Hoy tenemos el placer de hablar con Jaime, Jorge y Aaron, integrantes del proyecto «Torchfakes» entre muchas otras cosas. Nos contarán de dónde viene la motivación por llevar a cabo este proyecto, cuál es su futuro, qué peligros tienen y tendrán los deepfakes… Si quieres saber más sobre estos temas, no dudes en escuchar el podcast y pasarte por nuestro perfil.
Deporte, según la RAE «Actividad física, ejercida como juego o competición, cuya práctica supone entrenamiento y sujeción a normas». Que no nos extrañe que en un futuro en los diccionarios se recoja la definición de «Deporte inteligente», ya que desde hace años se han venido integrando numerosas tecnologías que ayudan a la ejecución de esta actividad.
En este artículo te contaremos todo lo que necesitas saber sobre la inteligencia artificial en el deporte. Tanto fútbol, atletismo, béisbol, fútbol americano, deportes de motor… Han ido integrando tecnologías para mejorar la experiencia de realizar estos deportes.
¿Cómo se usa la inteligencia artificial en el deporte?
Los sistemas de IA han llegado al deporte para disminuir el margen de error en cualquier decisión, conseguir una mayor serie de datos… en resumen, ayudar a los deportistas/árbitros. Algunos ámbitos en los que se utiliza son:
Medición de rendimiento: durante un partido se recogen una gran serie de datos que en décadas pasadas eran imposibles de medir. Hoy en día gracias a la IA en los entrenamientos es posible recibir retroalimentación en tiempo real y crear programas de entrenamiento personalizados para los jugadores, mejorando así la efectividad de cada ejercicio para cada individuo. Incluso es posible crear «gemelos», es decir, un gemelo virtual del deportista que nos permita mejorar su entrenamiento, optimizar su rendimiento o aprender de los propios datos para predecir lesiones musculares y enfermedades cardiovasculares.
Arbitrajes: el arbitraje es una parte esencial en los deportes, tanto que sin él su práctica sería un caos. Es por ello que todo lo que sea ayudar a que sea más eficiente es bienvenido. Tenemos ya varios casos en los que la IA ayuda al árbitro a tomar decisiones. Por ejemplo, en el próximo mundial de fútbol, la FIFA implementará IA y una tecnología semi automatizada para detectar los fueras de juego.
Estrategias. Gracias a todo el análisis proporcionado por las IAs los entrenadores son capaces de conocer cómo juegan sus rivales, cómo deben afrontarles, qué jugadores utilizar según el contexto… En resumen, tienen acceso a una gran serie de datos que les facilitan la tarea.
¿Cómo ha cambiado el deporte gracias a esta tecnología?
Si hablamos de deporte inteligente, la aplicación de IA es mucho más evidente en deportes individuales en los que es más sencillo hacer una medición de distintos datos. Por ejemplo, en el ciclismo se miden los niveles de esfuerzo e intensidad, la altitud, el desnivel, el nivel de polución… y todo ello para saber en qué momento es más adecuado realizar un adelantamiento.
Por otra parte, en varios deportes tenemos un método conocido como «moneyball», un modelo revolucionario que se basa en «big data» para realizar fichajes. Este modelo de gestión está basado en la película de Bennet Miller. En la película podemos ver cómo Billy Beane, director general de un equipo de béisbol consigue el éxito aprovechando al máximo sus recursos.
Fútbol
En el caso del fútbol, uno de los clubes pioneros en esta práctica es el Brentford, club inglés que actualmente se encuentra disputando la «Premier League» pero que hace unos años estaba campando por los campos de la 3ª división inglesa. Este ascenso tan remoto se debe a que los nuevos integrantes de la directiva llegaron a la conclusión de que era imposible luchar con los clubes mas grandes por culpa de la brecha presupuestaria, así que debían luchar con ingenio y siendo más eficientes. Es por ello que implementaron esta modalidad de gestión. En su caso, para el reclute de jugadores tienen esparcidos por toda Europa ojeadores que van reclutando datos, que más adelante servirán para saber si ese jugador es adecuado para el equipo.
Futuro del deporte
El futuro es algo impredecible en la mayoría de los casos, pero viendo casos de cómo han ido evolucionando algunos sectores como los videojuegos, el turismo… podemos augurar que una de las claves para el futuro del deporte inteligente será la realidad virtual.
Por una parte, tenemos la aplicación de la realidad virtual para deportistas profesionales. ¿En qué podrá ayudarles esta tecnología? Pues sobre todo en el visionado de escenarios en los que ya han estado o estarán. La realidad virtual podrá trasladarles a su terreno de juego para practicar fallos realizados en el partido anterior. Si buscamos algunos ejemplos de deportes en los que ya se está utilizando la realidad virtual, nos encontramos, por ejemplo, con automovilismo, donde el piloto puede replicar la carrera por los diferentes circuitos, o el golf, donde, gracias a la realidad virtual se pueden ensayar golpes y prever así cuál será la trayectoria de la bola.
