Liderazgo Capital Humano Actualidad

mira el video de la nota

IA en Marte: Vandi Verma de la NASA (I)

La mayoría de las organizaciones no están ejecutando misiones espaciales, pero el uso de la IA y la robótica por parte de la NASA ofrece lecciones relevantes para sus aplicaciones más terrenales.

Sam Ransbotham y Shervin Khodabandeh 29 Abr 2024

Cuando Vandi Verma vio a los rovers Spirit y Opportunity aterrizar en Marte mientras trabajaba en su doctorado en robótica decidió encaminarse a trabajar en la NASA en el terreno de la exploración espacial.

Quizás no sea sorprendente que hoy, como ingeniero jefe de operaciones robóticas en el Laboratorio de Propulsión a Chorro (JPL) de la NASA, Vandi vea las mayores oportunidades para la Inteligencia Artificial (IA) en la robótica y la automatización.

Publicidad
Publicidad

En este episodio del podcast Me, Myself, and AI, describe las formas en que los rovers de Marte dependen de la IA, incluido el uso de la tecnología en simulaciones de gemelos digitales que permiten a los científicos del JPL practicar sus habilidades de conducción antes de controlar realmente los rovers en Marte.

También analiza con los presentadores Shervin Khodabandeh y Sam Ransbotham cómo el uso de la IA por parte de la NASA (y su enfoque del riesgo) ofrece lecciones para las organizaciones que buscan simular escenarios del mundo real aquí en la Tierra.

Suscríbete a Me, Myself, and AI en Apple Podcasts , Spotify o Google Podcasts.

La mentalidad del innovador: Crear un mañana mejor con IA

Transcripción

Shervin Khodabandeh: ¿Qué podemos aprender del uso de la IA en Marte? Descúbrelo en el episodio de hoy.

Vandi Verma: Soy Vandi Verma del JPL de la NASA y estás escuchando Me, Myself, and AI .

Sam Ransbotham: Bienvenido a Me, Myself, and AI , un podcast sobre inteligencia artificial en los negocios. En cada episodio, le presentamos a alguien que innova con la IA. Soy Sam Ransbotham, profesor de análisis en Boston College. También soy editor invitado de IA y estrategia empresarial en MIT Sloan Management Review .

Shervin Khodabandeh: Y yo soy Shervin Khodabandeh, socio principal de BCG y uno de los líderes de nuestro negocio de IA. Juntos, MIT SMR y BCG han estado investigando y publicando sobre IA desde 2017, entrevistando a cientos de profesionales y encuestando a miles de empresas sobre lo que se necesita para construir, implementar y escalar capacidades de IA y transformar realmente la forma en que operan las organizaciones.

Sam Ransbotham: Hola a todos, bienvenidos. Hoy, Shervin y yo estamos realmente emocionados de poder hablar con Vandi Verma, el ingeniero jefe del Laboratorio de Propulsión a Chorro de la NASA.

Es algo realmente genial. Vandi, según el adelanto que tuvimos, estamos muy emocionados de tenerte en el programa. Gracias por tomarte el tiempo de hablar con nosotros.

Vandi Verma: Gracias por invitarme aquí.

La visión general del JPL en general y de tu función particular

Sam Ransbotham: Admito que estoy realmente fascinado por tu trabajo, estoy seguro de que todos lo están, pero démosles pistas a todos sobre lo que haces. ¿Puedes empezar dando una visión general del JPL en general y de tu función particular?

Vandi Verma: Soy subdirector del sistema de Movilidad y Robótica en el Laboratorio de Propulsión a Chorro de la NASA y también estoy trabajando con el ingeniero jefe de la misión Mars 2020, que consta del rover Perseverance y el helicóptero Ingenuity.

JPL es un centro de la NASA que se especializa en la construcción de robots para la exploración espacial. Y la misión de la NASA es explorar, descubrir y ampliar el conocimiento para beneficio de la humanidad, y lo que hacemos es el aspecto robótico de eso.

¿Cómo es que los robots de la NASA usan la IA?

Shervin Khodabandeh: Cuando dices “robótica”, pienso en IA, pero las misiones a Marte parecen un lugar muy desafiante para nuevas tecnologías como la IA. ¿Cómo utilizas tú y el JPL la IA en lo que hacen con la robótica?

Vandi Verma: Correcto. La IA ha transformado en cierto modo lo que llamamos eso durante un período de tiempo, y hay cosas que hacemos en el terreno y hay cosas que hacemos a bordo de nuestros robots, así que voy a tocar algunas de ellas.

