Aprendizaje Automático en la Industria

Descripción de alto nivel del caso de uso

Las redes industriales tales como las de fabricación, automatización de procesos, etc., son únicas en
cuanto a sus altos estándares y requisitos en lo que respecta a los requisitos de confiabilidad,
disponibilidad, seguridad y determinismo que necesitan satisfacer. Las redes de sensores
inalámbricos en general proporcionan una solución rentable para muchas de las implementaciones
cableadas que hoy existen. El tendido de cables en conductos dedicados en la industria
manufacturera es una tarea muy costosa. La sustitución de estos últimos por redes de sensores
inalámbricos puede ayudar a reducir costos, siempre que la solución puede cumplir los requisitos
técnicos. Además, la naturaleza desafiante del entorno en muchos escenarios requiere la extensión
de la conectividad inalámbrica a múltiples nodos como un medio para ampliar la cobertura a los
lugares donde la conexión por cable no es posible. Con el crecimiento y el aumento de la
sofisticación de las operaciones industriales, las redes industriales se están volviendo más y más
complicadas y proporcionar una solución optimizada que cumpla con las estrictas demandas
multidimensionales de dichas redes, utilizando los mecanismos tradicionales, es cada vez más
desafiante.
Ilustración contextual
La figura 2 muestra un ejemplo de una red inalámbrica industrial genérica, cuando los dispositivos
de campo/sensores y dispositivos troncales se clasifican en base a sus funcionalidades en la red. Los
dispositivos de campo, sensores, etc., están conectados a la red troncal de la planta a través de uno o
más nodos inalámbricos y una puerta de enlace. La entidad de gestión central se encuentra en la red
troncal y se encarga del enrutamiento optimizado, la programación y la seguridad de la red.
 Ilustración de un ejemplo de arquitectura de red industrial

