Discutiendo el campo de la inteligencia artificial y como los ingenieros mecatrónicos pueden contribuir a el. Presentación virtual @ Tec de monterrey CSA

1. ITESM - IA & Ingeniería
Aterrizando la Inteligencia Artificial
Dr. Gonzalo Aguirre D. - 2020/05/26
1

2. Agenda
1. ¿Quíen soy? & ¿Qué hago?
2. ¿Qué es IA? & ¿Para qué sirve?
3. ¿Por qué necesitamos ingenieros ahí?
4. ¿Cómo entrarle al campo de IA?
5. Conclusiones
6. Q&A.
2
45 min
→ 15 min

3. ¿Quíen soy?
¿qué hago?
3

4. ¿Quíen soy?
4
Generación IMT 2005
Dr. Gonzalo Aguirre Domínguez

5. ¿Qué hago?
5

6. ¿Que es la Inteligencia
artificial (IA)?
y ¿para que se usa?
6

7. La simple respuesta
Mal
emprendedor
7
Es la fuerza que
uso para la
innovación infinita
Nuestro sensei
Tus palabras no
me convencen
Ahora les
digo la verdad

8. Depende a quien le preguntes? - Un término de moda
• Para los investigadores: IA es un campo de investigación dedicado al
estudio de la inteligencia simulada por máquinas
E.g. Search, inference, optimization, recognition, NLP, deep learning, etc...
• Para los vendedores de IA: es cualquier sistema que utiliza los
cualquiera de los resultados de ese campo
• El público general: es lo que ven en las películas de ciencia ficción
Inteligencia General
8
generalized AI ≄ specialized AI

9. La investigación de AI a evolucionado
• 1st Wave of A. I. (1956-1974)
• Symbol Processing (LISP)
• Means-End Analysis
• Language Parsing
• 2nd Wave of A. I. (1980-1987)
• Knowledge Representation
• Expert Systems
• Ontology
• 3rd Wave of A. I. (2008- )
• Statistical Machine Learning
• Deep Learning
9
Input (X)
Output (Y)
Y=f(X)
Deep Learning
Es impulsado por datos
High-dimensional data: a
combination of variables
Low-dimensional for classification
high-dimensional for generation
● Las funciones pueden ser
aproximadas si se selecciona
el modelo correcto
● Puede manejar un gran
número de parámetros

10. Que es Deep Learning?
10
Y=f(X)
Black-box model
una función sin estados
X Y
Simples resultados
con menor dimensio-
nalidad y variables
Multiples datos
complejos,
multiples variables

11. Ejemplo: Obtener la distancia de una bicicleta
11
Requerimientos Entrada: s0
, v0
, a0
, t
Salida: s
Donde:
s0
, v0
, a0
son la distancia, velocidad y
aceleración iniciales y s es la distancia
después de un intervalo t
Modelo s(t) = s0
+ v0
*t + ½a0
t2
Algoritmo double s_t(double s0, v0, a0, t){
return s0 + v0*t + 0.5*a0*t^2;
}
Es fácil si todo
es constante

12. Una técnica alternativa - usando datos
12
STOP
START
tiempo
distancia

13. Una técnica alternativa - usando datos
13
red neuronal
s(t) = s0
+ v0
*t + e
modelo estimado
tiempo
distancia

14. Una trampa: el familia del modelo es necesaria
14
Escoger la familia adequada a veces es difícil
Muchos parámetros
puede ocasionar
overfitting

15. 3ra
computadora
Al borde de la 4ta revolución tecnológica
15
1era
Vapor
2nda
electricidad
4ta
intelligence
Siglo 17
Mecanización del
trabajo
Siglos 19 y 20
Producción en masa
Finales del siglo 20
Automatización e
información
Comienzo del siglo 21
Big data, sistemas
cyber-físicos, conectividad
Mayor eficiencia, menos trabajo, más libertad y productividad

16. ¿Por qué ahora?
LeNet @ 1998
Algoritmos
16
AlexNet @ 2012
GPU power

17. 17
¿Para qué se usa?
¿Quíen es PFN?

