La Inteligencia Artificial es el motor clave de la Industria 4.0, ya que automatiza las máquinas inteligentes para que se autocontrolen, interpreten, diagnostiquen y analicen por sí mismas.

Los métodos de IA, como el aprendizaje automático (ML), el aprendizaje profundo (DeepLearning), el procesamiento del lenguaje natural (NLP) y la visión por ordenador (CV), ayudan a las industrias a prever sus necesidades de mantenimiento y a reducir el tiempo de inactividad.

Sin embargo, para garantizar el despliegue y la integración de los sistemas basados en la IA, las acciones y los resultados de estos sistemas deben hacerse comprensibles … “explicables” para los expertos.

En este sentido, la IA explicable (XAI) se centra en el desarrollo de algoritmos que produzcan resultados comprensibles para el ser humano realizados por sistemas basados en IA. Por lo tanto, el despliegue de la XAI es útil en la Industria 4.0.

Los métodos basados en la XAI se clasifican según las tareas específicas de la IA, como las explicaciones de características, la toma de decisiones o la visualización del modelo. Los autores de este estudio  señalan que la combinación de la IA de vanguardia y los métodos basados en la XAI con las tecnologías de la Industria 4.0 da lugar a diversas aplicaciones exitosas, precisas y de alta calidad.

Una de estas aplicaciones es un modelo XAI realizado mediante visualización y ML que explica la decisión de un cliente de comprar o no un seguro de no vida. Con la ayuda de la XAI, los humanos pueden reconocer, comprender, interpretar y comunicar cómo un modelo de IA saca conclusiones y toma medidas.

Está claro que el uso de la IA en la Industria 4.0 tiene muchas ventajas notables; sin embargo, también tiene muchos obstáculos. El más importante es la naturaleza de los sistemas basados en la IA, que requieren un gran número de CPUs y GPUs, así como la necesidad de un ajuste fino y una optimización de los hiperparámetros. En el centro de todo esto están los datos recogidos y generados a partir de millones de fuentes, dispositivos y usuarios, lo que introduce un sesgo que afecta al rendimiento de la IA. Esto puede gestionarse utilizando métodos de XAI para explicar el sesgo introducido.