Saša Tomić
Este artículo fue tomado del documento «IA y gestión del agua: lo que las empresas de servicios públicos necesitan saber ahora». Encontrarás el artículo completo aquí.
Si desea comprender las oportunidades y barreras para el uso de la IA por parte de la industria del agua, es útil comprender cómo funciona la IA, cómo ha cambiado recientemente y dónde estamos ahora con la tecnología (y por qué eso es importante).
En primer lugar, «Inteligencia Artificial (IA)» es un término amplio que abarca diferentes campos y aplicaciones. Algunos definen ampliamente la IA como la capacidad de una computadora para imitar el aprendizaje humano y la resolución de problemas. Otros piensan en la IA como una rama de la ciencia en la intersección de la informática y la neurología, porque es necesario entender cómo piensan los humanos para que una computadora imite el proceso de pensamiento humano.
Hoy en día, la mayoría de las IA son Inteligencia Artificial Estrecha (ANI), también llamada «IA Estrecha», porque se centran únicamente en resolver una tarea o problema específico. Por ejemplo, en el sector del agua utilizamos la visión por computadora, un campo de IA que analiza imágenes y videos, acelerando drásticamente un proceso existente en el que las personas inspeccionan las imágenes de las cámaras de circuito cerrado de televisión (CCTV) de alcantarillado para identificar defectos en las tuberías. La visión por computadora para este propósito podría considerarse una IA estrecha porque solo necesita poder diferenciar entre una tubería limpia, una tubería con un defecto o algo en una tubería, como un trapo o un animal. No tiene que ser demasiado inteligente; Su inteligencia es relativamente estrecha. Y eso es más o menos donde estábamos hasta hoy con la IA: la mayoría de las aplicaciones de IA emplean inteligencia artificial estrecha.
Imagen de CCTV que muestra mapache en tubería
Poco a poco estamos entrando en lo que se llama Inteligencia General Artificial (AGI), a veces denominada «IA general». AGI se refiere a los sistemas de IA que son capaces de realizar una amplia gama de tareas intelectuales que generalmente se asocian con la inteligencia humana, como el razonamiento, la resolución de problemas, el aprendizaje y la percepción.
Si bien ha habido un progreso significativo en el desarrollo de sistemas de IA en los últimos años, solo estamos comenzando a lograr una verdadera AGI. Algunos argumentan que los chatbots y los vehículos autónomos autónomos son AGI porque están programados para responder a estímulos, en contraste con la IA estrecha, que solo tiene que marcar algo que no se ajusta a un patrón y alertar a un humano para que intervenga.
Si un vehículo autónomo, por ejemplo, ve a una persona herida en medio de la carretera, tiene que decidir hacer algo, y su decisión es crítica. Si bien conducir alrededor de la persona herida puede ser una solución, no es la mejor. Al mismo tiempo, el AGI no sería un AGI si todo lo que supiera hacer fuera alertar a alguien y preguntar, ¿qué hago ahora? Tiene que reconocer y lidiar con el problema inmediatamente deteniéndose, desviándose del camino o alguna otra respuesta. Es vital para que el vehículo funcione con éxito, y si la IA falla, afecta negativamente a la sociedad.
La Super Inteligencia Artificial (ASI), también conocida como «Super AI», viene después de AGI. Este es el tipo de IA por la que puede elegir preocuparse, pero no tiene que preocuparse por eso ahora, porque no estamos cerca de ese tipo de inteligencia artificial. La súper IA es en gran medida una forma hipotética futura de inteligencia artificial que es trascendental. Supera la inteligencia humana, es consciente de sí mismo y puede pensar por sí mismo. No hay un ejemplo del mundo real de súper IA, pero puedes mirar Skynet de la querida franquicia Terminator si quieres considerar el poder potencial y los riesgos de un ASI ficticio. Una vez más, no estamos cerca de este tipo de IA, y es posible que no lo logremos (o queramos hacerlo).
¿Cómo aprende la IA y en qué se diferencia la IA de hoy del pasado?
No podemos hablar sobre el progreso de la IA en la industria del agua, o en general, sin hablar del aprendizaje automático. La IA aprende a través del aprendizaje automático. Hay muchos tipos de aprendizaje automático, pero hoy en día el más popular son las redes neuronales artificiales (RNA), un proceso que intenta imitar la forma en que los humanos aprenden. Las RNA son capas de nodos de procesamiento vinculados que simulan la forma en que funciona el cerebro humano. La RNA más básica requiere solo unas pocas capas de nodos de procesamiento (RNA pequeña). Este tipo de IA se considera «no profunda» y es limitada porque requiere intervención humana para aprender de sus errores.
Aprendizaje automático (ML) frente a aprendizaje profundo (DL)
Como ejemplo, en el sector del agua utilizamos la visión por computadora para acelerar drásticamente un proceso existente en el que las personas inspeccionan las imágenes de CCTV de las tuberías de alcantarillado para identificar defectos en las tuberías. Ahora, digamos que una IA basada en un modelo básico de ANN está «en entrenamiento» para identificar defectos en las tuberías. Esta IA «no profunda» puede mejorar pidiéndole a su supervisor humano que clasifique las imágenes que no puede categorizar, como una bolsa de plástico en una tubería. Podría ver una bolsa de plástico, por ejemplo, y le preguntará a su supervisor humano, ¿qué es esto? El humano codificará la cosa como un «escombro flotante». A medida que la IA aprende, puede continuar pidiendo códigos a su supervisor humano cuando ve diferentes flotables. Pero eventualmente, la IA verá suficientes flotables que deje de pedir apoyo, porque aprendió a reconocer una bolsa de plástico sin más intervención humana.
