1

reflexión sobre las bases del Machine Learning:

(JULIO 2023)
Juan Camilo Tafur, Paula Andrea Gómez Narváez

10. ¿Qué desafíos pueden surgir al aplicar técnicas de

1. ¿Qué es el Machine Learning y cómo se Machine Learning en entornos industriales y cómo
diferencia de la programación tradicional? pueden superarse?

2. ¿Cuáles son los principales tipos de I. SOLUCION

algoritmos de Machine Learning y en qué
situaciones se utilizan cada uno de ellos? • ¿Qué es el Machine Learning y
cómo se diferencia de la
programación tradicional?
3. ¿Cuál es el papel de los datos en el Machine
Learning y por qué es crucial contar con El Machine Learning es una rama de la inteligencia
conjuntos de datos de alta calidad? artificial que permite a las computadoras aprender y
mejorar su rendimiento en tareas específicas a través de
4. ¿Qué es el overfitting en Machine Learning y la experiencia, sin ser programadas explícitamente para
cómo puede evitarse este problema durante el cada tarea. En lugar de seguir reglas y algoritmos
entrenamiento de modelos? específicos, las máquinas pueden reconocer patrones y
tomar decisiones basadas en datos.
A diferencia de la programación tradicional, donde se
5. ¿Cuáles son algunos ejemplos reales de escriben instrucciones explícitas para que una
aplicaciones exitosas de Machine Learning en computadora realice una tarea específica, en el Machine
diversas industrias? Learning se entrenan modelos utilizando grandes
cantidades de datos para que puedan generalizar y
6. ¿Cómo puede el Machine Learning mejorar resolver problemas similares de manera más eficiente.
la eficiencia en el control de sistemas En resumen, mientras que la programación tradicional es
mecatrónicos en una línea de producción estática y basada en reglas, el Machine Learning es más
industrial? adaptable y se enfoca en el aprendizaje a partir de datos.

7. ¿Cuáles son los beneficios de utilizar técnicas • ¿Cuáles son los principales tipos de
de Machine Learning para el mantenimiento
predictivo en maquinaria industrial? algoritmos de Machine Learning y
en qué situaciones se utilizan cada
8. ¿Cómo se puede implementar el Machine uno de ellos?
Learning en sistemas de visión artificial para
optimizar la inspección de calidad de Aprendizaje Supervisado
productos manufacturados? Los algoritmos utilizan datos de entrenamiento
etiquetados para predecir valores de salida futuros.
9. ¿Cuál es el papel del Machine Learning en la
Aprendizaje No Supervisado
optimización de algoritmos de control en
Los algoritmos identifican patrones y relaciones en los
tiempo real para procesos industriales
complejos? datos sin usar etiquetas.

Aprendizaje por Reforzamiento

 2

Los algoritmos toman decisiones basadas en una serie en el modelo de Machine Learning ganan
de acciones y recompensas. credibilidad y se pueden emplear en aplicaciones
críticas o en toma de decisiones importantes.

• ¿Cuál es el papel de los datos en el En resumen, los datos de alta calidad son esenciales para
Machine Learning y por qué es obtener modelos de Machine Learning más precisos,
crucial contar con conjuntos de eficientes y confiables, lo que conduce a resultados más
datos de alta calidad? satisfactorios en diversas aplicaciones y campos.

Los datos son fundamentales en el Machine Learning, ya

que son la materia prima con la que los algoritmos • ¿Qué es el overfitting en
aprenden a realizar tareas y toman decisiones. Los Machine Learning y cómo
modelos de Machine Learning utilizan datos para
identificar patrones, construir representaciones internas y puede evitarse este problema
generalizar conocimientos para aplicarlos a nuevas durante el entrenamiento de
situaciones.
modelos?
La calidad de los conjuntos de datos es crucial porque El overfitting (sobreajuste) es un problema común en
influye directamente en la precisión, eficacia y Machine Learning que ocurre cuando un modelo se
generalización del modelo. Algunas razones por las que ajusta demasiado a los datos de entrenamiento y pierde
contar con conjuntos de datos de alta calidad es su capacidad de generalizar a nuevos datos no vistos
importante son: durante el entrenamiento. En otras palabras, el modelo
1. Mayor precisión: Los datos precisos y memoriza los datos de entrenamiento en lugar de
representativos permiten que el modelo aprenda aprender patrones útiles que se puedan aplicar a nuevos
datos.
relaciones más exactas y tome decisiones más
acertadas. Para evitar el overfitting durante el entrenamiento de
modelos, se pueden utilizar diversas estrategias:
2. Mejor generalización: Los conjuntos de datos
de alta calidad permiten que el modelo 1. Dividir los datos en conjuntos de
generalice mejor a nuevos datos, evitando entrenamiento y prueba: Es fundamental
sobreajustes y aumentando su capacidad de dividir los datos en dos conjuntos: uno para
adaptación a escenarios no vistos durante el entrenar el modelo y otro para evaluar su
entrenamiento. rendimiento. De esta manera, podemos verificar
cómo el modelo generaliza a datos no vistos.