Entonces, en general, estamos más del lado de la capacidad autónoma, más cerca de lo que se podría considerar lo que usan los autos sin conductor, y no mucho de esto es potencialmente aprendizaje automático per se, aunque lo usamos para informar. gran parte de nuestro trabajo.

De hecho, con Perseverance, el 88 por ciento de la conducción que hemos realizado es conducción autónoma. Y por eso el rover tiene cámaras: está tomando las imágenes; es detectar el terreno, descubrir qué es peligroso y sortear obstáculos.

Y en realidad es bastante interesante porque conduce por un terreno que ningún ser humano ha visto jamás, por lo que ni siquiera podemos darle ese tipo de información. Esa es definitivamente una forma de navegación autónoma.

El frío y desconocido entorno de Marte

También, al final de las unidades, estamos tratando de progresar mucho porque estamos en este entorno realmente duro y tenemos la misión de recopilar y almacenar en caché una cierta cantidad de muestras con Perseverance.

Por primera vez, en realidad los traerán de regreso a la Tierra. Pero queremos que sean de lugares lo más distintos posible, por eso queremos conducir mucho. Si te detienes todo el tiempo, no progresarás tanto. Pero ¿quién sabe si hay algo realmente emocionante en el camino que nos vamos a perder? En nuestro mundo, lo llamamos huesos de dinosaurio.

El gran poder de la IA en la NASA

Tenemos capacidades de IA en el rover que tomará una imagen de gran angular, observará una gran franja de terreno y luego intentará descubrir cuál es la característica más interesante allí.

Tenemos una gran cantidad de instrumentos, pero uno de ellos es el instrumento SuperCam, que hace muchas cosas. Tiene un láser y, desde la distancia, puedes disparar un láser a una roca y crea un plasma, y ​​lo estudiamos con una lente telescópica.

Se trata de un campo de visión tan estrecho, ya sabes, un milirradianes, que, si intentaras hacer eso en toda la vista que ves, pasarías días allí.

esencialmente, usamos la IA para descubrir “¿Qué es lo más interesante que deberíamos eliminar?” Y luego puedes enviar los datos y contárselos a los científicos de la Tierra. Eso también ha sido muy valioso. Entonces hacemos eso.

No todo es diversión, la IA también sirve para planificar

Y luego, ya sabes, está la planificación. Hay muchos recursos que utilizamos, desde cosas como… principalmente en Marte, cuando tienes una nave espacial, el ambiente es hostil.

Entonces pensamos en “¿Cómo se calientan las cosas y se mantienen a la temperatura adecuada? ¿Cuanto poder tenemos?

Necesitas comunicarte con la Tierra. ¿Dónde está la Tierra? También contamos con planificación a bordo, que piensa más en términos de un panorama más amplio. Entonces, todo ese tipo de cosas son ejemplos de lo que hacemos.

Regular el fenómeno de la IA: David Hardoon de Aboitiz Data Innovation

¿Cómo saber que algo es interesante?

Sam Ransbotham: Hay un montón de ejemplos ahí. Y el hecho de que conduzcas predominantemente de forma autónoma parece un mundo fascinante. Mencionaste haber encontrado algo interesante. ¿Cuál es la función objetivo allí?

¿Cómo te das cuenta de que algo es interesante? Sé lo que creo que es interesante, pero cuéntame sobre ese proceso en el que una máquina descubre lo que es interesante.

Vandi Verma: Creo que una de las cosas más interesantes de definir lo que es interesante es que lo pone en los humanos. De hecho, nos resulta muy difícil decirle a las máquinas lo que queremos que hagan, ¿verdad? Para que podamos decir qué es interesante, tenemos muchos parámetros diferentes que los científicos pueden usar para especificar:

“Estoy buscando rocas de tonos claros de un tamaño particular, de un albedo y una forma particulares, que sean interesantes en esta área”.

Y podemos cambiar eso. Entonces tenemos estas diferentes plantillas, dependiendo del terreno en el que nos encontramos, que los científicos en el terreno nos ayudan a determinar. Se lo enviamos al robot para decirle: “Estamos buscando este tipo de cosas“.

También hemos investigado un poco y le decimos: “Ahora puedes rastrear todas las cosas que hemos visto”. Se llama detección de novedades, que en realidad aún no hemos implementado, pero “Encuentra lo que aún no hemos visto”. en.” Ésa es otra.

