Cómo reparar hornos de microondas con WEKA: una herramienta de nueva generación

Los multímetros, los cautines, los osciloscopios, los desarmadores y demás herramientas que un técnico en electrónica o un ingeniero precisan en su lugar de trabajo, siguen siendo medios necesarios para la consecución de los fines para los que fueron concebidos; pero como yo lo veo, esas herramientas convencionales distan mucho de ser suficientes. Solo asómese a YouTube y vea lo que un profesional en esta esfera de actividad es capaz de hacer, y comprenderá mejor lo que quiero decir: la competencia es feroz.

Herramientas y máquinas de la nueva y próxima generación

Quien esté deseando sobresalir de entre todo ese mar de competitividad, no le va a alcanzar con un taller desprovisto de herramientas de nueva generación. En el contexto de esta publicación, una herramienta de nueva generación es una herramienta inteligente que nos ayuda a localizar la falla en un equipo y recomienda los componentes que hay que reemplazar, así como las acciones correctivas que deben efectuarse para que el equipo vuelva a funcionar.

Ya en ensayos anteriores expliqué cómo es que una máquina aprende a reparar equipos electrónicos y cómo puede usted aprovechar esa inteligencia artificial para montar un taller que lo distinga de toda esa miríada de competidores que mencioné con anterioridad. Porque si usted hace un excelente trabajo en menos tiempo y a un menor costo, tenga la seguridad de que ello redundará en un mayor número de recomendaciones de boca en boca.

A diferencia de las herramientas convencionales, la herramienta que en breve estaré describiendo está dotada de inteligencia artificial, pues como expliqué en un artículo anterior, posee un historial de reparaciones que le permite aprender de los expertos, partiendo del consenso de sus opiniones (para una explicación detallada de este mecanismo, véase: Aprendizaje de máquina para legos: la inteligencia artificial explicada con “manzanitas», también de mi autoría).

Pronto comenzaremos a ver máquinas inteligentes que reparan otras, y quizás en un futuro cercano, máquinas que se reparan así mismas. Y no estoy hablando de ciencia ficción. Si hoy en día su servidor ya pudo implementar una herramienta para reparar hornos de microondas con WEKA, no veo por qué no, los electrodomésticos de la próxima generación ya vengan equipados con mecanismos tolerantes a fallas, que les permitan recuperarse después de una descompostura, sin la intervención de un técnico calificado. Independientemente del costo que implique su fabricación y lo factible que pueda llegar a ser su demanda, los aparatos de la próxima generación van a contribuir de manera significativa a mejorar nuestro medio ambiente (el consumidor promedio ha sido aleccionado para usar y desechar todo lo que compra). Pero bueno, haciendo a un lado las ventajas ecológicas y todos los demás beneficios y polémicas que pudiera suscitar el empleo de semejantes piezas de ingeniería, hoy por hoy ya podemos echar mano de programas de computadora para transformar una PC o una laptop, en una herramienta inteligente que ayuda a reparar equipos electrónicos de todo tipo.

De la misma manera en que convertí una laptop en una herramienta que ayuda a reparar hornos de microondas, estoy desarrollando ya herramientas que ayudan a reparar televisiones, DVDs, refrigeradores, ventiladores, etc. ¿Que cómo lo estoy haciendo? en seguida se lo explico.

Aprendiendo a fabricar herramientas inteligentes con WEKA

WEKA es un programa de cómputo (software) que la Universidad de Waikato desarrolló para que personas como usted y como yo pudiéramos analizar e interpretar datos, sin conocer a fondo los algoritmos matemáticos que emplea la minería de datos. WEKA es el acrónimo de Waikato Environment for Knowledge Analysis, que significa “Entorno de la Universidad de Waikato para el Análisis del Conocimiento”, y es un software libre distribuido bajo la licencia GNU-GPL.

En lo que sigue, voy a ejemplificar cómo usé WEKA para construir la primera de una serie de herramientas inteligentes que le facilitarán mucho el trabajo, tanto si usted ya es un profesional técnico calificado, somo si no lo es. Si ya lo es, puede usted solicitar una membresía de 4 horas para que en ese tiempo aprenda a instalar y a utilizar WEKA. Una vez con ese conocimiento, usted ya podrá construir la herramienta que quiera, o bien extender su membresía a una de 12 horas para que pueda comenzar a reparar hornos de microondas de inmediato con WEKAProMic.