Racionalización para el caso de uso

La complejidad de la gestión de red industrial se traslada a la entidad de gestión centralizada; sin
embargo, cualquier decisión de operación de la red tiene un gran impacto en el rendimiento de la
red y por lo tanto en la operación industrial en general. Se necesitan técnicas de aprendizaje
automático para hacer frente a los desafíos de ejecutar una operación eficaz y eficiente al mismo
tiempo que se satisfacen los requisitos de fiabilidad y determinación del servicio.
Función objetivo para la resilencia de la red
Proporcionar conectividad confiable y, por lo tanto, un alto grado de disponibilidad para todos los
dispositivos y sensores en la red es una de las funciones principales de la gestión de la red. Una
función objetivo se usa comúnmente para ayudar a conducir la forma y la definición de la topología
o árbol de red en una estructura tipo malla (por ejemplo IETF RPL, Internet Engineering Task
Force IPv6 Routing Protocol for Low-Power and Lossy Networks), incluyendo qué nodos/ramas
están activos en cada momento. Esta función objetivo puede complicarse teniendo en cuenta varios
factores como el recuento de saltos, la calidad de la señal, el estado/nivel de potencia, la movilidad
de los dispositivos, las fallas, así como los patrones de actividad y ambientales, etc. Un algoritmo de
aprendizaje automático se puede utilizar para optimizar la función objetivo para diferentes nodos en
la red, dando como resultado una solución más optimizada y general que se puede aplicar en
muchas implementaciones diferentes que tienen diferentes condiciones de RF como resultado de
diferentes condiciones físicas, requisitos de densidad/escala, patrones de tráfico y relación/mezcla
de nodos alimentados por batería Vs. alimentados por batería. Además, varios protocolos de
enrutamiento de malla pueden admitir y mantener múltiples árboles de malla simultáneamente que
pueden invocarse/activarse. Esta es una faceta donde una solución ML/DL puede ayudar a elegir y
activar la más óptima en cualquier punto dado.
La programación de la red (Red scheduling)
Muchas aplicaciones industriales requieren una sincronización precisa y muy baja latencia y jitter
que sólo puede satisfacerse mediante una programación eficiente del acceso de los dispositivos a la
vez que se tienen en cuenta los recursos de red disponibles frente a la demanda. Con las redes
sincronizadas volviéndose cada vez más importantes para la escala, la función de programación se
beneficiaría de aprovechar las técnicas de aprendizaje automático para adaptarse eficazmente a
diferentes implementaciones en términos de asignación de franjas horarias de tráfico, por lo demás
difícil y engorroso ya que cada implementación requeriría su propio nivel de calibraciones. La
necesidad de asegurarse que la programación de la red está ajustada para cumplir con todos los
requisitos de los dispositivos sensores y sus aumentos de prioridad aumenta a medida que la red
también lo hace. El horario puede tener que ser calibrado según la hora del día, la demanda de
tráfico intermitente/temporal sea aumentada/disminuida (mantenimiento/actualización) y los niveles
de interferencia.
Otro aspecto de la programación es equilibrar la carga de trabajo entre múltiples funciones en un
dispositivo. El equilibrio de la carga de trabajo se logra mediante el uso de contenedores (y
máquinas virtuales), donde a cada contenedor siempre se le concede acceso a los recursos del
dispositivo (OS) de acuerdo con la demanda de su funcionalidad, independientemente de la
presencia de cualquier otro contenedor en el dispositivo. Sin embargo, los recursos de red se
comparten entre todos los contenedores y el acceso a la radio y la red inalámbrica se disputa entre
los contenedores. Con el fin de satisfacer la demanda absoluta de funciones de alta prioridad y
temporalmente sensibles, se necesitan técnicas de aprendizaje automático para proporcionar la
optimización de extremo a extremo teniendo en cuenta la carga de trabajo, los recursos de red y la
prioridad de las funciones en un dispositivo, así como en comparación con otros dispositivos.
Nodo sensor / asociación de puerta de enlace (Gateway)
Muchas redes industriales comprenden redes de sensores a gran escala, donde los grupos de
sensores son atendidos por puertas de enlace. La determinación de qué grupo de sensores se asocia
con que puerta de enlace y el traspaso de la asociación entre las puertas de enlace así como las
mismas condiciones de la red (es decir, la carga, la topología, etc.) cambian, y se vuelven más y
más complejos, tanto como el tamaño que crece la red y sus requisitos de aplicación sean más difícil
de satisfacer. La solución óptima asociaría cada sensor con una única puerta de enlace y tendría en
cuenta parámetros como la intensidad de la señal con umbrales y valores de histéresis, tiempo
mínimo de asociación (para evitar efectos rebote), carga GW general, patrones de movilidad de
sensores, requisitos de latencia, etc. Las técnicas de aprendizaje automático pueden proporcionar
soluciones que se aplican a una red de sensores general.
Sistema de arquitectura de alto nivel.
La activación de este caso de uso requiere la introducción de una función de automático en la red,
como se ilustra en la siguiente figura. La función de aprendizaje automático es una entidad lógica y
puede implementarse de manera centralizada o distribuida. Puede ser solo parte de la gestión de red
o integrado con puertas de enlace y otras funciones de red.
La función de aprendizaje de máquina recibe estado de la red como entrada. Esta entrada puede ser
proporcionada directamente por las entidades de red, puertas de enlace, etc., o como un agregado a
través de la administración de red. El estado de la red incluye todos los datos relacionados con
entidades y nodos de la red inalámbrica, incluyendo SNR, la ubicación de nodos, topología de la
red, el rendimiento y latencia experimentada, etc. Hay también un conjunto de datos fijos que
pueden estar disponibles para la función de aprendizaje automático, incluyendo la calidad de
servicio esperados, los requisitos de carga de trabajo y los patrones de movilidad de los
dispositivos.
El resultado de la función de aprendizaje automático serían acciones recomendadas para ser
implementadas por la administración de redes. Estas acciones recomendadas varían en función del
servicio específico y pueden incluir la ruta optimizada para cada nodo, la programación del acceso a
la red para cada nodo, los datos de asociación del sensor y del dispositivo, así como la información
de equilibrio del trabajo para cada dispositivo.
La función de aprendizaje automático incluye el almacenamiento de datos y de análisis y
procesamiento de bloques funcionales. Los datos recibidos de la red se almacenan en función de las
políticas relevantes. La función de análisis y procesamiento utiliza datos históricos y en vivo para la
creación de recomendaciones.

