MLAD: el aprendizaje automático para la detección de anomalías.

Uf. Gracias a Dios se acabó. El año más espantoso conocido por la mayoría de nosotros por fin ha terminado, finito, fertig. Esperemos que, como repetimos todos, 2021 sea mejor, total, no puede ser peor, ¿no?

Durante 10 meses del año pasado, prácticamente todo el mundo estuvo en un estado de shock permanente. Y no me refiero solo a la población mundial; las empresas privadas y las economías nacionales también se vieron muy afectadas. Por desgracia, un campo que no se ha visto afectado en absoluto, sino que se ha beneficiado enormemente de la pandemia, es la ciberdelincuencia. Con la gente encerrada, trabajando desde casa y pasando mucho más tiempo online significaba que había muchas más víctimas potenciales de ciberdelitos listas para el ataque. Y no solo los usuarios individuales, sino también las empresas: con los empleados en casa, muchas redes corporativas fueron atacadas porque no estaban lo suficientemente protegidas. Con las prisas por hacer que todos trabajasen en remoto durante la primavera, no se dio prioridad a la seguridad. En resumen, el status quo digital del mundo entero también se vio gravemente afectado por este virus del infierno.

Como resultado del aumento de la ciberdelincuencia, en particular los ataques dirigidos a las redes corporativas vulnerables, el sector de la ciberseguridad ha estado más activo que nunca. Sí, ¡eso nos incluye a nosotros! El 2020 para nosotros como Kompañía resultó ser de lo más productivo. Por ejemplo, la cantidad de nuevas versiones de nuestras soluciones lanzadas a lo largo del año ha sido impresionante, sobre todo de cara al sector empresarial.

También hemos tenido nuevas versiones en nuestra línea de soluciones de ciberseguridad industrial, una de las que quiero hablar hoy: una tecnología conocida como MLAD. No debe confundirse con los sitios de vídeos divertidos online o con las abreviaturas en inglés de dosis analgésica local mínima y arteria descendente anterior media izquierda. Nuestro MLAD es la abreviatura en inglés de Aprendizaje automático para la detección de anomalías.

Si eres un lector habitual de nuestros blogs, es posible que recuerdes algo sobre esta tecnología nuestra. Tal vez no. De todos modos, aquí te dejo un repaso, por si acaso…

Nuestro MLAD es un sistema que utiliza el aprendizaje automático para analizar los datos de telemetría de las instalaciones industriales y detectar anomalías, ataques o averías.

Imaginemos que tienes una fábrica con miles de sensores instalados, algunos miden la presión, otros la temperatura, otros, cualquier otra cosa. Cada sensor genera un flujo constante de información. Es imposible que un empleado lleve un registro de todos esos flujos, pero para el aprendizaje automático, es un paseo. Habiendo entrenado preliminarmente una red neuronal, MLAD puede, basándose en correlaciones directas o indirectas, detectar que algo anda mal en una determinada sección de la fábrica. Al hacerlo, se pueden evitar daños millonarios o multimillonarios causados ​​por incidentes potenciales que no se cortan de raíz.

Ok, esa es la idea general de lo que hace la tecnología MLAD. Permíteme ahora intentar informar sobre la escala granular del análisis que realiza MLAD utilizando una metáfora médica…

Seguramente tengas una pulsera de actividad que te indica la frecuencia cardíaca y la cantidad de pasos que has dado, pero no mucho más. El dispositivo solo cuenta con un par de sensores, eso es todo. Digamos que los médicos tienen un dispositivo más avanzado con muchos más sensores para poder monitorizar otras cosas, como la presión arterial, el recuento de glóbulos blancos, etc. Pero llevemos esta monitorización hipotética de lo que sea un paso más allá: digamos que los médicos tienen un dispositivo con un trillón de sensores conectados en todo el cuerpo; de hecho, en cada vaso sanguíneo, cada célula nerviosa y prácticamente en todas partes, transmitiendo datos telemétricos constantemente. Por supuesto, una cantidad tan enorme de datos a escala granular seguramente ayudará a los médicos a identificar esto o aquello que podría no estar del todo bien en el cuerpo de un paciente y que requiere un tratamiento, pero el médico realmente lo está analizando: qué dolor de cabeza (también detectado por los sensores). Y con un aleteo de capa y unos calzoncillos ajustados sobre un par de medias, acudimos al rescate del médico sobrecargado… ¡no es Superman, son nuestras tecnologías!

Ok, introducción/resumen de lo que hace MLAD, hecho. Ahora seguiré con sus nuevas actualizaciones…

La primera actualización importante de MLAD se llama Pipeline. No debe confundirse con la tercera pista de Construction Time Again, esta es una función que permite dividir el análisis de telemetría en diferentes partes.

La mayoría de las personas tienen dos brazos, dos piernas y un número predeterminado de otros órganos. Saber que a todos les está yendo un poco bien en general (no estás enfermo de una forma u otra) es bueno, por supuesto. Pero saber cómo le está yendo a cada órgano del cuerpo por sí solo sería mucho mejor. En la práctica, este principio se aplica en cosas como proyectos de Modelado de información de construcción (BIM, por sus siglas en inglés): en cada habitación hay un sensor de ventana, un termómetro, un indicador del régimen de funcionamiento del aire acondicionado, etc. Por lo tanto, en lugar de agrupar todo el edificio en un solo modelo, nos encontramos ante un minimodelo para cada habitación. Más simple, más elegante, con el análisis más preciso y relevante.

La segunda gran actualización se llama Trainer. No, no es la última oferta de New Balance, nuestro Trainer permite a la empresa que utiliza MLAD volver a entrenar los algoritmos según sea necesario, sin nuestra participación. Y ese reentrenamiento se requiere con bastante regularidad: las materias primas cambian, se ajusta un proceso, se agrega un filtro, etc. Volviendo a las metáforas médicas… Si cambias lo que comes (no más comida basura y solo opciones saludables, o al revés), los resultados de tus análisis de sangre también cambian. De igual modo, las lecturas típicas de los sensores pueden cambiar después de un ajuste de proceso, por lo que la red neuronal debe recibir una nueva norma, y ​​eso se hace ahora con un botón.

También ha habido algunos ajustes y mejoras en la interfaz. Por ejemplo, MLAD ahora puede mostrar una descripción general de los datos de un tipo de sensor para todo el objeto y trazar un “mapa” del esquema de producción con una presión o temperatura determinadas para todo el flujo de trabajo. Y en el futuro (¡avance!), tenemos planeado dibujar modelos en 3D de objetos bajo demanda con todas las lecturas, para que sea posible la localización de anomalías para el ojo inexperto.

He dejado el dato más divertido para el final: Esta tecnología es tan genial que nos hemos encontrado con un problema inesperado e inusual. Al principio, las empresas clientes no creen que todo lo anterior sea posible y solo después de una demostración práctica de las capacidades de MLAD comienzan a darse cuenta de que no nos inventamos nada y de lo que puede ayudarles en su trabajo… Sus ojos vuelven a la normalidad después de una hora más abiertos que unos platillos.

¿Impresionado? Si es así y deseas más información, sigue este enlace. Allí encontrarás estudios de casos y un par de vídeos de demostración muy ingeniosos.

Y eso es todo, amigos ¡y mantenerse a salvo!