Microsoft lanza Project Bonsai, una plataforma de desarrollo de IA para sistemas industriales

Dirígete a nuestra biblioteca bajo demanda para ver las sesiones de VB Transform 2023. Regístrate aquí

Microsoft anunció la vista previa pública del Proyecto Bonsai, una plataforma para construir sistemas de control industrial autónomos, durante su conferencia en línea Build 2020. La compañía también presentó una plataforma experimental llamada Project Moab que está diseñada para familiarizar a ingenieros y desarrolladores con la funcionalidad de Bonsai.

Project Bonsai es un servicio de “enseñanza automática” que combina aprendizaje automático, calibración y optimización para brindar autonomía a los sistemas de control en el corazón de brazos robóticos, palas de bulldozer, montacargas, perforadoras subterráneas, vehículos de rescate, parques eólicos y solares, y más. . Los sistemas de control forman un componente central de la maquinaria en sectores como la fabricación, el procesamiento químico, la construcción, la energía y la minería, y ayudan a gestionar todo, desde subestaciones eléctricas e instalaciones HVAC hasta flotas de robots de fábrica. Pero desarrollar algoritmos de inteligencia artificial y aprendizaje automático sobre ellos (algoritmos que podrían abordar procesos que antes eran demasiado difíciles de automatizar) requiere experiencia.

Project Bonsai intenta combinar esta experiencia con un potente conjunto de herramientas de simulación alojado en Microsoft Azure.

A alto nivel, el objetivo del Proyecto Bonsai es acelerar la llegada de la “Industria 4.0”, una transformación industrial que Microsoft define como la infusión de inteligencia, conectividad y automatización en el mundo físico. Más allá de las nuevas tecnologías, la Industria 4.0 implica nuevos ecosistemas y estrategias que aprovechan la IA para obtener grandes beneficios. Microsoft cita un estudio del Foro Económico Mundial que encontró que el 50% de las organizaciones que adopten la IA en los próximos siete años podrían duplicar su flujo de caja.

VB Transform 2023 bajo demanda

¿Te perdiste una sesión de VB Transform 2023? Regístrese para acceder a la biblioteca bajo demanda de todas nuestras sesiones destacadas.

Para los fabricantes en la fase de transición, a menudo el objetivo final es lograr una inteligencia “prescriptiva”, donde la tecnología y los procesos adaptables y autooptimizados ayuden a los equipos y la maquinaria a adaptarse a los insumos y condiciones cambiantes. Los sistemas de control existentes tienen la limitación de que operan con un conjunto de instrucciones deterministas dentro de entornos predecibles e inmutables. Los sistemas de control de próxima generación aprovechan la IA para ir más allá de la automatización básica, ajustándose en tiempo real a entornos o entradas cambiantes e incluso optimizando hacia múltiples objetivos.

Project Bonsai está diseñado para crear estos sistemas, que también adoptan una combinación de circuitos de retroalimentación digital y experiencia humana para informar acciones y recomendaciones. Los datos históricos impulsan operaciones particulares y mejoras de productos, lo que permite a los sistemas completar tareas como la calibración de manera más rápida y precisa que los operadores humanos.

Project Bonsai es una consecuencia de la adquisición por parte de Microsoft en 2018 de Bonsai, con sede en Berkeley, California, que anteriormente recibió financiación del brazo de capital de riesgo de la compañía, M12. Bonsai es una creación de los ex ingenieros de Microsoft Keen Browne y Mark Hammond, quien ahora es el gerente general de inteligencia artificial empresarial en Microsoft. La pareja desarrolló un enfoque en el marco TensorFlow de Google que abstrae la mecánica de la IA de bajo nivel, permitiendo a los expertos en la materia entrenar sistemas autónomos para lograr objetivos, independientemente de la aptitud de la IA.

En septiembre de 2017, Bonsai estableció un nuevo punto de referencia para los sistemas de control industrial autónomos, entrenando con éxito un brazo robótico para agarrar y apilar bloques en una simulación. Funcionó 45 veces más rápido que un enfoque comparable de DeepMind de Alphabet.

