Aqualia
Connecting Waterpeople
Caudales ecológicos en el Tajo

El ecosistema de la inteligencia artificial en la gestión de activos del ciclo integral del agua

  • ecosistema inteligencia artificial gestión activos ciclo integral agua

Sobre el blog

Miguel Ángel Rodriguez Núñez
Técnico de Inteligencia Operacional y SCI en Emasesa. Master en Ingenieria y Gestión del Mantenimiento. Master en Mantenimiento Industrial y Técnicas de Diagnóstico.
web

Las empresas gestoras del ciclo integral del agua disponen de una gran variedad de activos ya sean físicos o intangibles por ello uno de sus objetivos prioritarios, en línea con la gestión pública sostenible, es realizar una gestión eficaz del ciclo de vida de los activos desde el momento de su adquisición hasta la finalización de su vida útil y reciclado.

Nuestras empresas cuentan con una diversidad de instalaciones importantes, lo que hace que tengan que plantearse una gestión de activos no convencional sino evolucionada, que contemple todo el ciclo de vida integral del activo. Se trata de pasar de una gestión de tipo correctivo basada en un mantenimiento de este tipo a otra de tipo predictivo, prescriptivo e incluso cognitivo basada en la predicción, optimización y los sistemas BRMS (Sistemas de gestión de reglas de negocio). En estos sistemas el análisis continuo mediante técnicas de Inteligencia Artificial (iA) es una de las bases para gestionar eficazmente el ciclo de vida del activo. En este terreno las técnicas de ML se presentan como una oportunidad para ayudarnos a ser más eficaces en su gestión aunque podemos encontrarnos con problemas variopintos en su aplicación.

Desde desconocer si los datos cuentan con la calidad necesaria para construir un buen modelo, no identificar claramente quién es el responsable de los datos y por extensión cuáles son las áreas que deberían estar involucradas en la toma de decisiones hasta verse forzado a realizar una reingeniería sobre los datos recibidos para poder tratarlos correctamente o desconocer qué variables son sensibles y qué controles de seguridad se deben aplicar en cada caso.

A menudo la dirección de la empresa cree que, disponiendo de un software apropiado, una persona que trabaje con los datos y datos suficientes, la aplicación de las técnicas de machine learning sobre los datos de los activos de la empresa genera resultados de forma inmediata, pero nada más lejos de la realidad. Las empresas trabajan con la creencia de que lo que deben hacer para implementar la inteligencia artificial en sus procesos es elegir la herramienta de análisis correcta, capacitar a la persona adecuada y que una vez que estos elementos se resuelvan, el resto vendrá por añadidura. Desarrollar un modelo de ML es relativamente fácil lo difícil es todo lo que viene antes y después. La ingesta de datos con la granularidad, velocidad y calidad suficientes de manera consistente para entrenar un modelo de ML es compleja, sin contar conque luego hay que hacer que esta predicción se traduzca en una acción correcta que genere valor.

Para que la aplicación de la inteligencia artificial a nuestros procesos sea un éxito necesitamos un ecosistema adecuado que tenemos que definir si queremos obtener verdadero valor y un ROI adecuado de la inversión en estos proyectos.

Estrategia global para la aplicación de la inteligencia artificial

Es necesario disponer de una estrategia que contemple aspectos como el entorno de desarrollo, aplicación, ética en el uso de la iA y todo coordinado desde la dirección. Hay que evitar lo que cada vez se repite con mas frecuencia en este y otros sectores que es que cada departamento adquiera por su cuenta una aplicación específica de inteligencia artificial que con una adecuada planificación estratégica podría ser de utilidad a varios objetivos de distintos departamentos.

Publicidad

Hay que coordinar esfuerzos para optimizar recursos y resultados. La analítica de los datos de proceso se extenderá en la industria del agua y al final el punto de inflexión estará en las técnicas en lo algoritmo de detección y la visualización de los datos. El factor diferencial serán los algoritmos utilizados, la calidad del dato, y los mecanismos de visualización.

Una parte importante de esta estrategia es la comunicación, cada vez más los datos e inteligencia artificial son más relevantes en nuestras actividades. Hay que explicar a los usuarios como esta impactando la lógica de estos sistemas en el entorno del cliente, en las decisiones que toma y en su vida diaria. En suma, necesitamos empresas maduras para poder adoptar estas técnicas y poder obtener los mejores resultados posibles.

