En la nueva era de la Industria 5.0, los robots dejan de ser simples herramientas de automatización para convertirse en colaboradores activos de las personas. La clave ya no está solo en producir más rápido, sino en lograr entornos productivos flexibles, personalizados y centrados en el ser humano. Y aquí aparece un reto fundamental: ¿cómo conseguimos que los robots entiendan y se comuniquen con nosotros de forma natural?
La respuesta está en la interacción humano-robot (HRI, por sus siglas en inglés). Se busca que las máquinas puedan percibirnos, interpretarnos y responder de manera adecuada. Sin embargo, uno de los grandes obstáculos es la falta de un lenguaje común que permita a distintos sistemas y sensores trabajar juntos de forma armonizada.
En este contexto surge ROS4HRI, un estándar abierto impulsado por nuestro partner en ARISE, PAL Robotics. En este ecosistema, nuestro partner aporta su experiencia en robótica humanoide y social, asegurando que la validación de ROS4HRI se realice en entornos reales, desde laboratorios de pruebas hasta escenarios productivos reales como hospitales y centros de atención sanitaria.
Standard ROS4HRI
¿Qué es ROS4HRI?
ROS4HRI es una extensión de ROS2 (Robot Operating System) que define un conjunto de interfaces, mensajes y APIs estandarizadas orientadas a la interacción humano-robot.
Su propósito es claro: crear un lenguaje común que unifique la forma en la que los robots perciben e interpretan las señales humanas, sin importar qué sensores o algoritmos están detrás. Los robots pueden gestionar información clave como:
Identidad de la persona: reconocimiento y seguimiento individual.
Atributos sociales: emociones, expresiones faciales e incluso edad estimada.
Interacciones no verbales: gestos, mirada, postura corporal.
Señales multimodales: voz, intenciones y comandos en lenguaje natural.
Arquitectura de ROS4HRI
El diseño de ROS4HRI sigue un enfoque modular, derribando las barreras entre distintos sistemas de percepción, asegurando que los robots puedan procesar información humana de manera coherente, independientemente de los sensores o algoritmos que se utilicen, siempre en línea con la filosofía abierta de ROS2. Sus componentes principales son:
APIs de interacción: facilitan que las aplicaciones accedan a esta información de manera uniforme.
Integración multimodal: combina datos de voz, visión y gestos para enriquecer la interpretación.
Compatibilidad con ROS2 y Vulcanexus, que asegura su despliegue en entornos distribuidos.
En la siguiente figura puede verse parte de su núcleo y los distintos módulos que lo conforman. Para quien quiera profundizar, el código y la documentación están disponibles en el repositorio oficial: github.com/ros4hri
En el proyecto europeo ARISE, ROS4HRI juega un papel clave dentro del ARISE middleware, integrándose con ROS2, Vulcanexus y FIWARE.
Esta combinación permite explorar escenarios de industria 5.0 en los que robots equipados con ROS4HRI pueden:
Reconocer a un operario y adaptar su comportamiento en función de su rol o gestos.
Interpretar señales sociales como expresiones de cansancio o estrés para ofrecer un apoyo más humano.
Compartir información en tiempo real con plataformas de gestión industrial p.e a través de FIWARE, enriqueciendo así la toma de decisiones.
Lo interesante es que ROS4HRI no funciona de manera aislada, sino que se apoya en recursos ya existentes dentro de la comunidad. Un buen ejemplo es MediaPipe, la librería de Google muy utilizada para el reconocimiento de gestos, poses y rasgos faciales. Gracias a ROS4HRI, los resultados obtenidos con MediaPipe (como esqueletos 2D/3D o detección de manos) pueden integrarse de manera estándar dentro de ROS2.
Ejemplo práctico
Un ejemplo práctico en ARISE usando ROS4HRI es la creación de un módulo para detectar los movimientos de los dedos de la mano. Para ello, se desarrolló un paquete en ROS2 que sigue el estándar ROS4HRI y emplea la librería MediaPipe de Google para procesar el vídeo de una cámara.