Microsoft se refiere al proceso de abstracción como enseñanza automática. Su inquilino central es la resolución de problemas dividiendo las cargas de trabajo en conceptos (o subconceptos) más simples y luego capacitándolos individualmente antes de combinarlos. Esta técnica también se conoce como aprendizaje por refuerzo profundo jerárquico, cuando la IA aprende ejecutando decisiones y recibiendo recompensas por acciones que la acercan a una meta. La empresa afirma que esta técnica puede reducir el tiempo de formación y al mismo tiempo permitir a los desarrolladores reutilizar conceptos.

Por ejemplo, en un escenario de almacén y logística, un equipo de ingeniería podría utilizar la enseñanza automática para capacitar a montacargas autónomos. Los ingenieros comenzarían con habilidades más simples, como alinearse con una plataforma, y ​​basándose en eso, enseñarían al montacargas a conducir hacia la plataforma, levantarla y dejarla. En última instancia, la carretilla elevadora autónoma aprendería a detectar otras personas y equipos y regresaría a su estación de carga.

"Hay un chiste sobre el aprendizaje por refuerzo entre los investigadores que dice más o menos así: si tienes un problema y lo modelas como un problema de aprendizaje por refuerzo, ahora tienes dos problemas", dijo Gurdeep Pall, vicepresidente ejecutivo de Microsoft, a VentureBeat en una entrevista telefónica. “Es un campo muy complejo. No se trata sólo de seleccionar el algoritmo correcto (continuo versus discreto, dentro de la política versus fuera de la política, basado en modelos versus sin modelos y modelos híbridos), sino también de recompensas”.

Como explicó Pall, las recompensas en el aprendizaje por refuerzo describen cada paso correcto que intenta una IA. Elaborar estas recompensas, que deben expresarse matemáticamente, es difícil porque deben capturar todos los matices de las tareas de varios pasos. Y las recompensas mal elaboradas pueden provocar un olvido catastrófico, en el que un modelo olvida completa y abruptamente la información que aprendió anteriormente.

“Lo que hace la enseñanza automática es que toma muchos de estos problemas difíciles y realmente los pone sobre raíles. Restringe la forma de especificar el problema”, añadió Pall. “La [plataforma Bonsai] selecciona automáticamente el algoritmo y [los parámetros]... de un conjunto completo de opciones, y tiene objetivos de abstracción, que en lugar de requerir que el usuario especifique una recompensa, le piden que especifique el resultado que desea lograr. Dado un espacio de estados y este resultado, automáticamente descubrimos una función de recompensa con la que entrenamos el algoritmo de aprendizaje por refuerzo”.

La plataforma de aprendizaje por refuerzo de propósito general de Project Bonsai organiza el desarrollo de modelos de IA. Proporciona acceso a algoritmos e infraestructura tanto para la implementación como para el entrenamiento de modelos, y permite implementar modelos en las instalaciones, en el dispositivo o en la nube con soporte para simuladores como MATLAB Simulink, Transys, Gazebo y AnyLogic. (Las implementaciones locales requieren un controlador complementario para interactuar con la computadora del controlador en tiempo real). Desde un panel, los clientes de Bonsai pueden ver todos los trabajos activos, llamados BRAIN, así como su estado de capacitación y las formas de depurar, inspeccionar y refinar. modelos. Y pueden colaborar con colegas para construir e implementar nuevos modelos de forma colaborativa.

Es un proceso en gran medida de no intervención. Después de programar los conceptos en un modelo utilizando el lenguaje de programación de propósito especial de Project Bonsai, Inkling, el código se combina con una simulación de un sistema del mundo real y se introduce en Bonsai AI Engine para su entrenamiento. El motor selecciona automáticamente el mejor algoritmo para entrenar un modelo, diseñando las redes neuronales y ajustando sus parámetros. Y la plataforma ejecuta múltiples simulaciones en paralelo para reducir el tiempo de entrenamiento, transmitiendo predicciones desde modelos entrenados al software o hardware a través de bibliotecas proporcionadas por Bonsai.