Arquitectura del sistema de alto nivel de las redes industriales

Las condiciones previas

La red debe estar en un estado estable con rutas hacia/desde todos los nodos en la red.
Se encuentran disponibles cargas de trabajo específicas y sus respectivos objetivos de rendimiento
para cumplir con los requisitos de red (rendimiento, latencia, tolerancia a la pérdida de paquetes,
etc.).
El protocolo de coordinación y señalización (OOB o In-band) para controlar y administrar la red es
funcional.
Están disponibles las métricas y estadísticas de estado de la red y del dispositivo (estados del
sistema tales como carga de MCU / CPU, profundidades de cola, calidad de señal, SNR, tasas de
llegada / salida de paquetes, velocidad / nivel de descarga de la batería, etc.).
Pasos principales
El operador de red preconfigura la red a una condición estable (cumpliendo de manera óptima los
objetivos de rendimiento).
La gestión de red recopila información de red y pasa a la función de aprendizaje automático.
La función de aprendizaje automático recopila y analiza el estado de red disponible para conocer el
estado del rendimiento del estado actual de la red.
La función de aprendizaje automático determina los parámetros de red para cumplir con el
rendimiento objetivo y proporciona acciones recomendadas para la administración de la red.
La administración de red implementa las nuevas configuraciones.
Características de entrada de datos
Los datos de entrada consisten en los datos de la red, incluyendo:
 - Características PHY como modulación, tasas de bits, FEC, potencia de transmisión,
sensibilidad RX, etc.
- Capa de enlace de datos (estadísticas de paquetes, TX / RX, tamaños, estadísticas de
retransmisión)
- Métricas relativas a la calidad RSSI, SNR, PER, BER
- Estadísticas agregadas en los puntos de enrutamiento de malla
- Cargas de trabajo programadas / anticipadas, objetivos, recursos de red requeridos
El formato de los datos de entrada es datos de secuencia de bits / codificación.
Características de salida de datos
Los datos de salida consisten en configuración y gestión de red, incluyendo
- Orientación centralizada y descentralizada de información
- Transferencia / rechazo de nodos/dispositivos finales
- Activación / desactivación del árbol de enrutamiento alternativo
- Despliegue y activación de programación actualizada / transitoria
El formato de los datos de entrada es datos de secuencia de bits / codificación.
La apertura de los datos
Los proveedores de dispositivos y redes hoy no ponen necesariamente a disposición los datos de
entrada.
Todos los datos en las redes industriales se generan y están contenidos dentro del entorno
controlado de la red industrial, que es un sistema cerrado.
Requerimientos funcionales y no funcionales
Los nodos de dispositivos deben ser compatibles con las API que permiten establecer parámetros de
dispositivos de monitorización / medición y funciones relacionadas con la red, incluidas PHY y API
de capa de enlace, API de formación / enrutamiento de red y API de estado de alimentación y
dispositivo.
Los nodos de dispositivo y las funciones de gestión de red deben admitir protocolos para dirigir la
distribución de programación, la asignación de recursos de red, la información de asociación de
puerta de enlace, etc.
Interoperabilidad entre dispositivos de diferentes fabricantes, que requiere que los formatos de datos
y protocolos sean preespecificados / estandarizados.
La recopilación de datos puede imponer gastos indirectos adicionales que deben incorporarse en la
planificación de la red.
Muchas de las acciones tienen requisitos de tiempo muy estrictos; la recopilación de datos y el
procesamiento de ML deben hacerse de una manera que cumpla con estos requisitos.
2. C. Aprendizaje Automático en vehículos
Descripción de alto nivel del caso de uso
Con el crecimiento de los vehículos conectados y la introducción de la conducción autónoma, la
demanda de aplicaciones de video aumentará aún más. Además, los videos no se limitarán
principalmente a videos de Internet como es el caso hoy en día; más bien, surgirán diferentes
aplicaciones de video con características muy diferentes y, por lo tanto, también nuevos requisitos.
Entregar la calidad de experiencia (QoE) requerida para cada aplicación en medio de la naturaleza
dinámica de las comunicaciones vehiculares es un desafío que requiere optimización de inteligencia
de extremo a extremo y se satisface mejor con técnicas de aprendizaje automático.

Descripción
La siguiente figura muestra una red vehicular inalámbrica que consiste en diferentes tipos de
enlaces inalámbricos entre un vehículo y la red. La conectividad inalámbrica es necesaria para
admitir una amplia gama de aplicaciones que incluyen conducción autónoma, casos de uso de
seguridad y aplicaciones de pasajeros. Ejemplos de estas aplicaciones son el mantenimiento de
mapas, el análisis estadístico y los servicios en tiempo real, que incluyen señalización de tráfico,
advertencias de peligro, condiciones ambientales y de flujo de tráfico. El video será una parte
integral de estas aplicaciones y puede ser de diferentes tipos, incluyendo:
● Transmisión de video, por ejemplo, transmisión de películas a dispositivos portátiles de los
pasajeros
● Video conversacional, por ejemplo, videoconferencia entre los pasajeros y otros
● Realidad aumentada, por ejemplo, visitas turísticas por los pasajeros
● Filmación de cámaras tipo Street View, por ejemplo, creación de mapas de alta definición en
tiempo real
Con el crecimiento esperado de los vehículos conectados y la variedad de aplicaciones que se
espera que surjan con los mismos, las técnicas tradicionales para proporcionar la QoS requerida
pueden no ser suficientes. Para satisfacer los estrictos requisitos de conectividad de las aplicaciones
de video en redes inalámbricas y para proporcionar el QoE deseado a los usuarios, se requieren
nuevas técnicas basadas en el aprendizaje automático.
 Redes vehiculares inalámbricas y aplicaciones de vídeo del vehículo conectados