18. Preferred Networks, Inc. - PFN
• Founded: March 2014 (Spin-off from Preferred Infrastructure)
• Located: Tokyo, Japan
Berkeley, CA. US (PFN America)
• Number of Employees: ~300, mostly Engineers & Researchers
• Director: Toru Nishikawa, Daisuke Okanohara, Ryosuke Okuta
• Investors: NTT (2014), Fanuc (2015), Toyota (2015, 2017)
- Hakuhodo, Hitachi, Mizuho Bank, Mitsui & Co., Chugai Pharmaceutical, Tokyo Electron, JXTG
• Our focus: Distributed Deep Learning applied to diverse industries
• Target industries: Transportation, industrial robot, manufacturing, bio & healthcare
• Vision:
18
Making the real world computable
With our innovative and essential technologies, we venture into the unknown.

19. Image Segmentation for autonomous driving
19
https://www.youtube.com/watch?v=1HJSMR6LW2g

20. Visual Inspection Solution
Computer Vision
（コンピュータビジョン）
Inspection
（外観検査）
Quick and low cost deployment of an automatic
visual inspection system
⇒Suitable to automate complex production lines
Fácil de ver errores de producción
Gran precisión incluso con pocos datos
tallones particulas polvo
PFN Visual Inspection Advantages
● Visualización de anormalidades
● Efectivo en varios materiales
● Pocas imágenes necesarias
● No anotación es necesaria
● Intuitiva interface
20

21. Diagnosis support using medical images
Detection of lesions in brain tumor patients : using few data
21
● Detection of pneumonia
● Participated in Kaggle sponsored pneumonia detection competition
● RSNA Pneumonia Detection
● 6th place among 1445 teams
correct labelpredictioninput

22. Auto Coloring Line Drawings
22
https://www.youtube.com/watch?v=lCoZR5S1btY

23. Analisis del futbol usando Deep Learning
23
https://youtu.be/hs_v3dv6OUI

24. Plug & Pick robot
24
https://www.youtube.com/watch?v=kS5pOMm30Ic&t=3s

25. The future: Autonomous tidy up robots
25
https://www.youtube.com/watch?v=VGj3daiFNdM

26. Cómo lo logramos? : Muchos recursos
26
World-class computational
resources
Ours is the largest private
supercomputer in Japan
World record of DL training speed in
Dec. 2017

27. Recapitulando - Deep learning
• No hay necesidad de saber el modelo o algoritmo
• Se pueden modelar fenómenos complejos
• Es una nueva forma de programar
• Es necesario aprender nueva forma de trabajo
• Es importante preparar los datos correctamente
• Require gran capacidad de procesamiento
• Impulsa la innovación computacional
• Modelo estatistico
• Solo es una aproximación (no hay respuestas exactas)
27

28. Limitaciones fundamentales de la IA
28
red neuronal
s(t) = s0
+ v0
*t + e
modelo estimado
tiempo
distancia
Modelo original
s(t) = s0
+ v0
*t + ½a0
t2
v0
s0
El modelo estadístico
se basa en los datos
observados
El auto nunca aceleró

29. Limitaciones fundamentales de la IA
29
s(t) = s0
+ v0
*t + e
modelo estimado
tiempo
distancia
Si el carro...
Cambia con el tiempo
No fue observado
durante todo el tiempo
● No se puede garantizar la
precisión del modelo
● No puede predecir lo que no
vio
● Solo sirve si el futuro es igual
que lo observado
No se muestrearon
todos los datos

30. ¿Porque necesitamos
ingenieros ahí?
Y otras carreras también
30

31. Factor de seguridad
31
Si el carro...
tiempo
distancia
Cambia con el tiempo
No fue observado
durante todo el tiempo
No se muestrearon
todos los datos
¿Qué podemos hacer?

