Connecting Waterpeople

Descifrando Enigma

1
196
  • Descifrando Enigma

Sobre la Entidad

Grupo INCLAM
Grupo internacional, dentro del Mercado Alternativo Bursátil, que se dedica al sector de la ingeniería del agua y el cambio climático. Gracias a su expansión dispone de delegaciones en Latinoamérica y Caribe, España, África Subsahariana y Asia.
· 196
1

Temas

En 1939, los padres de la informática Alan Turing y Joan Clarke crearon una máquina llamada “La Bomba Criptográfica”. La utilidad de la máquina fue desencriptar las comunicaciones alemanas durante la Segunda Guerra Mundial. Alemania cifraba sus comunicaciones con otro artilugio llamado la “Máquina Enigma”, que se consideraba virtualmente inquebrantable.

Las bases en las que se sustenta La Bomba Criptográfica son sencillas, aunque su funcionamiento es endiabladamente complejo. El procedimiento -muy muy simplificado- era el siguiente: se conocían a priori algunos textos de los que constaba un mensaje encriptado alemán, como la predicción meteorológica o algunos títulos de secciones. A partir de ahí, la máquina buscaba por fuerza bruta la configuración que, entre trillones de combinaciones posibles, desencriptaba las partes conocidas y por ende el mensaje completo.

Ilustración 1 Réplica de la Bomba Criptográfica. Bletchley Park, Inglaterra.

Volviendo a la actualidad, es muy relevante resaltar que nadie ha encontrado una solución más efectiva al problema que la implementada por Turing y Clarke. En lo que sí se ha avanzado enormemente es en las tecnologías que soportan la resolución de este tipo de problemas. En este artículo vamos a tratar de esbozar una de ellas, el aprendizaje profundo, que utiliza exactamente los mismos principios que la Bomba Criptográfica para obtener un resultado a partir solamente del entrenamiento con ejemplos conocidos, obteniendo soluciones correctas independientemente de que se conozca o incluso exista matemática que modele el problema real.

El aprendizaje profundo atrae mucha atención con importantes razones de peso, ya que está consiguiendo resultados que antes no eran posibles en multitud de disciplinas. Actualmente es una tecnología clave presente en los vehículos autónomos que permite reconocer señales de tráfico o distinguir entre peatones y farolas. Es también fundamental en el control mediante voz de dispositivos como teléfonos, tabletas, televisores y altavoces manos libres. Mediante este tipo de aprendizaje, un modelo informático aprende a realizar tareas de clasificación directamente a partir de imágenes, texto, sonido, series temporales o cualquier otro tipo de información susceptible de algún tipo de clasificación, obteniendo una precisión en este proceso que supera con creces el rendimiento humano en no pocas ocasiones.

Las bases en las que se sustenta La Bomba Criptográfica son sencillas, aunque su funcionamiento es endiabladamente complejo

Aunque las primeras teorías sobre el aprendizaje profundo se desarrollaron en la década de los ochenta, existen dos razones principales por las que solo ha empezado a resultar útil recientemente:

  1. Los modelos se entrenan mediante un inmenso conjunto de datos etiquetados y arquitecturas de redes neuronales que a su vez contienen multitud de capas. Por ese motivo, se requieren grandes cantidades de datos que hasta hace muy poco eran imposibles de obtener.
  2. El aprendizaje profundo requiere una potencia de cálculo realmente grande. Las GPU de alto rendimiento o los microprocesadores más modernos en combinación con clústers y el cálculo en la nube, permiten en la actualidad reducir el tiempo necesario para el entrenamiento de una red de aprendizaje profundo de semanas a horas o incluso menos.

¿Cómo funciona el aprendizaje profundo?

En los últimos meses se escucha a menudo el comentario de que es virtualmente imposible conocer cómo llegan a conclusiones las inteligencias artificiales más modernas, incluso los propios programadores no saben cómo se ha llegado a la solución. Pues bien, vamos a dar luz a ese tema esbozando cómo funcionan realmente las inteligencias basadas en aprendizaje profundo.

La mayor parte de los métodos emplean arquitecturas de redes neuronales, por lo que, a menudo, estos modelos se denominan redes neuronales profundas. El término “profundo” hace referencia al número de capas ocultas en la red neuronal. Las redes neuronales tradicionales solo contienen dos o tres capas ocultas, mientras que las redes profundas pueden tener más de cien.

En realidad, el aprendizaje profundo es una técnica de aprendizaje automático que enseña a los ordenadores a hacer lo que resulta natural para las personas: aprender mediante ejemplos. Aprovechar la capacidad de aprender directamente de los datos es la fortaleza fundamental de esta tecnología, y la característica que permite automatizar la resolución de problemas que han sido imposibles de afrontar hasta ahora. Bien debido a que los tiempos de computación eran enormes o a que directamente no se conocían completamente las características fundamentales de los datos para poder clasificarlos.

La extracción de características es el proceso de determinación de aquellas que permiten clasificar una entrada a la red. Dicha extracción es la limitación más importante de las redes neuronales clásicas, dado que es necesario conocer a priori cuáles son las características que permiten clasificar una entrada de un modo u otro. El entrenamiento de los modelos profundos se realiza mediante el uso de inmensos conjuntos de datos etiquetados y arquitecturas de redes neuronales que aprenden directamente a partir de los datos, sin necesidad de una extracción manual de características fundamentales para un caso.

