Aqualia
Connecting Waterpeople

Datos, machine learning y agua 4.0

1
163
  • Datos, machine learning y agua 4.0

Sobre el blog

Miguel Angel Rodriguez Nuñez
Técnico de Automatización y Sistemas de Control en Emasesa. Master en Ingenieria y Gestión del Mantenimiento. Master en Mantenimiento Industrial y Técnicas de Diagnóstico. Ingeniero Técnico Industrial.
web
Almar Water Solutions
Minsait
· 163
1

La mejora de la productividad y la eficiencia están ligadas a la disponibilidad de una gran cantidad de información de nuestros procesos y a la mejora en la toma de decisiones. En este contexto, disponer de datos en tiempo real en cantidad y calidad de los que podamos extraer conocimiento útil se hace imprescindible. El aprendizaje automático (machine learning ML, punta de lanza de la inteligencia artificial) utiliza una gran variedad de técnicas estadísticas para identificar patrones y anomalías en los datos que se le suministran sin que sea necesario especificar dónde tiene el algoritmo que buscar.

Los algoritmos de ML simulan a nivel básico el comportamiento humano y "aprenden" a entregar resultados cada vez más precisos. En entornos distintos a los de nuestro sector, los posibles errores que contengan los datos son despreciables dada la ingente cantidad de ellos que se dispone (Amazon, Movistar, Google, etc). Sin embargo, en una actividad tan crítica cómo es el ciclo integral del agua, un error de medición puede causar efectos negativos que afecten a la población suministrada.

Mediante el ML podemos obtener predicciones operativas más rápidas y precisas que los sistemas basados en reglas, umbrales de alarma o tendencias. Pueden ayudarnos a encontrar los patrones ocultos que existen de forma eficiente, pero son muy sensibles a los datos erróneos dando lugar a predicciones alejadas de la realidad y con poco valor productivo. Fallos de comunicación, errores en la calibración señales que quedan fuera de servicio o incluso el mantenimiento no programado pueden hacer de un programa efectivo de aplicación de ML en nuestras empresas un fiasco absoluto.

Para que un modelo de ML sea efectivo se necesitan datos de calidad que hayan sido correctamente filtrados y organizados, estas etapas pueden consumir aproximadamente el 70% del proceso total de análisis y modelización. El término calidad, cuando se aplica a los datos obtenidos de los procesos asociados al ciclo integral del agua, tiene sentido cuando el dato se adecúa al uso que se pretende dar, es decir, el dato de calidad es aquel que es útil para el fin que se utilizado, es fácil de entender e interpretar y por último es correcto. Para asegurar la calidad del dato es necesario que creemos un sistema que permita crear un ciclo de vida completa de calidad de datos, generando una metodología propia dentro de la empresa que protocolice todo el proceso para su obtención y análisis.

Disponer de un sistema automático de filtrado y de errores, plataformas eficaces para el intercambio de información entre sistemas corporativos y un estándar que normalice la información que se intercambia y analiza mejora la calidad de los modelos desarrollados tanto si el análisis se realiza de forma interna en la empresa como si se externaliza en una empresa especializada.

Es necesario que formemos a nuestros especialistas en procesos es estas técnicas de análisis para que actúen como verdaderos científicos de datos y extraigan el conocimiento oculto. Nadie como ellos conoce nuestros procesos y, por tanto, nadie como ellos podrá comprender las relaciones últimas existentes entre las variables. De esta forma nuestros análisis nos ayudarán a entender el ciclo integral del producto para adoptar soluciones, no sólo parciales que afecten a determinados procesos sino totales que mejoren la eficiencia y productividad a todos los niveles de la empresa.

Siendo el objetivo de nuestras organizaciones la gestión eficiente y sostenible de nuestros procesos mediante la adopción de nuevas tecnologías para ofrecer mejores servicios a nuestros clientes (Agua 4.0) debemos avanzar en este camino. No podemos quedarnos en el simple análisis de los datos, hay que construir un sistema de sistemas, un circuito cerrado en el que el dato procedente de nuestros procesos pase en tiempo real desde campo, a través de un sistema de filtrado y adecuación, a un sistema de inteligencia artificial que analice los datos, aplique los modelos existentes y ofrezca resultados precisos para evolucionar de una analítica descriptiva a otra cognitiva centrada en la toma de decisiones inteligentes. Este sistema de análisis trasversal, gestionado por personal que conoce los procesos, deberá ser capaz de combinar distintos tipos de metadatos, procedentes no sólo de nuestros procesos sino también del entorno financiero, planificación de recursos y gestión del mantenimiento de los activos.

Comentarios

La redacción recomienda