Inteligencia Artificial en futuros proyectos

Cada vez más empresas gestoras de agua están incorporando la Inteligencia Artificial (IA) a sus procesos. Esta ciencia, cuyo objetivo es tratar de replicar funciones cognitivas del ser humano a través de máquinas, está ayudando a realizar una gestión más sostenible del recurso hídrico.

Dentro de la IA, el Machine Learning (ML) tiene un gran potencial en el sector. Esta disciplina se centra en el desarrollo de técnicas o algoritmos que permiten a una máquina aprender, esto es, adquirir conocimientos cada vez más precisos a través de una fuente de datos externa. Otras ramas de la IA, que también estamos viendo aplicadas al agua, son los sistemas de reconocimiento por voz y visión, los sistemas expertos, el Procesamiento de Lenguaje Natural (PLN) y los robots.

Una de las principales ventajas del ML es la automatización de aquellos procesos costosos de gestionar manualmente. Esto se realiza mediante sistemas agnósticos, es decir, basados en datos y al margen de opiniones subjetivas. De esta forma, se mejora la precisión de los resultados, calculados mediante una gran velocidad de cómputo gracias a la infraestructura que los soporta. Así, los gestores pueden tomar mejores decisiones al disponer de información en tiempo real sobre lo que está sucediendo en las infraestructuras.

Manuel García, Data Scientist de Idrica, explica en este artículo las tendencias en Inteligencia Artificial para 2022.

Cuatro tipos de aprendizaje automático

El sector del agua maneja un gran volumen de datos, por lo que resulta fundamental extraer su valor. En este sentido, los gestores disponen de diferentes campos del aprendizaje automático para transformar los datos en información útil.

• Supervisado

En este tipo de aprendizaje, el conocimiento a priori del problema se utiliza como la hipótesis válida para poder calificar nuevos casos en el futuro. Por ejemplo, si tenemos datos sobre quiénes son los clientes que han tenido fugas en el pasado, y cuáles son sus características, podemos construir un modelo que clasifique a los nuevos clientes para anticipar otras pérdidas de agua.

• No supervisado

Cuando no se tiene un conocimiento a priori sobre la cuestión a resolver, pero sí datos de características, se utiliza el aprendizaje no supervisado. Siguiendo con el ejemplo anterior, si contamos con una base de datos de clientes podemos estudiar cuáles de ellos presentan un consumo anómalo para detectar posibles fugas.

• Semisupervisado

En este caso, contamos con datos que permiten conocer el problema a priori y otros que no, enriqueciendo ambos la información necesaria para resolverlo. Análogamente, si disponemos de datos de clientes que han tenido fugas, otros que no las han tenido, y algunos de los que se desconoce su situación, la combinación de todas estas fuentes nos va a ayudar a detectar los nuevos casos de forma más precisa. Para ello, se realizan una serie de suposiciones sobre las distribuciones de los datos.

• Por refuerzo

Frente a los otros campos del aprendizaje automático, este se diferencia por estar basado en reglas y por manejar información a modelar del tipo acción/reacción, cuyo objetivo es maximizar una función de recompensa. El aprendizaje por refuerzo se utiliza, por ejemplo, para realizar simulaciones en un entorno de desarrollo, generando un software capaz de evitar la colisión de los vehículos autónomos en la realidad.

FUENTES: iagua.es