WEKAProMic: Herramienta inteligente para reparar hornos de microondas con WEKA

En la imagen adjunta presento la pantalla que WEKA desplegó inmediatamente después de haberle pedido que abriera el historial de reparaciones cuyo formato especifiqué en mi ensayo anterior. El diagrama de barras que aparece en esta misma captura de pantalla proporciona un informe del número de casos que en cada reparación, correspondió a una marca de horno de microondas en particular (pulse sobre la imagen para agrandarla). Así por ejemplo, vemos que del total de reparaciones efectuadas, se registraron 10 casos en los que la marca del horno resultó ser General Electric, otros 8 en los que fue Amana y así sucesivamente para los demás casos. Asimismo, al seleccionar la localización de la falla en el recuadro de atributos, notamos que en el 22% de los casos, las fallas se producen en el circuito de alta tensión (pulse sobre la imagen de la derecha). Antes de reparar mi primer horno de microondas, yo no tenía idea de qué tan importante podía ser ese dato, mientras averiguaba porqué ese horno hacía tanto ruido y no calentaba.

Después de analizar el caso más a fondo, decidí desconectar el primario del transformador principal y medir el voltaje que le estaba llegando desde la tarjeta de control (relevadores, capacitores, transistores y muchas otras cosas más), y fue así como mi multímetro registró alrededor de 120 volts de C.A. Ese hecho fue lo que me dio la pauta para determinar con mayor certeza, el lugar de la falla. Viéndolo en retrospectiva y regresando al histograma de la captura de pantalla inmediata anterior, es evidente que WEKA hubiera resultado de gran ayuda si en ese entonces alguien me lo hubiera presentado.

No obstante, es claro que esas estadísticas no nos van a servir de mucho a la hora de identificar con precisión, los componentes y las acciones correctivas que debemos realizar para consumar la reparación. Es por ello que apelé a las técnicas de la minería de datos para implementar WEKAProMic: el sistema de aprendizaje de máquina cuyo modelo conceptual propuse en Aprendizaje de máquina para legos: la inteligencia artificial explicada con “manzanitas”.

Si no ha leído ese ensayo, le recomiendo que lo haga antes de seguir leyendo, pues a menos que conozca los fundamentos de dichas técnicas, podría tener problemas para comprender el apartado que sigue.

Agrupando el historial de reparaciones para descubrir tendencias y similitudes con WEKAProMic

Se le llama clasificación (clustering) al procedimiento que emplea WEKA y otros programas de minería de datos para dividir una base de conocimientos en grupos con atributos afines. En nuestro caso particular, la base de conocimientos está representada por el historial de reparaciones en hornos de microondas. La estrategia a seguir entonces es realizar varios experimentos hasta que la máquina descubra, a través de un algoritmo de clasificación, el grupo en el que mejor encaja el caso del horno de microondas que se ha de reparar.

En la imagen adjunta muestro el resultado del primer experimento, en el que le solicité a WEKA dividir el historial en 10 grupos. Como se ve, el caso del horno que hacía ruido y no calentaba quedó clasificado en el grupo (cluster) No. 1; pero aunque la máquina intuyó que la falla podía estar en el circuito de alto voltaje y que el reemplazo de componente(s) debía ser la primera acción correctiva a efectuar, ésta no fue capaz de especificar cuáles debían ser esos componentes (pulse sobre la captura de pantalla para agrandarla). Tuve que llevar a cabo 7 experimentos en total para descubrir cuáles podrían ser los componentes a reemplazar en este caso. La imagen de la derecha ilustra cómo en el sexto experimento la herramienta encontró similitudes muy marcadas entre las tendencias de cada uno de los atributos del grupo 10 y las características del caso por resolver, razón de sobra para clasificarlo en ese grupo. Note cómo la mayoría de los atributos entre ambas columnas de datos se parecen, y cómo aquellos que al principio no eran conocidos (nombre del atributo=Missing), los infiere la máquina a partir de esas similitudes.