3. Menos sesgos: Un conjunto de datos de baja 2. Validación cruzada: En lugar de una única
calidad o sesgado puede llevar al modelo a división entre conjuntos de entrenamiento y
tomar decisiones injustas o discriminatorias. Los prueba, la validación cruzada implica dividir los
datos de alta calidad ayudan a minimizar estos datos en múltiples conjuntos y entrenar y evaluar
sesgos y garantizar una mayor equidad en las el modelo varias veces. Esto proporciona una
predicciones del modelo. evaluación más robusta y ayuda a detectar
posibles sobreajustes.
4. Mayor eficiencia: Con un conjunto de datos
bien organizado y limpio, el proceso de
entrenamiento del modelo puede ser más rápido 3. Regularización: La regularización agrega una
y eficiente. penalización a la complejidad del modelo, lo que
ayuda a evitar que se ajuste excesivamente a los
datos de entrenamiento. Algunos métodos de
5. Confiabilidad en las decisiones: Cuando se regularización comunes incluyen L1 (Lasso) y
utilizan datos confiables, las decisiones basadas L2 (Ridge).
 3

Control de calidad: Las fábricas pueden utilizar Machine

4. Aumentar el tamaño del conjunto de Learning para inspeccionar visualmente productos y
entrenamiento: Cuantos más datos de detectar defectos o irregularidades.
entrenamiento se utilicen, más difícil será para el
modelo memorizarlos y, en cambio, aprender Foxconn
patrones más generales. La compañía ahorra 50 millones de dólares al año
mediante el uso de robots en sus procesos de producción.

5. Simplificar el modelo: Reducir la complejidad

del modelo puede ayudar a evitar el sobreajuste. • ¿Cómo puede el Machine Learning
Por ejemplo, en redes neuronales, se puede mejorar la eficiencia en el control
disminuir el número de capas o unidades. de sistemas mecatrónicos en una
línea de producción industrial?
6. Eliminar características irrelevantes: Si
algunas características no son útiles para el
problema, eliminarlas puede ayudar a reducir el el Machine Learning puede mejorar la eficiencia en el
sobreajuste. control de sistemas mecatrónicos en una línea de
producción industrial mediante:

7. Usar técnicas de regularización específicas del *Optimización de parámetros y ajuste automático para
algoritmo: Muchos algoritmos de Machine maximizar el rendimiento del proceso.
Learning tienen parámetros de regularización
incorporados que pueden ajustarse para evitar el *Mantenimiento predictivo que evita paradas no
sobreajuste. planificadas y reduce el tiempo de inactividad.

*Detección temprana de anomalías para intervenir

• ¿Cuáles son algunos ejemplos reales antes de que se agrave un fallo.
de aplicaciones exitosas de Machine
*Aprendizaje adaptativo que mejora el desempeño con
Learning en diversas industrias? la experiencia y más datos.
Siemens
El gigante tecnológico alemán utilizó el *Programación de producción optimizada para
aprendizaje automático para reducir los costos minimizar tiempos de espera y aumentar la
de mantenimiento en un 12% en su división de productividad.
ingeniería industrial.
Salud y Medicina: *Control de calidad automatizado para identificar
defectos de manera rápida y precisa.
Diagnóstico médico: Los algoritmos de Machine
*Reducción de costos y desperdicios, mejorando la
Learning se han utilizado para ayudar a identificar y
diagnosticar enfermedades como el cáncer a partir de rentabilidad.
imágenes médicas (por ejemplo, mamografías,
resonancias magnéticas) con alta precisión *Gestión de la cadena de suministro optimizada para
asegurar la disponibilidad de materiales cuando se
Comercio minorista y Comercio electrónico: necesiten.

Recomendaciones de productos: Grandes plataformas de • ¿Cuáles son los beneficios de

comercio electrónico utilizan algoritmos de utilizar técnicas de Machine
recomendación basados en Machine Learning para
sugerir productos relevantes a los clientes.
Learning para el mantenimiento
predictivo en maquinaria
Automatización industrial y Manufactura: industrial?
 4