En este caso el nodo principal extrae las coordenadas 3D de las articulaciones de la mano y las publica en un tópico de ROS siguiendo las convenciones de ROS4HRI, cómo /humans/hands/<id>/joint_states. Gracias a este formato estandarizado, otros componentes del sistema (por ejemplo, un visualizador en RViz o un controlador de robot) pueden usar esos datos de manera interoperable para tareas como control por gestos.
La evolución hacia la Industria 5.0 exige robots capaces de interactuar de forma más humana, confiable y eficiente. En este camino, ROS4HRI se consolida como un estándar clave para habilitar la colaboración humano-robot, garantizando interoperabilidad, escalabilidad y confianza, con aplicaciones que transformarán no sólo la industria, sino también la sanidad, la educación y los servicios.
Referencias
Lemaignan, S.; Ferrini, L.; Gebelli, F.; Ros, R.; Juricic, L.; Cooper, S. Hands-on: From Zero to an Interactive Social Robot using ROS4HRI and LLMs. HRI 2025. https://ieeexplore.ieee.org/document/10974214
Ros, R.; Lemaignan, S.; Ferrini, L.; Andriella, A.; Irisarri, A. ROS4HRI: Standardising an Interface for Human-Robot Interaction.2023PDF link
En sectores tan diversos como la construcción, la logística, el patrimonio o la industria, el Internet de las Cosas (IoT) se ha convertido en un factor clave para impulsar la digitalización, mejorar la eficiencia y abrir nuevas oportunidades de innovación.
Cuando se aborda el diseño de un dispositivo electrónico, la atención suele centrarse en los componentes más importantes y destacados, como procesadores, sensores o módulos de comunicación. Sin embargo, la placa de circuito impreso (PCB, por sus siglas en inglés) constituye un elemento clave, pues su diseño condiciona de manera decisiva el correcto funcionamiento, la eficiencia y la fiabilidad del sistema en su conjunto.
La eficiencia energética es un pilar fundamental en el desarrollo de cualquier equipo. Una PCB bien diseñada permite una transmisión óptima de la energía que minimiza las pérdidas asociadas a una resistencia excesiva en las pistas de cobre y una mala organización de los componentes. Si las señales se ven obligadas a recorrer trayectos innecesariamente largos o por pistas demasiado estrechas, como resultado, aumenta la generación de calor, el consumo energético se incrementa y la vida útil del dispositivo se reduce.
La organización de los elementos en la PCB es otro aspecto crucial. En un mismo circuito coexisten funciones muy diversas, como la distribución de la alimentación eléctrica, la transmisión de señales digitales o la gestión de señales analógicas de alta sensibilidad. Para obtener un flujo de señal limpio y estable es imprescindible que estas funciones estén correctamente aisladas unas de otras, permitiendo al dispositivo un funcionamiento predecible y sin errores.
«La organización de los elementos en la PCB es otro aspecto crucial. En un mismo circuito coexisten funciones muy diversas que deben estar correctamente aisladas para obtener un flujo de señal limpio y estable»
No menos determinante resulta la protección frente a interferencias electromagnéticas. En el entorno actual, marcado por la proliferación de comunicaciones inalámbricas, radiodifusión o maquinaría industrial, los dispositivos están expuestos a todo tipo de perturbaciones externas. Estas pueden generar ruido e interferencias en las señales, e incluso pueden provocar sobretensiones capaces de dañar los componentes y las pistas. Además, un mal diseño puede convertir a la PCB en una fuente de interferencias para sí misma como para los dispositivos circundantes. La aplicación de técnicas como los planos de tierra continuos, un apilamiento de capas compacto, rutas de señal reducidas y elementos auxiliares de filtrado, es esencial para mitigar todos estos riesgos.
