Inteligencia Artificial (IA)

Disciplina basada en la construcción de artefactos computacionales que aprenden de la experiencia gracias al uso de datos y que se aplica en diversos problemas.


Período

2012-2023

Sector

Múltiples

Servicio

Inteligencia Artificial (IA)

CONTEXTO

La Inteligencia Artificial es una disciplina basada en la construcción de artefactos computacionales que aprenden de la experiencia gracias al uso de datos y que se aplica en diversos problemas: información estructurada en tablas, predicción de series temporales, visión artificial, procesamiento del lenguaje natural, sistemas de recomendación y análisis clúster. 

En líneas generales, pretende dar solución a las siguientes necesidades: automatización de un procedimiento realizado por un humano, realización de una tarea con mayor precisión que un humano, reemplazo de un proceso computacionalmente costoso y extracción de conocimiento de datos.

Un punto clave es que el aprendizaje tiene lugar gracias al uso de datos, por lo que éstos conforman una parte crucial e imprescindible en cualquier proyecto. Por consiguiente, se suelen identificar varios subcampos dentro de la Inteligencia Artificial en relación con el tipo de dato utilizado.

En primer lugar, y posiblemente el más común en la industria, es el de los datos tabulares. Tal y como su nombre indica, se apoya en datos estructurados en forma de tabla, siendo el principal objetivo predecir el valor de una columna en función de los valores de las otras columnas. Algunos ejemplos de casos de uso serían la predicción de la calidad del aire, la evaluación de riesgos o la detección de fraude.

Dentro de los datos tabulares es posible diferenciar otro subconjunto: las series temporales. Una serie temporal no es más que una secuencia de datos que han sido recolectados a lo largo del tiempo. Por tanto, la finalidad en este tipo de problemas suele ser la predicción del valor de una variable en el futuro. Algunos ejemplos concretos de uso pueden ser la predicción de tráfico, la fuga de clientes o la predicción de la demanda de ciertos productos.

Probablemente la punta de lanza del Deep Learning actualmente es la visión artificial, una rama que se encarga de enseñar a los ordenadores a “ver” y entender el contenido de las imágenes digitales. Es por ello por lo que comprende todas aquellas tareas que parten de datos en formato imagen y cuyo objetivo es predecir distintas variables relacionadas con la misma, como la detección de objetos. Son muchos los casos de uso de la visión artificial basada en Deep Learning, pero destacan algunos como la detección de anomalías en imágenes radiológicas, los sistemas de reconocimiento facial o la interpretación de imágenes satelitales y de drones.

Si existe otro campo dentro de la Inteligencia Artificial que se ha beneficiado tanto de la eclosión del Deep Learning como la visión artificial es el del Procesamiento del Lenguaje Natural (NLP), el cual trata de la interacción entre los seres humanos y las computadoras mediante el uso de lenguajes naturales. Algunas de las aplicaciones más extendidas del NLP dentro de la Inteligencia Artificial son las que involucran textos, como pueden ser la generación de texto, el análisis de sentimiento o los populares chatbots.

Otro campo muy utilizado por algunas empresas es el de los sistemas de recomendación basados en Inteligencia Artificial. Ejemplos de ello serían las plataformas de contenido multimedia o los portales de e-commerce, cuyo objetivo principal es que las sugerencias que hacen a sus clientes se ajusten lo máximo posible a cada perfil de usuario. En general, el empleo de sistemas de recomendación se puede extender a todos aquellos sistemas en los que se requiera de consejos para un tratamiento individualizado de sus usuarios, como el diseño de una enseñanza personalizada.

Por último, debido a su impacto en distintos negocios, merece la pena mencionar el análisis clúster. A grandes rasgos, trata de ganar conocimiento acerca de los datos mediante la identificación de grupos o patrones. Entre sus aplicaciones se podrían citar la segmentación de clientes con el fin de realizar campañas adaptadas, el análisis de datos biológicos o la extracción de tópicos en conjuntos de documentos.


RESULTADOS

En SOLUTE se facilita al cliente una solución 360º a través de la Inteligencia Artificial, que responde a sus necesidades de predicción en ámbitos muy variados como la meteorología, la agricultura o la medicina.


EXPERIENCIA

Desde 2012, SOLUTE acumula una amplia experiencia en el desarrollo de proyectos que emplean la Inteligencia Artificial para resolver diferentes tipos de cuestiones a través de un equipo de científicos de datos al tanto de los últimos avances en este campo. Se ha colaborado con diferentes universidades y centros tecnológicos cuyas líneas de investigación están a la vanguardia de esta disciplina.

Dentro de la marca de servicios de predicción meteorológica de SOLUTE (APHELION), son complejos modelos de Deep Learning los que permiten ofrecer a los clientes una predicción precisa de la producción energética de un parque eólico.

Por otro lado, en colaboración con la Universidad de Salamanca, SOLUTE ha formado parte activa del proyecto EOLIAN, en el que se ha creado un sistema de mantenimiento predictivo que es capaz de detectar funcionamiento anómalo de un aerogenerador anticipándose al fallo de sus componentes. Esto facilita la reparación de estos antes de se produzcan roturas, lo que supone un importante ahorro de tiempo y dinero.

Por último, en el proyecto VIRTUAL AERO se ha trabajado de forma conjunta con Air Institute para elaborar un sistema de recomendación de misiones para la formación de los operarios de aerogeneradores en un entorno virtual 3D.

 El diseño correcto de la campaña de recogida de datos es vital, ya que el desempeño del sistema (IA) estará sujeto a la calidad de los mismos. 

METODOLOGÍA

En base a las necesidades del cliente, se formula el problema que se desea resolver de forma concreta y precisa. Esto permite valorar adecuadamente si tiene sentido y es viable abordarlo mediante el uso de la Inteligencia Artificial.

En caso afirmativo, si aún no se dispone de los datos necesarios, se ha de realizar una campaña de recogida. El diseño correcto de dicha campaña es vital, ya que el desempeño del sistema estará sujeto a la calidad de los datos recolectados. Una vez éstos se han adquirido son preprocesados, etiquetados, versionados y almacenados en los servidores.

A continuación, se realiza un primer análisis exploratorio de los datos (EDA) y se estudian distintos aspectos con el objetivo de ganar un mayor conocimiento, mediante el dibujo de las distribuciones de las variables o el análisis de su correlación, entre otras. Con ayuda del EDA también se estructura el tipo de validación de los modelos que se va a llevar a cabo.

Posteriormente, tiene lugar un proceso iterativo en bucle: entrenamiento del modelo, evaluación de su desempeño, análisis de los resultados y de nuevo exploración de los datos en busca de nuevas pistas que den lugar al diseño de mejores modelos. Se trata de un procedimiento de mejora que termina una vez que se considera que la precisión del sistema es lo suficientemente buena.

Una vez alcanzado el desempeño adecuado, se despliega, se pone en producción y se monitoriza el modelo, incluyendo también todas aquellas acciones de MLOPs que garantizan que el sistema generado es eficiente, mantenible, robusto y escalable.

Finalmente, el modelo se ha de reentrenar periódicamente a medida que se disponga de nuevos datos.

Eólica

Predicción energética y meteorológica para operadores renovables

Servicio de predicción meteorológica y energética a través del entrenamiento de algoritmos de inteligencia artificial. Pronóstico para la optimización de estrategias de venta de energía y la planificación de tareas en campo.

Virtualización

Virtualización de procedimientos para apoyo operativo

Sistema que facilita la comprensión de instrucciones descritas en un documento mediante su visualización a través de realidad virtual.