32. Factor de seguridad - te subirías?
32
https://en.wikipedia.org/wiki/Wright_brothers#/media/File:1902_Wright_glider_turns.jpeg
Wright glider
https://en.wikipedia.org/wiki/Karl_Benz#/media/File:1885Benz.jpg
Benz Petrol Tri-car

33. Factor de seguridad - te subirías?
33
https://en.wikipedia.org/wiki/Wright_brothers#/media/File:1902_Wright_glider_turns.jpeg
Wright glider
https://en.wikipedia.org/wiki/Karl_Benz#/media/File:1885Benz.jpg
Benz Petrol Tri-car
Deep learning está en su infancia
Necesita de ingenieros para madurar

34. Guías de seguridad
Guía DO-178B : Software Considerations in Airborne Systems and Equipment Certification
34
Level Failure
condition
Rate Definition
A Catastrophic 10−9
/h Failure may cause a crash.
Error or loss of critical function required to safely fly and land
aircraft.
B Hazardous 10−7
/h Failure has a large negative impact on safety or performance, or
reduces the ability of the crew to operate the aircraft due to
physical distress or a higher workload, or causes serious or fatal
injuries among the passengers. (Safety-significant)
C Major 10−5
/h Failure is significant, but has a lesser impact than a Hazardous
failure (for example, leads to passenger discomfort rather than
injuries) or significantly increases crew workload (safety related)
D Minor 10−3
/h Failure is noticeable, but has a lesser impact than a Major failure
(for example, causing passenger inconvenience or a routine
flight plan change)
E No Effect n/a Failure has no impact on safety, aircraft operation, or crew
workload.
Photos: airbus.com

35. Guías de seguridad
Guía DO-178B : Software Considerations in Airborne Systems and Equipment Certification
35
Level Failure
condition
Rate Definition
A Catastrophic 10−9
/h Failure may cause a crash.
Error or loss of critical function required to safely fly and land
aircraft.
B Hazardous 10−7
/h Failure has a large negative impact on safety or performance, or
reduces the ability of the crew to operate the aircraft due to
physical distress or a higher workload, or causes serious or fatal
injuries among the passengers. (Safety-significant)
C Major 10−5
/h Failure is significant, but has a lesser impact than a Hazardous
failure (for example, leads to passenger discomfort rather than
injuries) or significantly increases crew workload (safety related)
D Minor 10−3
/h Failure is noticeable, but has a lesser impact than a Major failure
(for example, causing passenger inconvenience or a routine
flight plan change)
E No Effect n/a Failure has no impact on safety, aircraft operation, or crew
workload.
La gente confía en los aviones gracias a las
guías creadas por ingenieros aeroespaciales
Photos: airbus.com

36. El análisis y sistematización del conocimiento
36
Carros con control electrónico Autogeneración de código para un avión

37. El análisis y sistematización del conocimiento
37
Carros con control electrónico Autogeneración de código para un avión
La acumulación de conocimiento
ingenieril permite realizar lo impensable

38. Optimización de los datos
38
Sistema inteligente de recolección de datos
Mezcla de señales
análogas y digitales
para control y
medición simultánea
Sensor de posición
sin contacto

39. Optimización de los datos
39
Sistema inteligente de recolección de datos
Mezcla de señales
análogas y digitales
para control y
medición simultánea
Sensor de posición
sin contacto
Mejores y más abundantes datos incrementan el
desempeño de los sistemas IA

40. En el peor de los casos
40
En actuadores comunes el control es
crítico para la seguridad
Se pueden diseñar actuadores
intrínsecamente seguros

41. Necesitamos aterrizar IA
• La ingeniería puede ayudar a
• Documentar y establecer guía y controles de calidad
• Optimizar la recolección de datos
• Hacerla más segura en el peor de los casos
• Los negocios ayudan a
• Monetizar esta nueva tecnología: escapar PoC hell!
• La mercadotecnia ayuda a
• Manejo de expectativas
• Aceptación de la tecnología
41

42. ¿Comó entrarle?
Así le hice yo
42

43. My Background Summary
43
Mexico & US UK & Germany Japan

44. Busca tu carrera
44
Instrumentation &
sensors
prácticas
Intelligent control systems
Diseño
electrónico
interprete
Gestión de
proyectos
Desarrollo de
software

45. Sin conclusions
Solo preguntas por favor!
45

46. 46
Muchas gracias por su
atención
Copyright © 2020-
Preferred Networks All Right Reserved.