Una cosa es ver y otra catalogar

Pero hay dos cosas aquí. Cuando hacemos exploración, buscamos cosas nuevas, pero también intentamos caracterizar cosas que hemos visto con múltiples instrumentos diferentes, porque estamos tratando de recopilar una cantidad estadísticamente significativa de datos para la hipótesis que tenemos.

Estamos tratando de descubrir: “¿Podría haber existido vida en Marte y, especialmente, vida antigua?

Y entonces ese rompecabezas… Hay hipótesis, y estás tratando de responder preguntas específicas, y eso es lo que los científicos luego le dirán al robot que les interesa. De hecho, hemos usado supercomputadoras para traducir eso en parámetros que podamos luego enlace ascendente al robot.

Después de describir, los datos van a una supercomputadora: El método de la NASA

Sam Ransbotham: Entonces la gente describe en términos generales lo que quiere, y luego tienes una supercomputadora, algo aquí en la Tierra, que intenta traducir eso en un conjunto de parámetros que luego envías al rover para descubrir qué buscar. ¿Entendí eso correctamente?

Vandi Verma: Así es. Y creo que esta es un área en la que la IA puede ayudar mucho porque todavía estamos en esa fase de la robótica en muchas áreas donde tenemos muchas perillas. Podemos hacer mucho, pero el arte está en sintonizar este espacio multivariable.

De hecho, ya sabes, solo en Perseverance, los llamamos parámetros en el software Yesto ni siquiera toma en cuenta el diseño del hardware y otras cosas. Tenemos más de 64 mil parámetros explícitos.

Estos se guardan en la memoria no volátil. Esto ni siquiera tiene en cuenta los argumentos de los comandos que puede enviar. Hay muchas maneras en las que puedes expresar lo que tienes que decir y ahí es donde podemos usar mucha capacidad para saber cuál es la combinación correcta para lo que pretendemos hacer.

Parámetros, el combustible de la NASA en otros mundos

Sam Ransbotham: Sí, la combinatoria en algo así parece que va a explotar, por lo que parece una gran herramienta para el aprendizaje automático y para descubrir cuál es el conjunto correcto de parámetros óptimos o los siguientes parámetros a elegir cuando hay tantos para escoger.

Como dijiste, no se puede utilizar láser en toda la superficie de Marte. Bueno, tampoco puedes explorar 64 mil parámetros al mismo tiempo.

Vandi Verma: Sí, tienes toda la razón. Y, sin embargo, el desafío y la belleza, lo que hace que sea un entorno tan divertido, el margen de error es muy bajo, por lo que no se puede experimentar cuando es tan difícil lograr que una nave espacial aterrice con éxito en Marte.

Es un bien nacional. Entonces decimos: “No estás siendo manso” y, sin embargo, estás haciendo todas las comprobaciones que puedes para asegurarte de que tendrá éxito. No se puede poner en riesgo el vehículo.

La NASA y cómo utilizan la IA es de alto riesgo

Sam Ransbotham: Mm-hmm. Obviamente, la mayoría de las personas que escuchan no van a explorar Marte, pero cuando pensamos en las analogías que se podrían hacer, la gente está decidiendo ahora mismo sobre las carteras de riesgo, sobre cuánto le entregan a una máquina para, en su caso, decidir novedad o decidir dónde conducir.

Otras personas están tomando el mismo tipo de decisiones de riesgo. Ahora, parece que tienes una tolerancia al riesgo extremadamente baja, dado el activo y su ubicación. Pero siento que otras personas, con IA y nuevas tecnologías, también tienen que tomar decisiones de riesgo similares.

Vandi Verma: Creo que tienes toda la razón. De hecho, creo que en cierto modo se podría pensar que tenemos tolerancia al riesgo, pero tenemos que tomar esas decisiones con tanta frecuencia que no haríamos nada ni nos moveríamos en absoluto si en realidad tuviéramos mucha aversión al riesgo.

Tener un proceso para evaluarlo y saber, para una situación particular, dónde está ese umbral, es algo que todos en el equipo aprenden a hacer con cualquier trabajo que estén haciendo. Así que creo que en realidad es algo que se aplicaría bien a otras áreas.

¿Es posible practicar la conducción automática?

Shervin Khodabandeh: Volviendo a algo que dijiste antes, cuando hablaste de conducción autónoma: realmente no puedes practicar la conducción en un lugar en el que nunca has estado antes, entonces, ¿cómo practicas antes de llegar allí?