Aquí tenéis un ejemplo de cómo se aplica la realidad virtual en un entrenamiento.
Adicionalmente, la realidad virtual también será útil para los espectadores de eventos deportivos, porque no todo el mundo puede acudir a los estadios y vivir la experiencia 100% real. En Estados Unidos ya se ha implementado en varios deportes como el baloncesto, la WWE o la NFL. Imagina lo que tuvieron que disfrutar los fans al baloncesto viendo retransmitido el último partido de Kobe Bryant en realidad virtual.
Ética/Tecnodopaje
Con esta gran cantidad de avances tecnológicos, cada vez vemos a más deportistas capaces de llegar a unos límites que hace unos años no eran ni imaginables. Por ejemplo, el corredor keniata Eliud Kipchoge, consiguió hacer una maratón en menos de dos horas el 12 de Octubre de 2019. Y a pesar de que conocemos sus grandes dotes para la competición, el foco se puso en otra cosa, sus zapatillas, las «Nike Alphafly». Entonces, se abre el debate de si materiales cómo estos desvirtúan la competición favoreciendo al rendimiento de los deportistas. Está claro el deporte no debe ignorar las grandes posibilidades que le brinda la tecnología, pero en casos así es necesaria una regulación por parte de los tribunales deportivos, porque al fin y al cabo el deporte debe seguir siendo deporte.
La misión de Saturdays.ai es hacer la inteligencia artificial más accesible (#ai4all) mediante cursos y programas intensivos donde se realizan proyectos para el bien (#ai4good).
Si quieres aprender más inteligencia artificial únete a nuestra comunidad en community.saturdays.ai o visítanos en nuestra web www.saturdays.ai ¡te esperamos!
Esta semana traemos la gran charla que tuvimos con José Manuel Nápoles Duarte, profesor e investigador en Física en la Universidad de Sonora, México. En este podcast se tratarán temas como por qué muchos físicos acaban dedicándose a la IA, qué futuro se le augura a la «Artificial General Intelligence» o qué debería hacer una persona que quiere comenzar su recorrido en el machine learning.
Si quieres saber más sobre estos temas no dudes en escuchar los demás episodios o pasarte por nuestra web.
Uno de los mayores problemas a nivel industrial es el mantenimiento correctivo, debido a sus elevados costes tanto de reparación, como de producción. Por otra parte el mantenimiento preventivo está planificado por medio de una agenda para realizar un paro programado, donde no interesa si el equipo aún puede trabajar o si sus piezas siguen bien; se realiza el mantenimiento porque así fue programado.
Es por ello que, con el pasar de los años la tecnología permite que podamos invertir en nuevas soluciones que nos permita saber cuándo fallará un equipo, esto es llamado mantenimiento predictivo (PdM). Que actualmente, por medio de diferentes sensores podemos tener un dataset completo de muchas variables, como ser: vibración, temperatura, análisis de aceites o grasas, etc.
Fig. 1. Diferencia de ganancia por producción entre el mantenimiento preventivo tradicional y el mantenimiento predictivo, donde solamente se detiene la producción basado en condiciones.
DESCRIPCIÓN DEL PROBLEMA
El problema es el tiempo y los recursos económicos invertidos para poder solventar una falla de mantenimiento correctivo en el menor tiempo posible. A la vez que un mantenimiento preventivo podría optimizarse al hacerlo en base a condiciones de los equipos. Ambos ocupan tiempo en su mantenimiento y también en la producción del producto.
DATASET
Los datasets utilizados, son de la degradación de motores de turbo-ventiladores de la NASA generados por C-MAPSS, lo cual es aplicable a cualquier otra máquina rotativa, como ser: motores de transportes industriales, bombas hidraulicas, etc.
Fig. 2. Imagen del turboventilador simulado por C-MAPSS.
Tabla 1. Detalle de las columnas de los datasets de prueba y entrenamiento.
SOLUCIÓN PROPUESTA
Por tal motivo el proyecto ayudará a estimar el tiempo en el cual unos turboventiladores llegarán a fallar. Dando el tiempo suficiente para poder programar una parada de mantenimiento y buscar los repuestos necesarios al mejor precio.
SELECCIÓN DEL MODELO
RNN
Son un tipo de red neuronal recurrente (RNN) y estas tienen conexiones recurrentes entre estados ocultos, con un retraso de tiempo. Idealmente, las RNN son capaces de descubrir correlaciones temporales entre los eventos secuenciales que están muy lejos unos de otros
Fig. 3. Arquitectura de una Red neuronal recurrente (RNN)
Fig. 4. Arquitectura de una Long Short-Term Memory (LSTM)
LSTM
Sin embargo, en la práctica, es difícil entrenar RNN debido al Vanishing Gradient y los problemas de Exploding Gradient. Por lo que las RNN se enfrentan a dificultades para manejar dependencias en secuencias de largo plazo. Por lo que, el modelo basado en RNN más efectivo se llama LSTM. De manera resumida, su estructura consiste en celdas de memoria. La cual su principal función es la de almacenar un valor y determinar el tiempo que debe almacenarse. Además, estas celdas seleccionan qué entradas se almacenan y también deciden si estas serán recordadas, eliminadas o si serán enviadas como salida de una red.