A pesar de que en esta ocasión el historial se dividió en 16 grupos, WEKAProMic tampoco pudo determinar los componentes a reemplazar. Como consecuencia de lo anterior, tuve que realizar un experimento más (recuerde que para ver los detalles es necesario pulsar sobre cada imagen).

Y fue en el séptimo experimento en donde finalmente conseguí que la herramienta me mostrara el componente que a su juicio debía ser reemplazado. Como se infiere de la imagen adjunta, éste resultó ser ni más ni menos que el magnetrón. Y aunque a simple vista uno pensaría que este experimento es el mismo que el anterior, en este último el número de grupos en los que dividí el historial fue de 20, en contraste con los 16 del anterior. Asimismo, note que el grupo 10 de este experimento consta de 7 casos, a diferencia de los 9 que se juntaron cuando ensayé con 16 grupos.

Con esa información, un técnico, un ingeniero o incluso una persona sin muchos conocimientos en electrónica, podría reparar un horno de microondas más fácilmente, que alguien que no contara con una herramienta como WEKAProMic.

Sin embargo, no hay que olvidar que para que un caso se convierta en uno de éxito, el responsable de la reparación debe conocer las medidas de seguridad que debe observar para no sufrir un accidente, así como aprender a probar componentes y saber cómo medir variables eléctricas. En el siguiente ensayo explicaré cómo se debe descargar el capacitor que todo horno de microondas trae consigo, en su circuito de alta tensión.

© Sergio López González. 4 de septiembre de 2020

---

 

Aprendizaje de máquina para legos: la inteligencia artificial explicada con «manzanitas»

Este ensayo está dedicado a los legos (dummies) en los asuntos relacionados con la inteligencia artificial y el aprendizaje de máquina. Un lego es una persona que aún desconociendo la jerga empleada por los versados en una materia, desea enterarse de lo más relevante a cerca de los temas que ésta trata. El propósito del presente trabajo es entonces describir de manera clara y concisa, los aspectos clave del aprendizaje de máquina y la inteligencia artificial.

El aprendizaje requiere de una base de conocimientos

Los seres humanos solemos aprender de los errores que cometemos y de los éxitos que alcanzamos. No obstante, cuando nos enfrentamos a un problema cuya solución desconocemos, tendemos a buscar ayuda en un consejero, un mentor, un maestro, o incluso en ese entrañable amigo. La exposición a una condición desconocida, tal vez sea una de las mejores oportunidades que el ser humano tiene para retar a su inteligencia, por no decir a la supervivencia, y quizás sea eso de lo que está hecho una persona: la actitud que adopta ante los reveses de la vida.

Aquellas personas que creen saberlo todo, no acostumbran pedir la opinión de los demás para resolver sus problemas, quizás para demostrarles que son autosuficientes. Sin embargo, para una máquina que está aprendiendo algo, esas personas no estarían siendo muy inteligentes.  El no contar con un consenso de opinión podría ocasionar que uno pierda el rumbo y la asertividad. Las máquinas aprenden por consenso, a partir de la experiencia reflejada en un historial de datos que constituye una base de conocimientos.

Una base de conocimientos no es más que una colección de eventos o casos de estudio que contienen las recomendaciones que un número considerable de expertos registró en el pasado, para dar solución a los diferentes problemas que tuvieron que enfrentar en su esfera de actividad. A fin de ilustrar este concepto, me di a la tarea de registrar en una hoja de Excel, las reparaciones que una serie de técnicos e ingenieros llevaron a cabo en los equipos electrónicos de algunos de sus clientes. Cada uno de esos aparatos presentaba diferentes síntomas, mismos que los expertos identificaron como principales responsables de su mal funcionamiento. ¿Qué nombre le pondría usted, querido lector, a esta base de conocimientos?