Si una inteligencia artificial basada en una red neuronal profunda detecta un coche en una imagen, es absolutamente cierto que es virtualmente imposible saber cómo ha llegado a la conclusión de que ese coche estaba ahí. La red neuronal ha extraído sus propias características en función del entrenamiento aplicado, y no hay forma de sabes cuáles de ellas ha aplicado y en qué orden para una determinada entrada.

El entrenamiento de los modelos profundos se realiza mediante el uso de inmensos conjuntos de datos etiquetados y arquitecturas de redes neuronales que aprenden directamente a partir de los datos

Campos de aplicación

Las aplicaciones de aprendizaje profundo se utilizan en sectores muy variados. Algunos de ellos son:

  • Conducción autónoma: en el ámbito de la automoción se emplea el aprendizaje profundo para detectar automáticamente objetos tales como señales de tráfico, semáforos o peatones.
  • Sector aeroespacial y defensa: el aprendizaje profundo se utiliza para identificar objetos desde satélites que localizan áreas de interés e identifican las zonas seguras o no seguras para las tropas.
  • Investigación médica: la investigación del cáncer utilizan el aprendizaje profundo para detectar células cancerígenas de forma automática.
  • Automatización industrial: el aprendizaje profundo está ayudando a mejorar la seguridad de los trabajadores en entornos con maquinaria pesada, gracias a la detección automática de personas u objetos cuando se encuentran a una distancia no segura de las máquinas.
  • Electrónica (CES): el aprendizaje profundo se usa en la audición automatizada y la traducción del habla. Por ejemplo, los dispositivos de asistencia doméstica que responden a la voz y conocen las preferencias del usuario.

Y el agua ¿qué?

En el sector del agua la utilización de las redes de aprendizaje profundo no se encuentra muy extendida, pero en la actualidad existen algunos campos en los que se utiliza con éxito, y algunos otros en los que su utilización parece muy prometedora.

Hay un programa desarrollado por Center for Hydrometeorology and Remote Sensing (CHRS) de la Universidad de California llamado PERSIANN-Cloud Classification System. El sistema parte de la clasificación de las nubes en imágenes satelitales y proporciona un modelo de precipitación de alta resolución (0.04° x 0.04°) a escala mundial en tiempo real.

Las redes neuronales profundas también tienen la capacidad de ayudar en la gestión de eventos extremos como las avenidas. En este ámbito la tecnología apunta tener un enorme potencial tanto para la detección temprana de zonas de riesgo a partir de cartografía e imágenes de satélite como para la posterior definición de la gestión de infraestructuras a realizar para minimizar los daños.

Otro campo en el que el que este tipo de modelos es utilizado con éxito es el de la predicción de demanda. La predicción de demanda presenta un problema muy importante en lo que respecta a los factores que influyen en el consumo de agua en cada lugar. Las redes profundas ayudan a definir cuáles son los factores relevantes y, fundamentalmente, en qué grado afecta cada uno de ellos. El sistema integral de gestión de redes de abastecimiento WatEner ofrece actualmente el modelado de la demanda diezminutal en todos los sectores urbanos de la ciudad de Karlsruhe con un índice de acierto medio superior al 95% en los volúmenes diarios totales y prácticamente exacto en la detección del momento y volumen de los picos diarios de demanda.

En el campo de la detección de fugas y hurtos en redes de abastecimiento a presión existen actualmente varias herramientas basadas en redes profundas, entre ellas la solución tecnológica WatEner. Las redes profundas permiten la monitorización en tiempo real de caudales y presiones, detectando instantáneamente cuándo una situación se encuentra fuera de lo normal.

El sistema integral de gestión de redes de abastecimiento WatEner ofrece actualmente el modelado de la demanda diezminutal en todos los sectores urbanos de la ciudad de Karlsruhe con un índice de acierto medio superior al 95% en los volúmenes diarios totales

También en el sector de las redes a presión, WatEner utiliza -entre otras tecnologías- las redes profundas para la definición de estrategias de operación, evaluando en tiempo real el riesgo en el servicio y recomendando estrategias de operación razonables y eficientes.

Conclusiones

A modo de conclusión se puede extraer que aunque la evolución de los métodos de resolución de determinados problemas no ha avanzado significativamente, lo que sí lo ha hecho es la tecnología disponible para ello fundamentalmente en dos ámbitos: la capacidad de cómputo y la cantidad de información disponible. Lo que en 1939 fue una auténtica revolución técnica, hoy en día se ha desarrollado de forma exponencial, alcanzando muy diferentes ámbitos de actuación y sectores.

Los avances en la última década en el campo de la sensorización y telemetría, ha llevado a algunas situaciones que en los países anglosajones se denomina “data injection vs data indigestion”. Básicamente significa que se dispone de una inmensa cantidad de datos provenientes de sensores pero no de las herramientas que son capaces de obtener toda la información que esos datos podrían proporcionar. El sector del agua también adolece de ese problema y requiere una reflexión importante al respecto que se debería realizar durante los próximos años.

En definitiva, en la situación actual parece necesario realizar el mismo proceso que sirvió para descifrar la máquina Enigma: innovar tecnológicamente, fundamentalmente aplicando ideas novedosas, que aprovechando la inmensa cantidad de datos ya disponibles sean capaces de gestionarlos para proporcionar soluciones eficientes de la forma más rápida y precisa posible.

La redacción recomienda

11/10/2018 · Eventos · 143 0

Evolución hacia la gestión del Agua 4.0 a través de la Integración

03/07/2018 · Vídeos · 109 1

EPC, una historia de éxito del Grupo INCLAM