Reducción del tiempo de inactividad no implica un enfoque sistemático que incluye las
planificado: El mantenimiento predictivo permite siguientes etapas:
identificar y abordar problemas potenciales antes de que
causen un fallo catastrófico en la maquinaria. Esto ayuda Recopilación de datos: El primer paso es reunir
a evitar paradas no planificadas y reduce
una gran cantidad de imágenes de productos
significativamente el tiempo de inactividad, lo que a su
manufacturados que representen tanto los productos
vez mejora la productividad y la eficiencia de la línea de
producción. defectuosos como los no defectuosos. Estos datos
serán fundamentales para entrenar y evaluar los
Optimización del mantenimiento: El enfoque modelos de Machine Learning.
predictivo permite programar el mantenimiento justo
cuando es necesario, en lugar de realizar revisiones Preprocesamiento de datos: Las imágenes
periódicas basadas en un calendario fijo. Esto evita el recopiladas deben someterse a un proceso de
gasto innecesario de recursos y piezas de repuesto, preprocesamiento para eliminar ruido, normalizar
reduciendo los costos operativos y de mantenimiento. tamaños, ajustar el brillo y el contraste, y
convertirlas en un formato adecuado para el
Aumento de la vida útil de la maquinaria: Al
entrenamiento del modelo.
detectar y abordar problemas en etapas tempranas, se
pueden evitar daños mayores y costosas reparaciones. El
mantenimiento predictivo ayuda a prolongar la vida útil Selección del modelo de Machine Learning:
de la maquinaria, maximizando su retorno de inversión. Existen diferentes arquitecturas de modelos de
Machine Learning que pueden utilizarse para
Seguridad mejorada: El mantenimiento predictivo problemas de visión artificial, como Convolutional
ayuda a reducir el riesgo de accidentes relacionados con Neural Networks (CNN) o Redes Neuronales
fallos en la maquinaria. Al prevenir problemas antes de Convolucionales. La elección del modelo dependerá
que se vuelvan críticos, se protege la seguridad de los de la complejidad del problema y la cantidad de
trabajadores y se evitan situaciones peligrosas. datos disponibles.
Mejora de la planificación y programación: Al
División de datos: Se separan los datos
predecir cuándo y qué componentes pueden fallar, las
recopilados en conjuntos de entrenamiento,
empresas pueden planificar con mayor precisión los
trabajos de mantenimiento y programarlos en momentos validación y prueba. El conjunto de entrenamiento
convenientes para minimizar la interrupción de la se utilizará para ajustar los parámetros del modelo,
producción. el conjunto de validación para optimizar
hiperparámetros y evitar el sobreajuste, y el
Reducción de costos: Al evitar reparaciones costosas conjunto de prueba para evaluar el rendimiento final
y reducir el tiempo de inactividad, el mantenimiento del modelo.
predictivo puede generar ahorros significativos en los
costos de mantenimiento y producción. Entrenamiento del modelo: Se utiliza el
conjunto de entrenamiento para ajustar los
• ¿Cómo se puede implementar el parámetros del modelo mediante técnicas de
Machine Learning en sistemas de aprendizaje supervisado. El objetivo es que el
visión artificial para optimizar la modelo aprenda a distinguir entre productos
inspección de calidad de productos defectuosos y no defectuosos.
manufacturados?

La implementación de Machine Learning en

sistemas de visión artificial para optimizar la
inspección de calidad de productos manufacturados
 5

• ¿Qué desafíos pueden surgir al

• ¿Cuál es el papel del Machine aplicar técnicas de Machine
Learning en la optimización de Learning en entornos industriales y
algoritmos de control en tiempo cómo pueden superarse?
real para procesos industriales
complejos? Al aplicar técnicas de Machine Learning en
entornos industriales, pueden surgir desafíos como
la disponibilidad de datos de calidad, la
el Machine Learning juega un papel esencial en la interpretación de modelos complejos, la integración
optimización de algoritmos de control en tiempo con sistemas existentes, la necesidad de respuestas
real para procesos industriales complejos al en tiempo real y la seguridad de datos. Para superar
permitir: estos desafíos, es importante garantizar datos
confiables, utilizar modelos interpretables,
✓ Modelado y predicción de procesos para planificar una integración adecuada y asegurar la
anticipar y ajustar las acciones en tiempo seguridad de los datos. Además, se debe fomentar la
real. colaboración entre expertos en el campo industrial y
el Machine Learning para obtener soluciones
✓ Aprendizaje adaptativo para actualizarse y efectivas y adaptables en entornos industriales
ajustarse continuamente a datos cambiantes.
cambiantes.

✓ Optimización de parámetros para

encontrar los mejores valores de control
de manera automática.

✓ Detección y corrección de anomalías en el

proceso industrial.

✓ Control basado en la incertidumbre para

mejorar la robustez y fiabilidad.

✓ Reducción de costos y mejora de la

eficiencia en la producción.

✓ Manejo de la complejidad de procesos

industriales multivariables y no lineales.

En conjunto, estas capacidades permiten un

control más eficiente, preciso y adaptable de los
procesos, lo que lleva a mejoras significativas en la
productividad, calidad y rentabilidad en la industria.