¿Que le parece Historial de Reparaciones?
Para ilustrar qué es y de qué se compone una base de conocimientos, en la hoja de cálculo adjunta muestro el aspecto que presenta un historial de reparaciones de hornos de microondas. Note cómo cada renglón de la tabla contiene las características de una reparación en particular, es decir, un registro dividido en varios segmentos o campos en los que aparece la marca del electrodoméstico en cuestión, el modelo, los síntomas que presentaba al momento de experimentar la falla, las acciones corrrectivas que tuvieron lugar para llevar a cabo la reparación, así como los componentes electrónicos que se cambiaron para completar el trabajo (pulse sobre las imágenes adjuntas para agrandarlas). Como se ve, a cada columna de la tabla le correspondió una característica de la reparación. El caso etiquetado con el No. 35 por ejemplo, estuvo caracterizado junto con otros 9 síntomas más, por un horno de la marca Samsung modelo RE-705TC que no calentaba bien, encendía y arrancaba normalmente, no producía arcos eléctricos en su interior y no desprendía olor a material eléctrico quemado (son 14 síntomas en total, de los cuales solo he mostrado 5 por razones de espacio y claridad en la exposición).

Note que la localización de la falla, las acciones correctivas y los componentes que hay que reemplazar para completar el trabajo, son los atributos que el especialista determina a la hora de reparar el aparato, y son éstos los que una máquina tendrá que determinar en casos posteriores, una vez que aprenda a reparar hornos de microondas a partir de ese mismo historial. ¿Pero cómo es que una máquina puede aprender a reparar hornos de microondas? Pues muy fácil, urgando en las experiencias pasadas para detectar las tendencias implícitas en esa base de conocimientos.

Las tendencias

Casi a diario oímos o vemos en la Internet que un suceso se ha convertido en tendencia porque se puso de moda en alguna de las redes sociales de mayor popularidad. Curiosamente, también el concepto estadístico de moda connota predominio o mayoría dentro de un conjunto de datos (derecha). Un video, un meme o cualesquier otra cosa que circule por una red social, se convierte en tendencia por el hecho de producir una gran cantidad de visitas o seguidores. Análogamente, para resolver un problema una máquina necesita consensuar, es decir, detectar tendencias en las opiniones de los expertos.

Pero antes de regresar a la base de conocimientos asociada a nuestro historial de reparaciones, explicaré con «manzanitas», lo que tendría que hacer una máquina para consensuar y merecer el calificativo de inteligente. Para ello, supongamos que nos han encomendado la tarea de clasificar a las frutas en diferentes grupos, en función de los siguientes cuatro atributos: color, forma, tamaño y sabor. De acuerdo con esto, supongo que ni usted ni yo tendríamos problemas para distinguir un plátano de una naranja, o una sandía de una manzana.

Si tuviéramos que clasificar una penca de plátanos machos, una de dominicos y otra de los del tipo tabasco, por descontado que a todos ellos los agruparíamos dentro de la categoría plátano. Lo mismo aplica para la categoría manzana, en donde las de California (las rojas), las Fuji y las Golden (las verdes), no tendrían por qué suscitar confusión. ¿Pero qué me dice si tuviera que clasificar una toronja en alguno de los grupos mencionados? ¿En qué categoría la ubicaría? ¿A qué se parece más una toronja: a un plátano, una manzana, una sandía o a una naranja? Sin duda, a una naranja.

Una máquina que nunca ha probado una toronja, la clasificaría atendiendo a las similitudes que va a encontrar entre ésta y el grupo de naranjas, basándose en las tendencias de sus atributos, es decir, en los valores que predominan (consenso) dentro de cada atributo. Así por ejemplo, la tendencia en el grupo de las manzanas está dada tanto por su forma como por su tamaño (la mayoría de las manzanas guardan mucha similitud tanto en su tamaño como en su forma, no así en su color); la tendencia en la sandía está representada por su tamaño, que sería el atributo que más la distingue de las demás frutas (ciertamente, hay sandías pequeñas; pero no tanto como una manzana o una naranja). Asimismo, existe un gran consenso en lo que toca a la forma del plátano (usted no va a encontrar manzanas, naranjas o sandías en forma de plátano). Esa es la tendencia del plátano.

Si usted no hubiera probado nunca una toronja, estaría en las mismas condiciones que una máquina, y no tendría por qué crear un grupo exclusivo para las toronjas, dado que éstas se parecen más a las naranjas que a los plátanos, las sandías y las manzanas. En este contexto, al igual que una máquina, usted clasificaría a una toronja en particular como naranja, comparando las tendencias de cada uno de los atributos de los grupos, con los atributos de la toronja, aun cuando en este caso desconociera su sabor (sabor=?).

