La industria atraviesa actualmente una triple revolución: digital, ecológica y social. Este cambio se explica, en particular, por la multiplicación de sensores en las instalaciones industriales, un marcado entusiasmo por las energías renovables, la toma de conciencia de nuestro impacto en el medio ambiente y los ahorros que pueden lograrse a nivel energético.
Dorian Grosso fue responsable de la I+D de inteligencia artificial (IA) en METRON, y su principal misión era eliminar las barreras tecnológicas relacionadas con la IA. Le preguntamos sobre la función que puede desempeñar la inteligencia artificial en la búsqueda de un mayor rendimiento energético a nivel industrial. ¿Cómo interactúa con los humanos en la toma de decisiones? ¿Cuáles son las características específicas de la solución METRON?
¿Cómo se puede definir la inteligencia artificial?
Concretamente, el objetivo de la IA es desarrollar técnicas matemáticas y algoritmos que permiten generar en las máquinas la capacidad de reproducir, en ciertos aspectos, una inteligencia real. Esta definición estándar refleja la visión que tenía Alan Turing de la inteligencia artificial en la década de 1950. Según la prueba inventada por el célebre matemático, la inteligencia artificial alcanzaría su apogeo cuando un humano ya no sería capaz de saber si interactúa con un hombre o con una máquina.
Más específicamente, se pueden distinguir dos tipos principales de inteligencia artificial.
- La IA simbólica generalmente se materializa como un árbol de decisiones predefinido. La decisión final es el resultado de una sucesión de respuestas formales a preguntas estructuradas según reglas lógicas. De hecho, la IA simbólica es determinista y fácil de explicar. Este tipo de inteligencia artificial también se conoce como «sistema experto» y se ha utilizado ampliamente en la industria para la toma de decisiones simples. Por ejemplo, si la temperatura dentro de un horno es inferior a 1500 °C, se debe aumentar el flujo de combustible en uno de los quemadores.
- La IA conexionista, llamada así en referencia a las redes neuronales, se basa en algoritmos capaces de integrar una gran cantidad de parámetros y de aprender escenarios a partir de ejemplos empíricos (fase de aprendizaje). Este tipo de IA ha ganado terreno hoy en día. El aumento de la potencia de procesamiento de las computadoras, la capacidad de recolectar grandes volúmenes, flujos y variedades de datos, nos ha permitido unir redes neuronales profundas, es decir, entrenarlas de manera eficiente para que realicen correctamente la tarea para la que se las entrenó en nuevos ejemplos nunca vistos durante la fase de aprendizaje. Estos algoritmos pueden intervenir en varios niveles del proceso con el objetivo de lograr optimizaciones energéticas.
Esquema de la IA simbólica (izquierda). Esquema de la IA conexionista (derecha).
¿Cuáles son los límites de la IA?
Mucha gente atribuye a la IA capacidades inconsideradas. Si bien se han realizado avances considerables en los últimos años, aún se deben eliminar varios obstáculos tecnológicos y fundamentales.
La IA simbólica es fácil de explicar; sin embargo, es relativamente rígida y puede resultar rápidamente ineficaz frente a problemas complejos. Por el contrario, la IA conexionista permite resolver tareas complicadas y, por tanto, puede aplicarse al modelado estadístico de procesos industriales, al modelado de funciones de costos, a la predicción del consumo eléctrico, etc. Sin embargo, en algunos casos, los resultados probabilísticos de la IA conexionista pueden ser difíciles de interpretar.
De manera más general, ¡los límites de la inteligencia artificial son múltiples y de orígenes diversos! Pueden ser:
- externos, cuando la falta de datos, la mala calidad de los datos o una comprensión deficiente de la problemática energética pueden conducir a algoritmos ineficientes;
- inherentes al problema tratado, cuando la cantidad de variables independientes que describen el problema es demasiado grande y la cantidad de ejemplos empíricos disponibles para entrenar el algoritmo es demasiado baja. En este caso, nos referimos al flagelo de la dimensionalidad;
- sociales, por ejemplo, ¿cuál es la tasa de error aceptable para los responsables de un establecimiento industrial en caso del control automático de una máquina muy costosa? La confianza es fundamental, pero la aprehensión del tema también es generacional. Hace falta tener habilidades pedagógicas para convencer y no buscar sustituir a los humanos. Estamos avanzando en un proceso de acompañamiento con un fuerte componente energético.
¿Cuáles son las características específicas de la IA desarrollada por METRON?
En METRON, estamos diseñando una IA híbrida que combina los dos tipos de inteligencia artificial (simbólica y conexionista). Este enfoque innovador, que combina la ontología y el aprendizaje automático, se implementa en tres etapas.
La ontología, en síntesis
La ontología es una base de conocimiento estructurada que contiene modelos de datos que representan conceptos, así como las relaciones entre estos conceptos.