Vandi Verma: Hay dos elementos en eso. Una es, ¿cómo practicamos la capacidad autónoma y luego cómo practicamos los humanos, que todavía en algún nivel necesitan instruir la capacidad autónoma?

Entonces hacemos ambas cosas. En términos de construir robots para un cuerpo planetario, lo cual es muy diferente, ¿verdad? La gravedad en Marte es diferente, la presión, la temperatura, todas esas cosas: creamos simulaciones.

Ayudé a programar parte del software que se ejecuta a bordo del Perseverance y, en realidad, desde el principio, desarrollamos simulaciones de software porque es posible que en realidad no tengamos la réplica completa de la Tierra.

Creamos un modelo a escala real en la Tierra para probarlo, pero eso también está evolucionando en las primeras etapas de la misión. Así que estamos construyendo hardware, con el que también están experimentando:

“¿Cuál es el mejor diseño de rueda? ¿Cuál es el mejor material?”, mientras escribimos el software.

Imágenes e inspiración impulsadas y generadas gracias a la IA: Jeremy King de Pinterest

¿Cómo se construyen estas simulaciones?

Y se piensa mucho en “¿Cómo se construyen estas simulaciones para que nos ayuden a representar correctamente el entorno en el que nos encontramos?” Pero luego también comenzamos a eliminar ciertas interfaces de hardware.

Así que tendremos el software de vuelo real ejecutándose en más tipos de piezas robóticas de interfaz comercial, pero en nuestro Mars Yard. Tenemos un Mars Yard.

No es Marte, pero intentamos que tenga pendientes, lechos de roca y otras características. Y luego construimos la réplica completa ejecutando la computación real que vamos a tener en Marte con los sensores, y la probamos. Y después hacemos pruebas específicas. Así que haremos una prueba en una cámara de vacío térmico para ciertas piezas, y lo haremos en pedazos.

A medida que entramos en la atmósfera, hacemos algunas pruebas con aviones en la Tierra porque tenemos que ver cómo aterrizaríamos en Marte. Pero aparte de eso, una vez que lleguemos a Marte, lo haremos por etapas. Por lo tanto, es posible que la navegación autónoma nos diga qué haría, pero que en realidad no realice la navegación.

En realidad, haríamos que el humano dirigiera el impulso, como lo llamamos, pero en realidad lo dejamos sombra y decimos: “Veamos qué habrías hecho“. Y entonces lo hacemos por etapas.

El tiempo en Marte es valioso…

Queremos progresar muy rápidamente porque si lo haces durante demasiado tiempo… es un tiempo valioso en Marte. Así es como implementamos la capacidad autónoma. Ahora, en términos de humanos, he estado conduciendo robots en Marte para múltiples misiones diferentes desde 2008.

Empiezas a conocer Marte y lleva tiempo. Por eso hemos ido acortando el tiempo. Tenemos alumnos, tenemos sesiones en el aula, por lo que tomamos impulsos de Marte y los datos, y les hacemos planificar fuera de línea.

Luego tenemos sombras. Entonces, en la mayoría de los viajes ahora, tengo a alguien más a quien estoy entrenando en el teclado, y tú los observas mientras los entrenas para ser piloto. Así que lo hacemos, en realidad todavía lleva años.

Algunos de los que ayudamos a construir el robot comenzaremos en Sol 0, que es el comienzo cuando aterrizamos una misión en Marte. Después, muy rápidamente, entre medio año y un año, comenzamos a recibir el siguiente grupo de personas.

Porque si nos fijamos en las misiones, pueden estar en Marte durante mucho tiempo, por lo que es necesario contar con gente capacitada para hacerlo.


ACERCA DE LOS ANFITRIONES

Sam Ransbotham (@ransbotham) es profesor en el departamento de sistemas de información de la Carroll School of Management de Boston College, así como editor invitado de la iniciativa Grandes Ideas de Inteligencia Artificial y Estrategia Empresarial del MIT Sloan Management Review. Shervin Khodabandeh es socio senior y director general de BCG y colíder de BCG GAMMA (la práctica de IA de BCG) en Norteamérica. Se le puede contactar en shervin@bcg.com.

Me, Myself, and AI es un podcast colaborativo de MIT Sloan Management Review y Boston Consulting Group y está presentado por Sam Ransbotham y Shervin Khodabandeh. Nuestro ingeniero es David Lishansky y los productores coordinadores son Allison Ryder y Sophie Rüdinger.