La inteligencia artificial es deductiva y no conoce de sabores

Llegados a este punto, ya podemos aplicar el concepto de tendencia a nuestro historial de reparaciones electrónicas, para entender mejor cómo una máquina nos puede ayudar a reparar un horno de microondas. A reserva de que en mi próxima publicación de a conocer con qué herramienta de software vamos a implementar el sistema de aprendizaje de máquina que aquí estoy proponiendo, a continuación explico cómo es que la máquina localiza la falla en un equipo, y de qué manera sugiere tanto las acciones correctivas como los componentes que deben reemplazarse para que el equipo funcione.¿Se fijó usted cómo en el apartado anterior expresé el hecho de que cuando uno no conoce de antemano el valor de un atributo, coloca el signo de interrogación delante del signo de igualdad? (sabor=?).

Pues bien, de la misma manera en que en nuestra analogía de las frutas fuimos capaces de clasificar a la toronja en el grupo de las naranjas, a pesar de que ni la máquina ni usted conocían el sabor de la toronja, lo que nos corresponde hacer ahora es clasificar en diferentes grupos, las reparaciones con atributos afines, aunque no sepamos qué es lo que tiene el horno de microondas que nos toca reparar (ej. localización de la falla = ? y acción correctiva = ?).

Mediante esta analogía, espero resulte claro cómo las características de un equipo que se ha de reparar, van a presentar cierta similitud con las tendencias de los diferentes atributos que caracterizan a cada grupo de reparaciones, tal y como lo hicimos con las frutas. Aquí, la categoría de cada fruta es el análogo de un grupo de reparaciones muy parecidas entre sí. Y por si todo esto no fuera suficiente, considere, a modo de ejemplo, las siguientes tres analogías:

1) Plátanos vs. grupo de reparaciones No. 1,  en donde la mayoría de los casos dentro de este grupo (tendencias) correspondieron a hornos de la marca General Electric que no calentaban y emitían un extraño ruido (atributo sonido normal=N en el historial de reparaciones). El consenso de opiniones en este grupo en lo que toca al componente que hay que reemplazar es el magnetrón (que equivale a la forma=curva del plátano).

2) Manzanas vs grupo de reparaciones caracterizado por las siguientes tendencias: al abrir la puerta se enciende la lámpara y se ponen en marcha el ventilador y el plato giratorio. La mayoría era marca Samsung (otra tendencia) y en casi todos los casos el problema se resolvió reemplazando un interruptor de puerta (switch door): un consenso que la máquina detectó al calcular la moda del atributo componente 2. Identifiquemos a este grupo con el no. 2.

3) Naranjas vs. grupo de reparaciones caracterizado por una marcada tendencia a no encender. Siendo este el caso, el problema se resolvería reemplazando el fusible de línea, por ser éste el consenso de opiniones de los expertos implicados en este grupo de reparaciones. Sea éste el grupo No. 3.

En la imagen de la izquierda muestro los atributos de un equipo que se pretende reparar y que corresponde al último renglón de la tabla, en donde ha quedado registrado un horno de la marca Daewoo que no calienta y que emite un ruido muy extraño durante su operación. El resto de sus síntomas son normales y se espera que una máquina ubique el lugar de la falla, las acciones correctivas que se deben efectuar, así como los componentes que hay que reemplazar para que el horno vuelva a calentar (pulse sobre la imagen de la derecha para que vea cómo al ingresar este último registro en la hoja de Excel, los valores de estos últimos campos son precisamente los que deseamos conocer, y es por eso que en cada atributo aparece una interrogación). Y como seguramente ya lo habrá adivinado, la maquina clasificó a este caso por resolver en el grupo No. 1, para el que es menester reemplazar el magnetrón a fin de que este horno en particular funcione nuevamente. Note cómo el horno a reparar no era precisamente un General Electric y sin embargo, al ser clasificado, heredó los atributos del grupo en el que a «juicio» de la máquina encajaba mejor. Como veremos en mi próxima publicación, en donde antes aparecía el signo ?, el registro asociado a esta reparación heredó los siguientes valores, por contener atributos muy parecidos a las tendencias de su grupo:

Localización de la falla=circuito de alto voltaje; acción correctiva1 = reemplazo de componente(s); acción correctiva2 = ninguna; componente1 = magnetrón; componente2 = componente3 = componente4 = componente5 = ninguno

¿Magia?, no, simplemente inteligencia artificial. De la misma manera en que la máquina concluyó que una toronja podía ser clasificada como una naranja sin conocer su sabor, y que igual supondría que un membrillo es una manzana, un nuevo caso de estudio se puede resolver encontrando el grupo de reparaciones en donde mejor encaja aquél.

Agradecimiento

Deseo hacer patente mi agradecimiento a mi amigo el Ing. Leonel Monroy del Río, por su interés en que este sitio y el de la Fundación Micromédix mejoraran, así como por las opiniones que tuvo a bien externar, para que unos temas tan intrincados como el aprendizaje de máquina (no supervisado) y la inteligencia artificial, pudieran quedar al alcance de cualquier ciudadano de a pie.

© Sergio López González. 30 de agosto de 2020

---

 

Herramienta inteligente para reparar equipos electrónicos fácilmente

Hoy más que nunca, el modelo tradicional de educación técnica profesional está colapsando, y no solo como resultado de lo que se ha dado en llamar la «nueva anormalidad». A raíz de los estragos que ha causado la pandemia del coronavirus, el desempleo se ha convertido en otra amenaza viral, metafóricamente hablando, y en un entorno tan hostil como éste, se complica mucho transmitir el conocimiento en la modalidad presencial, en el tiempo que se requiere y en el formato educativo acostumbrado.

Educar a la vieja usanza implica querer resolver los problemas de hoy con las herramientas de ayer. Y no es que las herramientas de ayer se hayan vuelto obsoletas, es que no son suficientes. Como veremos a continuación, para acelerar el aprendizaje de un oficio que debe desempeñarse con maestría, requerimos de herramientas más inteligentes.

El caso concreto de la reparación de fallas en equipos electrónicos y electrodomésticos

En el caso específico del ramo de la electrónica, estimo que el aspirante a técnico profesional desearía estar cobrando por sus reparaciones, incluso antes de convertirse en un experto. Con el nuevo paradigma de enseñanza que aquí propongo, eso es completamente posible. En principio, nadie querría dejar la reparación de su computadora, su horno de  microondas o su televisor, en manos de un aprendiz, y si usted les preguntara a Robert Greene [1] y a Malcom Gladwell [2] lo que esperan de un experto, seguramente le responderán que nadie puede llegar a dominar una determinada esfera de actividad, sin haberse consagrado a ella durante al menos 10,000 horas. Aunque estoy de acuerdo con ambos, es menester puntualizar aquí la diferencia que puede haber en los medios y las herramientas a las que podemos recurrir para cumplir con ese requisito de tiempo. Asimismo, lo que voy a plantear en breve repercute también en lo que mucha gente podría argumentar, a propósito de que si uno no tiene talento para algo, ni con 20,000 horas de arduo esfuerzo podría alcanzar el éxito.

Para Greene, el cabal dominio de un esfera de actividad es un proceso que se desenvuelve en 3 fases o niveles sucesivos: el de aprendizaje, el de la fase creativa-activa y la maestría propiamente dicha, en la que nuestro grado de conocimiento, experiencia y concentración llega a ser tan profundo, que es así como podemos tener una perspectiva completa de lo que hacemos. Aunque él no lo dice explícitamente, a juzgar por la cantidad de líneas que dedica en su libro a la fase de aprendizaje, calculo que más del 50% del proceso le corresponde a este nivel.

Así las cosas, si usted consigue reducir el número de horas que debe dedicarle al aprendizaje, echando mano de una herramienta inteligente que le diga dónde está la falla del equipo que está intentando reparar, qué acciones correctivas debe realizar y qué componentes tiene que reemplazar para solucionar el problema, creo que no va a necesitar de 10,000 horas para que sus clientes y amigos comiencen a llamarle «maestro».