Bonsai adopta un enfoque de simulación de “gemelo digital”, un enfoque que ha ganado popularidad en otros ámbitos. Por ejemplo, SenSat, con sede en Londres, ayuda a clientes de la construcción, la minería, la energía y otras industrias a crear modelos de ubicaciones relevantes para los proyectos en los que están trabajando, traduciendo el mundo real a una versión que las máquinas puedan entender. GE ofrece tecnología que permite a las empresas modelar gemelos digitales de máquinas reales, cuyo rendimiento se sigue de cerca. Oracle tiene servicios que se basan en representaciones virtuales de objetos, equipos y entornos de trabajo. Y el propio Microsoft proporciona Azure Digital Twins, que modela las relaciones e interacciones entre personas, lugares y dispositivos en entornos simulados.

Dentro de la plataforma del Proyecto Bonsai, un modelo que aprende a controlar una excavadora, por ejemplo, recibiría información sobre las variables en el entorno simulado (como el tipo de tierra o la proximidad de las personas que caminan cerca) antes de decidir las acciones. Estas decisiones mejorarían con el tiempo para maximizar la recompensa, y los expertos en el dominio podrían modificar el sistema para llegar a una solución que funcione.

Es similar, aunque aparentemente más fácil de usar, al marco AirSim de Microsoft para Unity, que aprovecha el aprendizaje automático para simular entornos con física realista para probar sistemas con drones, automóviles y más. Al igual que la plataforma Project Bonsai, está destinada a ser utilizada como un campo de pruebas seguro y repetible para máquinas autónomas; en otras palabras, un medio para recopilar datos antes de la creación de prototipos en el mundo real. En un artículo técnico reciente, los investigadores de Microsoft demostraron cómo se podría utilizar AirSim para entrenar y transferir la IA que controla drones desde la simulación al mundo real, cerrando la brecha entre la simulación y la realidad.

Microsoft dice que las simulaciones de Bonsai, que están alojadas en Azure, pueden replicar millones de escenarios diferentes del mundo real que un sistema podría encontrar, incluidos casos extremos como fallas de sensores y componentes. Después de la capacitación, los modelos se pueden implementar ya sea en una capacidad de apoyo a la toma de decisiones, en la que se integran con el software de monitoreo existente para proporcionar recomendaciones y predicciones, o con autoridad de decisión directa, de modo que los modelos desarrollen soluciones a situaciones desafiantes.

Para incorporar a los ingenieros y desarrolladores deseosos de comenzar a experimentar con Bonsai, Microsoft creó Project Moab, un nuevo kit de hardware que está disponible como simulador en MathWorks y pronto un kit físico para impresoras 3D. (Los desarrolladores que no deseen imprimirlo ellos mismos podrán comprar unidades completamente ensambladas más adelante este año). Es un robot de tres brazos con un controlador tipo joystick que intenta mantener una bola en equilibrio sobre una placa transparente unida por un imán. y su objetivo es brindar a los usuarios un entorno en el que puedan aprender y experimentar con simulaciones.

El equilibrio de bolas es un desafío clásico de la ingeniería mecánica conocido como problema de control de tipo regulador. Dada cualquier condición, un sistema de autoequilibrio debe aprender una señal de control para producir el estado final deseado, es decir, una bola que se detiene en el centro de la plataforma. La mayoría de las formas clásicas de resolverlo implican ecuaciones diferenciales, que representan cantidades físicas y sus tasas de cambio. Pero el Proyecto Moab busca encontrar soluciones de aprendizaje automático al problema.

Es más desafiante de lo que podría parecer, porque cualquier sistema de equilibrio de balón debe ser capaz de generalizar, es decir, construir una ley de control sólida sobre la base de datos de entrenamiento. Lograr una buena generalización requiere generar un conjunto suficientemente rico de entradas durante la fase de entrenamiento. No generar una diversidad de insumos resultará en un desempeño deficiente.

¿Por qué crear un kit en torno a este problema y no a otro? Según Hammond, el equipo del Proyecto Moab quería elegir un dispositivo que los ingenieros y desarrolladores pudieran usar para aprender los pasos que tendrían que seguir si quisieran construir un sistema autónomo. Con Moab, los desarrolladores tienen que emplear simuladores para modelar sistemas físicos e incorporarlos a un régimen de entrenamiento. En cuanto a los ingenieros, muchos de los cuales probablemente estén familiarizados con las soluciones clásicas al problema del equilibrio del balón, tienen que aprender a resolverlo con IA.