Fig. 5. Programación de la RNN con LSTM
La red tiene dos capas de LSTM, la primera de 100 unidades y la segunda de 50 unidades. A la salida de cada una se tiene un DropOut para evitar el overfitting, y finalmente se tiene la Dense, que es activada por una sigmoid, que nos da la probabilidad final.
PCA
El análisis de componentes principales (PCA) es uno de los algoritmos de machine learning no supervisados más utilizados. Para la reducción de dimensiones y el pre procesamiento de datos.
Fig. 6. PCA aplicado a tres dimensiones para poder graficarlo.
Fig. 7. Datos del dataset completo, con los 21 sensores, y las 3 configuraciones de los usuarios.
Fig. 7. Datos del dataset con PCA aplicado. Se reducen a 8 componentes principales.
MÉTRICAS
A continuación se observarán las métricas analizadas. Donde podemos observar que el accuracy es del 95.11%, y que las F1-Score son muy buenas, la que menor valor tiene es la macro. Además que comparando los datos predecidos con los de prueba, tenemos un accuracy del 97%.
Los resultados que analizamos son la matriz de confusión, que nos muestra que su accuracy es del 92.77%, y por otra parte la ROC Curve, donde podemos observar un buen umbral de discriminación del modelo.
Fig. 9. Matriz de Confusión
Fig. 10. ROC CURVE
RESULTADO
Por ende, podemos predecir la probabilidad con la que llegaría a fallar el motor del turbo ventilador en 30 días. Escogiendo el ID de la máquina, tendríamos el siguiente resultado; donde podemos ver que la probabilidad en la que el Motor 16 falle, es del 1.8%, por lo que podemos seguir usando este motor de manera tranquila.
Lo ideal es que este análisis se lo haga de manera periódica, al ser implementado. Debido a que da un buen sondeo del estado de las máquinas a los supervisores de mantenimiento para ir planificando lo más crítico en la siguiente parada.
Fig. 11. Pantalla final, donde el programa nos dice la probabilidad que tiene el motor seleccionado de fallar dentro de 30 días.
CONCLUSIÓN
Por medio de esta aplicación podemos determinar el tiempo de falla de una máquina rotativa, gracias al análisis de datos de dicho equipo. Por ende, se tiene el tiempo suficiente para comprar repuestos y planificar un mantenimiento programado, mitigando los costes de mantenimiento de la empresa.
La precisión del modelo implementado es del 95%, por lo que llega a ser fiable a la hora de analizar las máquinas. Este programa puede ser implementado en multiples plantas industriales, y por medio de Internet Of Things, podemos ir recabando información de todos los sensores necesarios, los cuales serán registrados en la nube para su posterior análisis.
Implementando este tipo de tecnología también llega a repercutir en el area medio ambiental, ya que se cambiarían menos repuestos industrial o maximizar el uso de aceites o grasas de acuerdo a su degradación; se traduce en menos basura industrial para el medio ambiente.
[1] D. Bruneo and F. De Vita, “On the use of LSTM networks for predictive maintenance in smart industries,” in Proceedings — 2019 IEEE International Conference on Smart Computing, SMARTCOMP 2019, 2019, pp. 241–248, doi: 10.1109/SMARTCOMP.2019.00059.
[2] S. Guldamlasioglu, O. Aydin, and D. Scientist, “Using LSTM networks to predict engine condition on large scale data processing framework,” 2017, doi: 10.1109/ICEEE2.2017.7935834.
[3] L. Swanson, “Linking maintenance strategies to performance,” Int. J. Prod. Econ., vol. 70, no. 3, pp. 237–244, Apr. 2001, doi: 10.1016/S0925–5273(00)00067–0
[4] A. Martínez, “Redes Neuronales Recurrentes con LSTM aplicado al Mantenimiento Predictivo, Caso: Degradación de motores de turboventiladores”, 2020, Universidad Católica Boliviana “San Pablo”.
¡Más inteligencia artificial!
La misión de Saturdays.ai es hacer la inteligencia artificial más accesible (#ai4all) mediante cursos y programas intensivos donde se realizan proyectos para el bien (#ai4good).
Si quieres aprender más inteligencia artificial únete a nuestra comunidad en community.saturdays.ai o visítanos en nuestra web www.saturdays.ai ¡te esperamos!
Hoy tenemos el placer de traer el podcast con Manuel Lemos, ingeniero informático de formación y actualmente mezclando la cúantica con la inteligencia artificial. Manuel nos contará de dónde viene su interés por la computación cuántica y de qué trata, cómo se combina esta con la IA, el machine learning y su relación con la ciberseguridad…
Si quieres saber más sobre estos temas, no dudes en escuchar el podcast o pasarte por nuestro perfil.