Herramienta inteligente para la localización de fallas y la reparación de equipos

La herramienta inteligente que en un artículo posterior estaré describiendo con lujo de detalle, no es otra cosa que una computadora personal o una laptop provista de un programa de minería de datos y una base de conocimientos. Esta combinación de elementos de cómputo conforman un sistema de aprendizaje de máquina, en la que cualquier técnico o ingeniero se puede apoyar para localizar y reparar fallas en equipos electrónicos.

Evidentemente, usted va a tener que aprender también a probar el estado de los componentes y a tomar las medidas de seguridad pertinentes, a fin de que pueda manipularlos sin correr ningún riesgo. Mi labor como instructor consiste en proporcionarle la asesoría necesaria durante el proceso al que hace referencia Greene (ob. cit), con miras a que aprenda cómo realizar ambas tareas.

Una vez que cuente con ese conocimiento y el sistema de aprendizaje automático (de máquina) para la localización y la reparación de fallas, estará listo para trabajar. En un lenguaje sin tecnicismos, en artículos posteriores explicaré los fundamentos del aprendizaje de máquina, qué precauciones se deben tomar para no sufrir un accidente de trabajo durante una reparación, y cómo se puede aplicar este nuevo paradigma de educación, a la hora de reparar un horno de microondas.

El nuevo modelo de enseñanza

El objetivo del sistema de aprendizaje de máquina es hacer de usted un profesional técnico totalmente autónomo, en muy poco tiempo. Mi labor terminará cuando usted sienta que ha alcanzado el nivel de maestría, no en el sentido académico del término, sino en el que Greene le da al dominio de un oficio. Lo que un aspirante a técnico en electrónica va a encontrar aquí, no tiene nada que ver con lo que un programa de educación técnica convencional le puede ofrecer.

Mi programa de entrenamiento en línea consiste de un servicio de asesoría técnica aplicada a una serie de problemas concretos a resolver a través de Skype, Zoom, Messenger o en su defecto WhatsApp. Cada sesión constituye un taller, en el que el aprendiz termina reparando un equipo ya sea de su propiedad o de un cliente, en un formato que le permite cobrar de inmediato por el conocimiento adquirido.

En este orden de ideas, usted estará en posibilidad de comenzar a ganar dinero por cada reparación que efectúe, mientras su servidor y una máquina inteligente le enseñamos cómo hacerlo (know how). Si bien al principio todo eso redundará en un gasto por la capacitación proporcionada, poco a poco usted adquirirá confianza y experiencia en estos menesteres, hasta que definitivamente ya no me necesite. En el peor de los escenarios, sus clientes estarán financiando su capacitación sin tener conocimiento de ello. En el mejor de los casos, además de estar solventando los gastos de su capacitación, su taller podría estar generando ganancias.

Valiéndose del sistema de aprendizaje automático, al igual que la máquina, usted estará aprendiendo en cada reparación: cuáles son los síntomas típicos de cada equipo; qué componentes hay que reemplazar en cada caso; cómo se puede saber si éstos están en buenas condiciones y qué acciones correctivas debe uno realizar para completar la reparación.

Como habrá advertido, en este nuevo paradigma educativo, no existe un temario predefinido, pues los temas a abordar dependerán de los problemas que se deban resolver y de los equipos que se tengan que reparar. Desde esta óptica, la educación se realiza sobre demanda, desde el domicilio del aprendiz y en los horarios que mejor convengan a éste, previa cita concertada con el que suscribe. De acuerdo con esto, cada vez que usted enfrente una nueva experiencia, la máquina fungirá como un mentor, y el conocimiento acumulado en el historial de reparaciones que yo le estaré obsequiando en la compra de una membresía de 12 horas de instrucción, la estará usted ampliando y enriqueciendo cada vez que encuentre un nuevo reto y lleve a cabo la correspondiente reparación.

© Sergio López González. 28 de agosto de 2020

---

REFERENCIAS

[1] Greene Robert. Maestría. Editorial Océano.
[2] Gladwell Malcom. Fueras de Serie. Por qué unas personas tienen éxito y otras no. Punto de Lectura, 2008.