En estos días, sin embargo, tenemos cada vez más IA que utiliza RNA más avanzada. Este es un tipo avanzado de aprendizaje automático que se llama aprendizaje profundo. Y a diferencia del aprendizaje automático clásico, el aprendizaje profundo no requiere intervención humana para aprender. Tiene la capacidad de mejorarse a sí mismo aprendiendo de sus propios errores. Pero aquí está la cosa: el aprendizaje profundo requiere grandes cantidades de datos de entrenamiento, potencia de procesamiento y tiempo para aprender con el fin de producir resultados precisos. Los modelos más nuevos de IA de alcantarillado utilizan el aprendizaje profundo.
El punto es que la inteligencia artificial primero debe aprender mediante el uso del aprendizaje automático, ya sea que la IA se base en un modelo ANN básico o en un modelo de aprendizaje profundo. Y a medida que aprenda, cometerá errores y aprenderá de sus errores, con intervención humana o sin ella, dependiendo del tipo de aprendizaje automático que emplee la IA.
Pero a diferencia de los humanos, cuando una IA comete un error y ese error se corrige, nunca debería volver a cometer el mismo error. Y eso es importante cuando se consideran las oportunidades que enfrenta el sector del agua con el desarrollo y la adopción de soluciones de IA.
Porque los humanos se cansan. Se enferman. Se olvidan. Se retiran y se llevan consigo su experiencia duramente ganada. Los humanos no tienen la capacidad de transferir la experiencia a la siguiente «versión» del operador, mientras que una IA lo hace por defecto.
Los nuevos operadores continuarán cometiendo errores en cada generación hasta que cada generación gane la experiencia, pero la IA no lo hará después de aprender de sus errores. Y eso representa una oportunidad en el sector del agua porque si permitimos que estas soluciones de IA aprendan de sus errores y mejoren cada vez más, ese conocimiento mejorado a través de la colaboración con los humanos puede expandirse a toda la IA en la industria del agua y más allá.
Barreras para la adopción de la IA en el sector del agua
A pesar de que las computadoras ahora son lo suficientemente rápidas y hay más y más datos para emplear la IA de aprendizaje profundo en el sector del agua que cambiará drásticamente la forma en que opera la industria, la industria enfrenta barreras únicas para adoptar nuevas tecnologías. En primer lugar, la industria del agua está fuertemente impulsada por la regulación en lugar de las ganancias. En segundo lugar, el sector se ocupa de un recurso que sostiene la vida y la salud humanas y, por esta razón, es reacio al riesgo. Esas dos características deberán superarse para facilitar la adopción de la IA en el sector del agua.
En primer lugar, las presiones regulatorias tienen un fuerte impacto en la tecnología que adopta nuestro sector. Por ejemplo, los modelos hidráulicos solían ser muy esqueletizados, pero cuando la Agencia de Protección Ambiental de los Estados Unidos (EPA) ordenó que las empresas de servicios públicos monitorearan los residuos de cloro en los sistemas, y les dio a las empresas de servicios públicos la opción de sustituir los resultados del modelo por observaciones de campo, de repente, la tecnología de modelado de todas las tuberías explotó, lo que también se volvió beneficioso de otras maneras.
No sabemos qué regulaciones surgirán que puedan empujar al sector a adoptar más soluciones de IA. Por ejemplo, podría haber requisitos para que las empresas de servicios públicos optimicen sus costos masivos de energía. La EPA estima que los sistemas de agua potable y aguas residuales utilizan el dos por ciento del uso total de energía en los Estados Unidos, generando 45 millones de toneladas de gases de efecto invernadero anualmente. Las regulaciones que requieren que las empresas de servicios públicos optimicen su uso de energía pueden impulsar al sector a adoptar tecnologías de IA más rápido, porque esas tecnologías de IA pueden ayudar a resolver los desafíos del uso de energía.
En segundo lugar, la IA puede cometer errores y lo hará, y ese hecho choca con la aversión al riesgo del sector de los servicios de agua. Eso significa que en lugar de que el sector del agua permita que la IA intervenga y tome decisiones a la velocidad que hemos visto con los automóviles sin conductor, por ejemplo, el sector probablemente adoptará un enfoque más lento. Probablemente será más como una colaboración entre IA y humanos en el sector del agua, comenzando con AI haciendo sugerencias y brindando apoyo a la decisión.
En lugar de autos completamente autónomos, Water AI proporcionará un control de crucero suave que también proporcionará sugerencias a los operadores que podrían optimizar la toma de decisiones.
Ahí es donde entran en juego los «gemelos digitales». En la industria del agua, un gemelo digital es una réplica digital de los activos y el rendimiento de los servicios públicos, como una red de sistema de agua. Un gemelo digital puede emplear aplicaciones de aprendizaje automático, por lo que los ingenieros y operadores pueden probar el resultado de las decisiones antes de tomar esas decisiones en el mundo real.
Eventualmente, sin embargo, nuestro sector se sentirá cómodo con las sugerencias de IA para permitirle tomar decisiones cada vez más impactantes. Ya tenemos sensores que encienden y apagan bombas, por ejemplo. Con la IA, podemos ser más inteligentes cuando se utiliza la energía de la bomba. Y eso no significa necesariamente que los trabajos de servicios públicos desaparecerán. En cambio, los operadores de servicios públicos que carecen de tiempo y recursos entregarán tareas tediosas a una IA en la que confían, para que puedan concentrarse mejor en otros aspectos de sus pesadas cargas de trabajo que requieren inteligencia humana.
#QatiumExperts
Qatium está co-creado con expertos y líderes de opinión de la industria del agua. Creamos contenido para ayudar a las empresas de servicios públicos de todos los tamaños a enfrentar los desafíos actuales y futuros.
Saša Tomić, Digital Water Lead en Burns & McDonnell, es asesor de Qatium.