Clasificación de calidad de servicio (QoE, Quality of Service)

Los esquemas de codificación, incluida la codificación de video escalable, se utilizan para reducir el
rendimiento requerido para las transmisiones de video. Si bien estos esquemas han demostrado ser
eficientes para los videos tradicionales, no están optimizados para tipos de video específicos y la
noción variable de QoE para diferentes tipos de video; lo que define la experiencia del usuario en
un video conversacional es diferente de la transmisión de video y un video de seguridad / vigilancia.
Para satisfacer la QoE de diferentes aplicaciones y tipos de video en presencia de recursos de red
limitados, es necesario clasificar inteligentemente la información en función de la comprensión del
contenido e identificar y priorizar la "información" más crítica entre y en cada tipo de video.
Como ejemplo, en presencia de recursos de red limitados, es decir, rendimiento y latencia, la red
prioriza de forma inteligente las aplicaciones de seguridad frente al entretenimiento de pasajeros;
además, decide de forma inteligente qué píxeles del metraje capturado por la cámara de Street View
de un automóvil son los más críticos para la transmisión dados los recursos disponibles. El
aprendizaje automático es esencial para automatizar la clasificación QoE del contenido en base a la
comprensión del contenido, dicha clasificación no es posible con métodos convencionales.
Medición de QoE
El contenido de video tiene un alto compromiso del usuario. Es importante mantener a los usuarios
satisfechos con el contenido y el servicio mientras se mantiene el costo de la entrega de contenido.
Sin embargo, el video QoE es altamente subjetivo y personalizado. La medición tradicional de
video QoE es costosa, no escala con diferentes tipos de aplicaciones y no se puede hacer de forma
individualizada. El aprendizaje automático presenta una nueva forma de medir QoE en el punto
final con una mejor capacidad para escalar y personalizar. La medición de QoE basada en
aprendizaje automático puede permitir una garantía QoE más eficaz de extremo a extremo.
Extremo a extremo de aseguramiento de calidad de la experiencia
En las redes tradicionales, se requiere que cada capa entregue la QoS esperada por separado en
función de un conjunto fijo y preespecificado de parámetros de red. Sin embargo, la definición de
los requisitos de QoS y los parámetros de red que cumplen esos requisitos no son triviales y no se
ajustan a las definiciones preexistentes con la introducción de nuevas aplicaciones vehiculares. Por
ejemplo, la cuestión tradicional de identificar las aplicaciones de seguridad vehicular predefinidas
de la categoría QoS y la asignación de recursos suficientes para cumplir con los estrictos requisitos
de las aplicaciones de seguridad puede no necesariamente dar como resultado la QoE de 'seguridad'
al tiempo que introduce un uso subóptimo de la red recursos.
Una red inteligente reaccionará a la entrada con respecto a los recursos disponibles de diferentes
capas de la red de extremo a extremo de una manera flexible, determinando los parámetros de red
correctos para lograr la QoE de la aplicación.
Aspectos de alto nivel de la arquitectura
La siguiente figura ilustra la arquitectura de sistema de alto nivel para la entrega de contenido
relacionado con casos de uso de vehículos. Un ejemplo del contenido es el mapa de alta definición
(HD) que tiene aspectos dinámicos y estáticos.

Arquitectura de alto nivel para entrega de contenido de extremo a extremo en vehículos inalámbricos
El mapa HD se crea al recopilar datos del sensor de cada uno de los vehículos, fusionando los datos
en la nube y luego entregando el resultado final a los vehículos para el consumo. Implica el
procesamiento y la transferencia de gran cantidad de datos generados en cada vehículo con muy
baja latencia y a altas velocidades. Por lo tanto, la optimización de extremo a extremo de la
transmisión de datos es muy importante. El aprendizaje automático será responsable de
1. La clasificación de los de datos estáticos / semi-estáticos / dinámicos basados en la
comprensión del contenido
2. El establecimiento de políticas de QoE para transferir diferentes tipos de datos bajo
restricciones de condiciones de red
3. La medición del QoE final y proporcionar retroalimentación a la red para garantizar que el
requisito de rendimiento final se cumpla de manera constante.