Conscientes de la importancia de estos aspectos, en CARTIF aplicamos estos principios desde la fase de prototipado, anticipando su adaptación a procesos de industrialización futura. En el caso del proyecto BATERURGIA, permitió desarrollar un dispositivo de monitorización y avisos de alerta en el transporte y almacenamiento de baterías de vehículos eléctricos. De forma análoga, en el proyecto AUTOLOG, posibilitó la creación de un dispositivo integrado en vehículos industriales de guiado automático, orientado a la recopilación de datos logísticos con el fin de mejorar la trazabilidad de los procesos y optimizar las rutas de transporte.
Imagina que cada producto que llega a tus manos pudiera explicarte su historia: de dónde viene, con qué materiales se fabricó, qué procesos atravesó, cómo se garantizó su calidad y bajo qué condiciones fue transportado hasta su destino.
Vivimos en una era en la que la información lo es todo. Sin embargo, en el mundo industrial aún dejamos que muchos datos valiosos se pierdan entre sistemas aislados y decisiones urgentes. ¿Y si pudiéramos hacer que esos datos fueran visibles, útiles y conectados?
Hoy, gracias a tecnologías como la Industria 4.0 o los sistemas de captura en tiempo real, las plantas de producción generan más información que nunca. Pero tener datos no basta. La clave está en estructurarlos, interpretarlos y relacionarlos. Convertir datos dispersos en conocimiento útil es el primer paso hacia un etiquetado digital realmente inteligente.
Esto es precisamente lo que se busca en el proyecto europeobiOSpace: desarrollar un sistema de etiquetado digital para productos bio-basados que permita seguir el rastro de cada lote desde su origen hasta su entrega. Este sistema no solo recogerá información técnica sobre materias primas, procesos y controles de calidad, sino que también incluirá datos logísticos, condiciones de transporte y métricas medioambientales.
¿Por qué es necesario el etiquetado digital?
En los procesos industriales actuales, gran parte de la información clave sobre la fabricación de un producto se encuentra dispersa en distintas plataformas o no se registra de forma estructurada. Esto dificulta la trazabilidad completa de lo que ocurre en planta y, en consecuencia, complica la toma de decisiones operativas, la mejora continua o la justificación de estándares de sostenibilidad y calidad. En el contexto de la producción bio-basada, donde los materiales pueden variar en función del proveedor, la cosecha o el proceso, tener control sobre cada etapa del ciclo de vida del producto se vuelve especialmente importante. De ahí la necesidad de establecer un sistema que permita recopilar y consultar toda esta información de forma unificada y accesible.
¿Qué tipo de información se recopilará?
El sistema de etiquetado digital que se está diseñando en biOSpace contempla cinco bloques de información esenciales:
Todos estos datos se vinculan mediante un identificador digital único que acompaña al producto a lo largo de todo su recorrido, desde su entrada en fábrica hasta su salida. Esta etiqueta se va completando progresivamente, añadiendo información a medida que el producto atraviesa diferentes etapas del proceso: recepción de materia prima, transformación, control de calidad, embalaje, transporte, etc.
Esta estructura modular del identificador permite trazar con precisión el recorrido y condiciones del producto en cada fase, haciendo que toda la información relevante esté conectada de forma clara y estructurada.
¿Qué se puede lograr gracias a una trazabilidad integral?
El valor de esta información no reside solo en almacenarla, sino en poder utilizarla de forma práctica y adaptada a cada necesidad. Por eso, uno de los objetivos es que el sistema pueda consultarse desde paneles internos que ayuden al personal de planta a tomar decisiones en tiempo real, y que al mismo tiempo pueda integrarse en entornos digitales más amplios, como sistemas de gestión o plataformas de gemelo digital.
Además, la misma etiqueta digital puede ofrecer diferentes niveles de información según el perfil del usuario que la consulta. Un operario podrá ver datos técnicos sobre el proceso o los controles de calidad, mientras que un responsable de sostenibilidad podrá acceder a indicadores ambientales, y un consumidor final podrá consultar un resumen accesible sobre el origen del producto, sus características y su trazabilidad.