"Estamos brindando a las personas más herramientas en su caja de herramientas que pueden utilizar para ampliar el espectro de problemas que pueden resolver", dijo Hammond. “Puedes llevarlo muy rápidamente a áreas donde hacerlo de manera tradicional no sería fácil, como por ejemplo equilibrar un huevo. El objetivo del sistema Project Moab es proporcionar ese campo de juego donde los ingenieros que abordan diversos problemas puedan aprender a utilizar las herramientas y los modelos de simulación. Una vez que comprendan los conceptos, podrán aplicarlos a su nuevo caso de uso”.

Los tutoriales de Project Moab profundizan en algo más que equilibrar bolas. Se puede enseñar a Moab a atrapar pelotas que se le lanzan después de que rebotan en una mesa, y a reequilibrar las pelotas que se mueven después de que un objeto como un lápiz las golpea. También puede aprender a equilibrar objetos asegurándose de que no entren en contacto con los obstáculos colocados en el plato, algo así como un juego de laberinto autónomo.

La mayoría de los componentes de Moab, incluidos los actuadores de control de placa y brazo, son intercambiables. Los desarrolladores pueden instalar actuadores más potentes para que Moab arroje cosas y las atrape, por ejemplo. Y con el kit de desarrollo de software, se pueden utilizar otros productos de simulación y simulaciones personalizadas para entrenar a Moab para que realice tareas más desafiantes.

Hammond no descartaría futuros kits de robótica para Bonsai, pero dijo que dependería en gran medida de la comunidad y su respuesta a Moab. "Queremos que la comunidad tenga la capacidad de experimentar y hacer todo tipo de cosas divertidas y novedosas en las que la gente no había pensado antes", dijo Hammond. "Hacer que [un proyecto como este] sea de código abierto lo hace posible".

SCG se encuentra entre las empresas que recurrieron al Proyecto Bonsai para dotar a sus sistemas de control industrial de aprendizaje automático. La división química de SCG creó una simulación dentro de la plataforma Bonsai para acelerar el proceso de optimización de secuencias petroquímicas, a razón de 100.000 simulaciones por día, cada una de las cuales modela millones de escenarios. Microsoft afirma que el modelo completamente entrenado es capaz de desarrollar una secuencia en una semana, mientras que antes requería varios meses para un grupo de ingenieros experimentados.

“Los polímeros se diseñan teniendo en mente una aplicación particular. Para determinar las etapas de fabricación, es necesario conocer la mezcla, la temperatura y otros factores”, dijo Pall. “El proceso de idear un plan sobre cómo se puede fabricar un polímero toma seis meses, tradicionalmente, porque se hace dentro de un simulador con un experto humano guiando el simulador e intentando un paso, eventualmente haciéndolo bien y luego pasando a el siguiente paso. Bonsai encontró un CEREBRO que presenta soluciones para la capacidad de fabricación de un polímero determinado y luego controla las máquinas para producirlo”.

SCG tiene la distinción de ser el primero en implementar en producción un modelo entrenado con Bonsai, según Microsoft. Con respecto al precio, el componente de enseñanza automática de Bonsai está disponible sin costo para los clientes, pero las simulaciones realizadas en Azure se facturan según el uso. Las empresas deben adquirir una licencia comercial si deciden utilizar sus modelos en el mundo real.

Siemens recurrió al Proyecto Bonsai para otro propósito: calibrar sus máquinas CNC. Anteriormente, este era un proceso manual que requería un promedio de 20 a 25 pasos iterativos durante más de dos horas, generalmente bajo la supervisión de expertos externos. Por el contrario, la solución Project Bonsai está diseñada para automatizar la calibración de la máquina en segundos o minutos. Siemens dice que al entrenar un modelo con Bonsai, pudo alcanzar una precisión de dos micrones en un promedio de cuatro a cinco pasos iterativos durante 13 segundos, y una precisión de menos de un micrón en aproximadamente 10 pasos iterativos.

"El enfoque [del Proyecto Bonsai] une la ciencia y el software de la IA con el mundo de la ingeniería tradicional", dijo Hammond. "[Permite que campos] como la ingeniería química y mecánica construyan sistemas más inteligentes, más capaces y más eficientes al aumentar su propia experiencia con capacidades de IA".