En la ontología de METRON, transcribimos el conocimiento humano del mundo industrial. Por ejemplo, definimos todos los dispositivos (compresor, enfriador, etc.), las acciones que realizan los dispositivos (comprimir un fluido, etc.) o incluso las propiedades físicas inherentes a los fluidos energéticos (presión, grado de humedad, etc.). Uno de los objetivos de la ontología es definir el conjunto de los conceptos de manera genérica una sola vez. Luego, los conceptos se pueden reutilizar de un proyecto a otro, lo que aumenta significativamente la escalabilidad de nuestra solución.
También podemos ensamblar conceptos definidos dentro de la ontología, como piezas de Lego, para construir el gemelo digital de las instalaciones industriales. De este modo, digitalizamos:
- la configuración de las instalaciones industriales, es decir, el modo en que se interconectan las máquinas a través de redes energéticas cuyo flujo está orientado;
- el significado técnico de los datos obtenidos por los sensores. Las series temporales de los sensores están vinculadas a las propiedades técnicas almacenadas en la ontología;
- el conocimiento de los fabricantes de máquinas. Los datos clave de las fichas técnicas se pueden almacenar en la ontología.
Además, la ontología cuenta con un «razonador semántico» o «motor de inferencia». Tenemos varios tipos de inferencia, incluida la inferencia de reglas lógicas. Por ejemplo:
- si se conecta una red eléctrica a un dispositivo, se atribuye automáticamente al dispositivo la propiedad de «energía eléctrica consumida»;
- si un sensor mide una energía, podemos calcular automáticamente la potencia equivalente, etc.
De este modo, propagamos instantáneamente un conjunto de reglas técnicas a través del gemelo digital.
Después de estos dos pasos, identificamos y sugerimos un conjunto de parámetros que se pueden optimizar en las instalaciones industriales. En esta instancia entran en juego los algoritmos de aprendizaje automático. El gemelo digital nos ha permitido contextualizar los datos, lo cual es fundamental. Los algoritmos luego adquieren autonomía, son «conscientes» del entorno en el que operan y podrán acceder fácilmente a los datos que necesitan.
Entonces podemos predecir el consumo eléctrico de los equipos, modelar los dispositivos y los procesos para establecer referencias y funciones de costos, detectar desviaciones, etc. El objetivo es poder minimizar las funciones de costos relacionadas con las emisiones de CO2, los costos de energía o incluso el impacto psicológico, al tiempo que se respetan todas las restricciones técnicas (restricciones físicas, restricciones de calidad y de volumen de producción, etc.).
¿Cómo usa METRON su IA para aumentar las capacidades del Director de Energía?
Es importante comprender que la IA no está destinada a reemplazar a los humanos. El objetivo, por el contrario, es apoyarlos en sus intervenciones sobre el terreno. Desde el operador in situ hasta el director de planta y el Director de Energía, METRON busca facilitar el trabajo de todos los interesados para que puedan concentrarse en sus tareas de alto valor agregado.
Los algoritmos de IA pueden procesar con facilidad grandes volúmenes, flujos y variedades de datos y, en última instancia, pueden aprehender de manera muy general el funcionamiento de sistemas industriales complejos, lo que en algunos casos le llevaría un tiempo considerable a un experto en energía.
A través de nuestra plataforma, nuestro motor de inteligencia artificial puede realizar análisis complejos rápidamente y brindar un resumen al usuario con el fin de que pueda tomar la mejor decisión en un momento clave. Podemos indicar al usuario la mejor trayectoria de los parámetros de control que se puede implementar (ya sea en un horno para vidrio, una planta de aire comprimido o una línea de producción de chocolate), para mejorar el rendimiento energético. El operador podrá implementar las recomendaciones ya sea manualmente o mediante un sistema de control de comandos en tiempo real. También brindamos una visión global (agrupación de instalaciones) y local (más cercana a las máquinas) de los flujos de energía y de los índices de rendimiento, como las ganancias obtenidas.
El motor de inteligencia artificial de METRON y los humanos son, por tanto, complementarios.
La solución tecnológica propuesta por METRON aprovecha al máximo la IA al combinar los dos tipos de inteligencia artificial: la simbólica y la conexionista. La IA simbólica permite obtener una base ontológica a partir del conocimiento humano de los técnicos que trabajan sobre el terreno. De ese modo, es posible crear un gemelo digital de la fábrica. La implementación de algoritmos de aprendizaje automático luego completa el sistema para proponer optimizaciones. A nivel del rendimiento energético industrial, la IA permite realizar simulaciones en un contexto preciso. Pero de ninguna manera está destinada a reemplazar a los humanos, que siguen siendo los tomadores de decisiones sobre las acciones que se implementarán en la práctica. ¿Desea saber más sobre la solución METRON?