Esta trazabilidad detallada permitirá también alimentar lo que ya empieza a conocerse como pasaporte digital de producto, una herramienta que gana relevancia en el marco de las políticas europeas hacia una economía circular y más transparente.
«Lo que hacemos hoy con nuestros datos marca el rumbo de lo que haremos mañana con nuestros productos»
Aunque esta solución todavía se encuentra en fase de diseño, parte de una pregunta sencilla pero importante: ¿qué estamos haciendo con toda la información que ya se genera en nuestras fábricas?
En muchos casos, los datos existen, pero no están conectados, no se comparten o simplemente no se utilizan. Este proyecto busca precisamente eso: darles sentido, organizarlos y ponerlos al servicio de quienes los necesitan, desde el operario que gestiona un lote hasta quien toma decisiones estratégicas o quien, al final de la cadena, consume el producto.
No se trata de incorporar tecnología por tendencia, sino de usarla con criterio. De construir herramientas que permitan entender mejor lo que producimos, cómo lo hacemos y con qué impacto, en un momento en el que la trazabilidad, la sostenibilidad y la transparencia ya no son opciones, sino condiciones para seguir avanzando.
En el mundo del desarrollo de software, la interoperabilidad es la capacidad de que diferentes dispositivos, sistemas y aplicaciones trabajen juntos de manera coordinada, como si fueran músicos en la orquesta sinfónica de Viena, independientemente de su origen o tecnología. Este concepto es clave en la transformación digital donde los sistemas, como por ejemplo, una aplicación robótica, deben integrarse con múltiples plataformas, incluyendo sistemas de control robotizados, soluciones de inteligencia artificial y plataformas de gestión industrial IT como el ERP (Planificación de Recursos Empresariales) o MES (Sistema de Ejecución de Fabricación).
El objetivo principal es facilitar el intercambio de datos en tiempo real para una toma de decisiones más inteligente. La interoperabilidad desempeña un papel esencial en la robótica al permitir la integración fluida entre sistemas productivos industriales heterogéneos y plataformas digitales.
Beneficios de la interoperabilidad
Adoptar tecnologías de interoperabilidad en el desarrollo de aplicaciones robóticas aporta múltiples ventajas, entre ellas:
Gestión inteligente y monitorización remota de activos como robots y máquinas herramienta, permitiendo un control centralizado y en tiempo real de sistemas distribuidos.
Optimización de la toma de decisiones, gracias a la disponibilidad de datos en tiempo real, se asegura una mejor capacidad de respuesta a eventos imprevistos y optimización de flujos de trabajo.
Facilidad de escalabilidad y modularidad: permitiendo la integración de nuevas tecnologías, sensores y robots sin la necesidad de rediseñar sistemas completos, favoreciendo la adaptabilidad de futuras necesidades industriales.
Reducción de costes y tiempos de inactividaden líneas de producción, gracias a la integración de sistemas heterogéneos, minimizando tiempos de configuración y permitiendo una rápida reconfiguración y flexibilidad de procesos productivos en entornos dinámicos.
Mantenimiento predictivo y optimización de recursos, utilizando modelos basados en IA para anticipar fallos, optimizar el uso de repuestos y aumentar la vida útil de los equipos sin comprometer la productividad.
FIWARE como facilitador de la interoperabilidad
Para que los sistemas robóticos puedan integrarse de manera eficiente, es crucial que sean compatibles con plataformas estandarizadas que permitan la gestión inteligente de datos y la comunicación. FIWARE, con la que trabajamos en el proyecto ARISE, es un conjunto de tecnologías, arquitecturas, y estándares que aceleran el desarrollo e implantación de soluciones basadas en código abierto. Como tecnología referente para la Unión Europea, FIWARE contribuye principalmente a la creación de herramientas y servicios interoperables para la gestión y análisis de datos en tiempo real, asegurando persistencia, flexibilidad y escalabilidad, permitiendo así la creación de aplicaciones personalizadas sin costes excesivos. Otra propuesta de valor es su naturaleza multi-sector. Los componentes y arquitecturas de referencia estandarizados de FIWARE permiten que cualquier solución diseñada para un sector específico de la industria productiva, logística o servicios, sea por defecto interoperable con otro tipo de verticales como la gestión de energía, movilidad, o los emergentes espacios de datos.
