativa aplicada a la visión por computadora puede surgir como uno de los avances más significativos con el potencial de remodelar estas industrias en las próximas décadas.
Creación de modelos de IA de alta precisión para visión por computadora
La creación de modelos de IA de alta precisión para detectar una gran variedad de comportamientos, especialmente cuando se trata de trabajadores físicos, requiere una gran cantidad de datos. El desafío aquí es que los escenarios para los cuales se necesitan estos datos a menudo son peligrosos y difíciles de obtener. Aquí es donde el poder de la IA generativa pasa de ser útil a indispensable.
A diferencia de los modelos de IA discriminativos que hacen predicciones basadas en datos existentes, la IA generativa sintetiza datos completamente nuevos. Estos conjuntos de datos sintéticos pueden entrenar eficazmente modelos que son difíciles, si no imposibles, de construir a partir de fuentes de datos del mundo real debido a su escasez, complejidad o incluso peligro. Por ejemplo:
- Para crear un modelo para alertar a los conductores sobre infracciones de tránsito utilizando fuentes de datos tradicionales, habría que cometer estas infracciones, registrarlas y crear un conjunto de datos. Este proceso es intrínsecamente peligroso, además de lento y costoso. Pero según la Administración Federal de Carreterasmás del 50% de los accidentes con víctimas mortales o heridos ocurren en o cerca de las intersecciones debido a problemas como estos, lo que destaca la importancia de encontrar soluciones.
- De manera similar, el desarrollo de modelos de IA para predecir y detectar escenarios críticos, como colisiones, requiere obtener datos que capturen dichos escenarios. Simular condiciones peligrosas, como un ciervo corriendo hacia la carretera, una falla de equipo en un sitio de construcción o rocas que se deslizan por una ladera hacia un vehículo, es muy difícil de replicar con precisión con el fin de crear conjuntos de datos de entrenamiento.
- Ser capaz de detectar y señalar con precisión cuando una pieza de maquinaria de alto valor no funciona correctamente o está siendo mal manipulada puede tener un impacto tremendo en la seguridad de los trabajadores. Las muertes por “golpes” en los lugares de trabajo son una de las principales causas de muertes en los lugares de trabajo y un 75% estimado son causados por maquinaria pesada. Pero crear una detección sólida basada en IA para monitorear esto requiere obtener datos sobre el movimiento, la operación mecánica y el uso de los trabajadores, lo que lo convierte en un desafío complejo y multifacético.
La IA generativa nos permite generar conjuntos de datos sintéticos y realistas para casos de uso diversos y desafiantes. Los desarrolladores pueden incorporar datos auxiliares y contexto adicional, como condiciones de la carretera, condiciones del lugar de trabajo, ubicación geográfica, interacciones de servicio al cliente y otras entradas para crear conjuntos de datos enriquecidos, con los que podemos entrenar nuevos modelos capaces de detectar y alertar problemas sin necesidad. para que ocurran incidentes reales.
Libere el potencial de la IA generativa en las empresas físicas
Para hacer realidad el potencial de la IA generativa para una empresa física, entran en juego dos elementos cruciales: las personas y los datos.
Invertir en un equipo altamente cualificado es una condición previa para el éxito de cualquier negocio. También es fundamental tener diversidad de conocimientos, así como diversidad de experiencias, puntos de contacto culturales y antecedentes. Aprovechar estos conocimientos y experiencia para informar cómo se desarrolla la IA generativa permite incorporar más contexto y los modelos se pueden ampliar para atender a una audiencia global en lugar de una regional o nacional.
Calidad de los datos en ambos. computación de borde y los modelos generativos de IA son cruciales. Esto es lo que ha impulsado a Motive a invertir en un equipo de anotaciones verdaderamente de clase mundial. Debido a que la precisión es tan crítica para la seguridad y la optimización de nuestros clientes, este equipo garantiza que los procesos detrás de nuestro uso de IA generativa sean sólidos y consistentes. Estos procesos incluyen garantizar datos y etiquetas de la más alta calidad para entrenar nuestros modelos y, por lo tanto, nuestros productos y servicios.
Al mismo tiempo, la IA generativa en la economía física será tan útil como los conocimientos y capacidades que cree. En Motive utilizamos estos conocimientos y capacidades para impulsar una plataforma integral que proporciona conocimientos sobre gestión de flotas y gastos, seguridad, monitoreo de activos, emisiones y más. Este elemento tecnológico de cara al cliente garantiza que todo el trabajo que los equipos realizan en sus procesos se traduzca en algo que genere resultados significativos para una empresa y su clientela.
El potencial transformador de la IA generativa
La IA generativa tiene el potencial de ser transformadora para la economía física y las industrias que alimentan nuestra vida cotidiana. ¿Qué pasaría si la IA generativa pudiera mitigar el impacto de un incendio forestal prediciendo su trayectoria y alertando a los residentes antes? ¿Se pueden crear modelos predictivos sobre el uso de energía para combatir el cambio climático y crear ciudades más sostenibles? ¿Se pueden mejorar las rutas marítimas mediante alertas más rápidas y efectivas sobre cambios en el clima o las condiciones de las carreteras, o quizás con rutas que ahorren combustible? Estas son preguntas que el uso de la IA generativa puede ayudarnos a abordar en esta parte clave de la economía global.
Jairam Ranganathan lidera la gestión de productos, el diseño, la ciencia de datos y la estrategia de Motive. Antes de unirse a Motive, Jai trabajó en Uber, donde se desempeñó como director senior de ciencia de datos y productos, gestionando el aprendizaje automático y la inteligencia artificial, datos, sistemas de marketing y herramientas de operaciones. Antes de unirse a Uber, Jai se desempeñó como director senior de gestión de productos en Cloudera. Obtuvo su licenciatura y licenciatura en informática y matemáticas en la Universidad de Texas en Austin y completó su maestría en informática en la Universidad de Stanford.
—
Generative AI Insights proporciona un lugar para que los líderes tecnológicos, incluidos proveedores y otros contribuyentes externos, exploren y discutan los desafíos y oportunidades de la inteligencia artificial generativa. La selección es amplia, desde análisis profundos de tecnología hasta estudios de casos y opiniones de expertos, pero también subjetiva, basada en nuestro juicio sobre qué temas y tratamientos servirán mejor a la audiencia técnicamente sofisticada de InfoWorld. InfoWorld no acepta garantías de marketing para su publicación y se reserva el derecho de editar todo el contenido aportado. Contacto doug_dineley@foundryco.com.
Copyright © 2024 IDG Communications, Inc.