Cómo la IA y los algoritmos de aprendizaje automático redefinen el modo en que las empresas de servicios públicos gestionan sus infraestructuras
Por Jaro Uljanovs, desarrollador jefe de IA y científico de datos, Sharper Shape
La inteligencia artificial (IA) ofrece una amplia gama de aplicaciones potenciales en casi todos los sectores imaginables: sanidad, automoción, venta al por menor e incluso comida rápida. Pero es en el sector de los servicios públicos donde la IA y el aprendizaje automático (ML) están empezando a demostrar algunos de sus efectos más impactantes en muchos aspectos del negocio. Las compañías eléctricas recurren cada vez más a la IA para mejorar el suministro eléctrico y prevenir posibles incendios forestales, y la IA está mejorando, en lugar de eliminar, los puestos de trabajo humanos.
Desde la recopilación y el análisis de datos hasta la presentación de información práctica, los algoritmos de IA y ML están redefiniendo rápidamente el modo en que las empresas de servicios públicos gestionan sus infraestructuras eléctricas.
Consolidación y clasificación de datos
Las empresas de servicios públicos supervisan enormes redes de infraestructuras, compuestas por postes, conductores, subestaciones y líneas de transmisión y distribución que abarcan miles de kilómetros. También hay que vigilar la vegetación que rodea estas infraestructuras clave, ya que supone un peligro de incendio o corte.
Tomar una instantánea completa de estos activos significa utilizar una variedad de sensores diferentes para inspeccionar la red. Estos sensores incluyen lidar, imágenes en color (RGB), hiperespectrales y térmicas.
Esto permite al sistema captarlo todo: desde la proximidad de la vegetación hasta los activos de infraestructura, pasando por los componentes individuales (como los aisladores de los postes) y su integridad operativa, hasta los puntos calientes que indican posibles riesgos de incendio.
Son muchos datos que capturar, catalogar y procesar. Y hay muchos elementos individuales dentro de esos datos -incluso en una sola imagen- que localizar y clasificar, por no hablar de hacerlo con precisión. Clasificar manualmente miles de millones de puntos de datos en todas esas imágenes es una tarea que lleva muchísimo tiempo.
Las herramientas de IA y ML pueden realizar ese mismo trabajo -escanear miles de imágenes recogidas en miles de kilómetros de infraestructuras de servicios públicos- en cuestión de segundos. La segmentación de nubes de puntos Lidar puede detectar conductores (un tipo de componente bastante difícil de segmentar) con una precisión superior al 90 %, mientras que la segmentación de imágenes hiperespectrales puede identificar especies de vegetación con una precisión de hasta el 99 %.
Además, cuando se combinan con sensores de drones, estos algoritmos también pueden mejorar la recopilación inicial de imágenes y datos. Las herramientas de IA y ML ayudan a ajustar la posición de los sensores en tiempo real, en caso de que se pierda la señal o el dron se desvíe ligeramente de su trayectoria de vuelo de inspección.
Al ayudar a reajustar la orientación de los sensores durante el vuelo, la IA no sólo garantiza una recopilación de datos más precisa, sino también que el vuelo no tenga que repetirse o finalizarse prematuramente debido a una recopilación de datos defectuosa, lo que ahorra tiempo y dinero. La IA localiza cualquier fallo en los sensores o en la trayectoria de vuelo del dron mientras está en el aire, recalibrando según sea necesario e identificando elementos individuales en los datos a medida que llegan a través de la señal de vídeo del sensor.
Romper los silos para crear un enfoque holístico de los datos
La clave de todo esto es eliminar los silos que tienden a formarse de forma natural entre los distintos segmentos de datos. En el ámbito de la inspección de servicios públicos, la gestión de activos, la gestión de la vegetación, los distintos sensores, etc., producen sus propios conjuntos de datos dispares y aislados.
Cuando los datos se mantienen en silos de esta forma, resulta innecesariamente difícil, si no imposible, que los equipos extraigan conclusiones de toda la empresa a partir de la información recopilada. Y ¿de qué sirven todos esos datos si no pueden utilizarse para contrastarse y mejorar otros conjuntos de datos?
Una buena gestión de los datos no puede ser fragmentaria. Tiene que ser holística, y la IA proporciona el impulso necesario para que así sea. La IA proporciona un recurso central para agrupar todas estas fuentes de datos, lo que facilita el análisis cruzado de posibles problemas, como vegetación propensa a incendios o componentes dañados. Cuando estos problemas se recogen en un sistema, resulta mucho más fácil identificar los fallos y resolverlos, y mucho más rápido de lo que sería examinar manualmente innumerables imágenes de postes o mapas de vegetación.
Y a pesar de todas las preocupaciones estereotipadas acerca de que la IA elimina trabajo para los seres humanos, en las empresas de servicios públicos la IA en realidad mejora el papel que las personas tienen que desempeñar en el proceso de inspección de la red. Dado que la IA es la que analiza los datos, no depende de la experiencia potencialmente sesgada de un inspector humano profesional, ni es propensa a la fatiga y a los resultados anómalos que pueden derivarse de ella. Pero al mismo tiempo, la IA no puede hacerlo todo por sí sola. Es una herramienta para presentar información más clara, más precisa y más procesable para que la gente actúe con su propio juicio.
Hay muchas suposiciones fáciles de hacer, tanto buenas como malas, sobre la IA. Pero, al fin y al cabo, lo que la IA significa realmente para el sector de los servicios públicos es una herramienta más eficiente y eficaz para proporcionar la información correcta sobre la infraestructura de una empresa eléctrica -sus líneas de transmisión y distribución, sus postes y la vegetación cercana- en manos de sus principales responsables.