En ARISE, desarrollamos aplicaciones robóticas para la interacción humano-robot integrando nuestro ARISE middleware (solución middleware que integra Vulcanexus, ROS2, FIWARE y ROS4HRI), en cuatro entornos de experimentación explorando soluciones robóticas conectadas con FIWARE en un escenario de industria 5.0. Uno de estos entornos está en CARTIF, un laboratorio para pruebas de validación tecnológica en entornos de prueba controlados (TRL 4-5). En la siguiente Figura 1 se puede ver este entorno de experimentación:
Fig 1. Entorno de experimentación en CARTIF
El papel fundamental de FIWARE radica en proporcionar herramientas que permitan la interoperabilidad entre sistemas heterogéneos, asegurando una integración fluida de datos y dispositivos IoT en tiempo real, una gestión dinámica de los datos procedentes del plano operacional permitiendo la comunicación entre diferentes sistemas, dispositivos y plataformas hacia el plano analítico, garantizando una integración profunda con las infraestructuras IT/OT empresariales (ver figura 2):
Fig 2. Ecosistema ARISE middleware
Cómo se diseña una arquitectura FIWARE y componentes clave
El diseño de una arquitectura FIWARE se basa en un enfoque modular, donde los componentes se integran según las necesidades de la aplicación. La arquitectura se organiza en torno a su núcleo central (Context Broker) que gestiona el tránsito de los datos en tiempo real. Para implementar FIWARE de manera efectiva, se recomienda seguir estos pasos:
Definir el caso de uso: identificar los objetivos y requisitos de la aplicación
Seleccionar la arquitectura adecuada: incluir el Context Broker, IoT Agents y otros componentes según las necesidades, convertir protocolos heterogéneos en datos compatibles con FIWARE. Por ejemplo, el habilitador OPC-UA IoT Agent, facilita que los datos recopilados en entornos industriales puedan gestionarse en tiempo real, facilitando la interoperabilidad con otros sistemas.
Integrar dispositivos y sistemas: conectar sensores, robots u otros sistemas mediante OPC-UA, MQTT u otros protocolos.
Implementar seguridad y control de acceso: usar Keyrock y PEP Proxy para garantizar la protección de datos gestiona la autenticación y control de acceso.
Almacenar y analizar datos: utilizar Cygnus, Draco o QuantumLeap para obtener información valiosa, para el almacenamiento histórico de datos, persistencia y su análisis en plataformas Big Data.
Desplegar en la nube o en entornos locales: considerar FIWARE Lab o infraestructura propia para el hosting de los servicios.
Monitorización y Optimización: evaluar el rendimiento del sistema y mejorar la integración con otras plataformas como AI-on-Demand o Digital Robotics. Wirecloud permite la creación de dashboards visuales personalizados. También facilita la conexión con otras aplicaciones de fácil integración como Grafana y Apache Superset.
Fig 3. FIWARE arquitectura modulas y ejemplo de aplicación
En CARTIF seguimos apostando por estas tecnologías para construir un futuro donde la colaboración entre sistemas y plataformas sea la clave del éxito. Recientemente nos hemos unido a la red de FIWARE iHubs con el nombre de CARTIFactory. Como iHub oficial, no solo fomentará la adopción de FIWARE, sino que también actuará como un centro de referencia con su laboratorio de experimentación para fomentar la interoperabilidad en aplicaciones robóticas de nuestra comunidad y ecosistema industrial.