Gobierno de los datos de los sistemas de control industrial (ICS)

Por Gobierno de los datos entendemos la gestión integral de los datos del entorno ICS de una organización para asegurar su disponibilidad, usabilidad, integridad y seguridad en su totalidad. Es asegurar que los datos siempre se han validado y son fiables en cada momento. Una adecuada gestión ofrece como resultados los siguientes:

  1. Crear valor a los datos
  2. Facilitar el cumplimiento de metas y objetivos
  3. Establecer una base confiable para la toma de decisiones
  4. Administrar el riesgo

El gobierno de los datos no solo exige mucho trabajo y consistencia a lo largo del tiempo, sino que también exige una adecuada administración y organización. Debemos evitar registros duplicados, información incorrecta o no documentada, pérdida de tiempo en consultas y falta de espacio de almacenamiento. Es fundamental conservar la calidad del dato en lo que se refiere a los procesos, técnicas, algoritmos y operaciones encaminados a mejorar su calidad.

Pruebas de concepto (PdC) versus ML as a service

Una vez definida la estrategia y el data management será el momento de preguntarnos si queremos implantar la inteligencia artificial de forma autónoma mediante pruebas de concepto o con la ayuda de un tercero a través de la contratación de plataformas MlaaS tales como Azure, Google o BigML. Las PdC nos permiten mantener el conocimiento de los modelos generados y el control del desarrollo en todo momento, al contratar una plataforma vamos de su mano, compartiendo datos y objetivos y por tanto desarrollos de negocio.

Es recomendable comenzar por las pruebas de concepto para asegurarse de que realmente la aplicación de las técnicas de machine learning ofrecen un ROI positivo. No hay que dejarse seducir por determinadas tecnologías o paquetes software que construyen plataformas importantes con grandes consumos de recursos tanto económicos como humanos sin que se centren en los casos de uso fundamental para nuestras empresas.

Infraestructura del ecosistema de inteligencia artificial

Para lograr que las implementaciones del ML aporten lo que prometen y resulten verdaderamente rentables no basta con mirar el caso de negocio. La clave estará en construir una arquitectura de datos convenientemente estructurada que ayude a conseguir los objetivos planteados y proporcione a la empresa ventajas competitivas a largo plazo. El reto es contar con la infraestructura y calidad de los datos suficiente para poder ejecutar estos proyectos de inteligencia artificial. Esta infraestructura estará acorde al objetivo de negocio trazado y su alcance.

Talento en inteligencia artificial

Para lograr los resultados esperados necesitamos buenos ingenieros que puedan asegurar el flujo de datos de punta a punta, arquitectos de datos que definan estándares de desarrollo, científicos de datos capaces de interpretar el problema y modelarlo con técnicas de ML y personal experto en nuestros procesos que pueda entender de que se está hablando desde el punto de vista de los resultados y que haga de puente con los equipos técnicos, para saber cuáles son las posibilidades de explotar estas relaciones de datos para obtener los mejores retornos de capital.

Disponer de personal propio, conocedor de los procesos y con capacidades y formación en técnicas de Inteligencia Artificial es esencial para crear el ecosistema adecuado para la implementación de la inteligencia artificial en la gestión de los activos del ciclo integral del agua.

La colaboración nos hará mas fuertes

Los datos son el futuro de nuestra economía, los modelos que mejores resultados generen se aplicarán a todos los niveles y generarán mejoras ostensibles en la gestión integral de nuestros activos. Un modelo excelente será protegido con su correspondiente patente para generar múltiples beneficios, por ello es importante articular fórmulas de colaboración entre las empresas del sector que tenemos activos parecidos para generar modelos de aprendizaje automático lo más homogéneos y parametrizables posibles para que obtengan los mejores resultados y compartir esta información.

Quiero terminar haciendo hincapié en una idea, estamos en un punto en el que nuestras empresas pueden elegir entre ser meros consumidores de modelos prediseñados e integrados en aplicaciones de alto coste o ser fuente generadora de valor e I+D en el campo de la inteligencia artificial mediante desarrollos personalizados y adecuados para nuestros procesos, de la decisión que se tome hoy dependerá el modelo económico del mañana.

Te puede interesar

Redacción iAgua

La redacción recomienda

03/02/2020 · Digitalización · 191

BIM

BIM
23/12/2019 · Digitalización · 255 1
e-mantenimiento 4.0