En conclusión, la interoperabilidad no es solo un requisito técnico sino un pilar fundamental para el éxito de la transformación digital en la industria. Tecnologías como FIWARE permiten conectar sistemas, optimizar procesos y fomentar un ecosistema , flexible y escalable Gracias a esta capacidad, las empresas pueden integrar inteligencia artificial, robótica y automatización avanzada.
Co-autores
Aníbal Reñones. Director del área de Industria 4.0 de la División de Sistemas Industriales y Digitales.
Francisco Meléndez. Experto en Robótica y FIWARE Evangelista. Technical Coordinator en el proyecto ARISE (FIWARE Foundation).
La inteligencia artificial (IA) ha dejado de ser una mera fantasía futurista para integrarse de manera tangible en nuestra vida cotidiana. Desde las recomendaciones personalizadas en plataformas de streaming hasta la optimización de los procesos logísticos en una fábrica, la IA está en todas partes. Lo interesante es que no solo está haciendo nuestras vidas más cómodas, sino que también está transformando la industria.
En el proyecto HUMAIN, donde colaboramos con empresas como BAMA y CENTUM, estamos llevando la IA al siguiente nivel. Imagina una fábrica que puede anticipar problemas antes de que ocurran, gracias a sistemas predictivos basados en datos. O robots que trabajan junto con humanos para embalar y paletizar productos de manera eficiente, incluso cuando las cajas tienen tamaños diferentes. ¡Es como pasar de un coche manual a uno automático!
Pero esto no es ciencia ficción. Estamos investigando y desarrollando algoritmos de inteligencia artificial que convierten datos masivos en decisiones inteligentes, sistemas de visión por computador que ven más allá de lo que el ojo humano puede detectar y soluciones de mantenimiento predictivo impulsadas por aprendizaje automático que ahorran tiempo y dinero. La IA actúa como un cerebro estratégico que optimiza cada aspecto del proceso, desde la producción hasta la logística. ¿El resultado? Procesos más sostenibles, menos residuos y fábricas más inteligentes.
Este tipo de proyectos no solo benefician a las grandes empresas. También tienen un impacto directo en nuestras vidas. Piénsalo: cada vez que compras algo en línea y llega a tu puerta en tiempo récord, es probable que detrás haya un sistema de IA que optimizó cada paso del proceso. Desde el empaquetado hasta la entrega.
El consorcio del proyecto HUMAIN, estamos emocionados de ser parte de esta revolución. No se trata solo de hacer que las máquinas trabajen más rápido, sino de integrar tecnologías disruptivas que conviertan a las personas en el corazón del proceso. Porque al final, la IA es una herramienta: lo importante es cómo la usamos para mejorar nuestro día a día.
¿Estamos listos para abrazar esta revolución industrial? La respuesta está en cada clic, cada compra y cada robot que trabaja codo a codo con nosotros.
La inteligencia artificial (IA) está contribuyendo a la transformación de un gran número de sectores, desde sugerir una canción de música hasta analizar el estado de nuestra salud con el reloj, pasando por la industria de la fabricación. Un freno a esta transformación es la complejidad de los sistemas de IA usados, lo que a menudo plantea desafíos en términos de transparencia y comprensión de los resultados que ofrecen. En este contexto, se habla de la capacidad de explicación – o “explicabilidad” – de la IA como la capacidad para hacer comprensibles sus decisiones y acciones a los usuarios – es lo que se conoce como IA explicable, o XAI por sus siglas en inglés; algo que es crucial para generar confianza y asegurar una adopción responsable de la tecnología.
Explicabilidad de la IA; capacidad para hacer comprensibles sus decisiones y acciones a los usuarios.
En la actualidad, se trabaja en un amplio abanico de soluciones tecnológicas para mejorar la explicabilidad de los algoritmos de IA. Una de las principales estrategias incluye la creación de modelos intrínsecamente explicables (ante hoc). Estos modelos, como por ejemplo los árboles de decisión y las reglas de asociación, están diseñados para ser transparentes y comprensibles por naturaleza. Su estructura lógica permite a los usuarios seguir fácilmente el razonamiento detrás de las decisiones. Las herramientas de visualización de explicaciones son clave, ya que representan gráficamente el proceso de toma de decisiones del modelo, facilitando su comprensión por parte de los usuarios. Éstas pueden incluir desde cuadros de mando dedicados hasta gafas de realidad aumentada, pasando por explicaciones en lenguaje natural (por voz o texto).
Sistema intrínsecamente explicable: árbol de decisión. Los nodos intermedios son condiciones que verifican progresivamente hasta llegar a la respuesta final; la secuencia de condiciones es la explicación.
Explicación en lenguaje natural de un sistema de recomendación de nuevas rutas para hacer ejercicio. Extraida de Xu et al. (2023). XAIR: framework of XAI in augmented reality.
Otra familia de técnicas de explicación comúnmente utilizada es la de los métodos post hoc: éstos consisten en, una vez creado un modelo de IA complejo, procesar y analizar a posteriori el propio modelo resultante para explicar sus resultados. Por ejemplo, algunas de estas técnicas evalúan cuánto contribuye cada variable en la respuesta final del sistema (análisis de sensibilidad). Entre las técnicas de explicabilidad post hoc destaca SHAP (SHapley Additive exPlanations), un método basado en la teoría de juegos cooperativos, que permite extraer coeficientes que determinan la importancia de cada variable de entrada en el resultado final del algoritmo de IA.
Otras técnicas incluyen la descomposición, que divide el modelo de IA en componentes más simples y más fácilmente explicables, y la destilación en modelos subrogados (knowledge distillation, surrogate models) que aproximan la función del sistema original, pero son más fácilmente comprensibles. Por otro lado, las llamadas “explicaciones locales” consisten en métodos que explican ejemplos individuales (entrada-salida), no el modelo completo. Un ejemplo son las explicaciones proporcionadas por herramientas como LIME (Local Interpretable Model-agnostic Explanations). En el ejemplo de la siguiente figura se explican las palabras más relevantes para determinar por qué el texto se considera ‘sincero’ (con un 84% de fiabilidad) o ‘insincero’ [Linardatos et al. (2020)].
Un enfoque adicional es la integración de entradas de usuarios en el proceso de construcción del modelo, conocido como «Human-in-the-Loop» (HITL). Este enfoque permite a los usuarios interactuar (e.g. etiquetando datos nuevos) y supervisar los algoritmos de IA, ajustando sus decisiones en tiempo real y mejorando así la transparencia del sistema.
En CARTIF, se está trabajando activamente en diferentes proyectos relacionados con IA, como s-X-AIPI para avanzar en la explicabilidad de los sistemas de IA usados para aplicaciones industriales. Un ejemplo significativo de nuestro trabajo son los dashboards (paneles de visualización o cuadros de mando) diseñados para la supervisión y análisis del rendimiento de los procesos de fabricación estudiados en el proyecto. Estos dashboards permiten a los operadores de planta visualizar y entender cómo se está desempeñando el proceso en tiempo real.
Se han creado modelos predictivos y de detección de anomalías para la industria del asfalto que no solo anticipan valores futuros, sino que también detectan situaciones inusuales y explican los factores influyentes en estas predicciones y detecciones. De esta manera, se ayuda a los operarios a tomar decisiones informadas y a entender mejor los resultados generados por los sistemas de IA y como deben actuar.
La explicabilidad en métodos de IA es esencial para su adopción segura y efectiva en todo tipo de sectores: industria, ventas, logística, farmacia, construcción…. En CARTIF, estamos comprometidos con el desarrollo de tecnologías para crear aplicaciones basadas en Inteligencia Artificial que no sólo mejoren los procesos y servicios, sino que también sean transparentes y comprensibles para los usuarios, en definitiva, que sean explicables.
Co-autor
Iñaki Fernández. Doctor en Inteligencia Artificial. Investigador en el área de Salud y Bienestar de CARTIF
