¿Cómo puede utilizarse la inteligencia artificial para mejorar la planificación de las intervenciones en el campo?

La inteligencia artificial estudia los fundamentos teóricos y las metodologías que permiten diseñar sistemas capaces de simular la inteligencia humana.

La inteligencia artificial incluye las técnicas de:

• Aprendizaje automático, que adopta métodos estadísticos tradicionales para que las máquinas aprendan a partir de la experiencia;
• Aprendizaje profundo, que utiliza redes neuronales para aprender de los datos.

Desde hace algunos años, la inteligencia artificial ocupa un lugar destacado en el mercado por una serie de razones convergentes que están transformando radicalmente nuestra forma de vivir y trabajar: la innovación tecnológica, la disponibilidad de datos y la voluntad de empresas y Estados de invertir en estas tecnologías.

HPA, una spin-off acreditada de la Universidad de Verona y Artificial Intelligence Competence Center (AICC) de Terranova, desarrolla soluciones personalizadas para el análisis predictivo en el sector de las utilities, utilizando técnicas de aprendizaje automático y aprendizaje profundo.

La aplicación de la inteligencia artificial en Terranova puede analizarse en la planificación de las operaciones de campo, con los siguientes objetivos:

• Mejora de los tiempos de ejecución;
• Distribución óptima de las actividades y, por tanto, mejor organización del trabajo de los operadores;
• Comparación de distintos escenarios de gestión para elegir la mejor solución;
• Reorganización tras imprevistos mediante una planificación automática que se comunica a todos los operarios implicados;
• Posibilidad de gestionar la estacionalidad y, en consecuencia, mayor conocimiento del comportamiento de los trabajadores y del medio ambiente en general en todas las épocas del año;
• Reducción de los kilómetros recorridos por los vehículos y, por consiguiente, del consumo de combustible.

Para que el algoritmo de optimización sea eficaz, es necesario disponer de información sobre las actividades que se van a realizar, las competencias de los operarios, los equipos de que disponen y el territorio, con el fin de crear la mejor combinación de estos elementos y conseguir un mayor resultado con un menor coste.

Otra área en la que se utiliza la IA dentro de las soluciones de software de Terranova es el Mantenimiento Predictivo. El mantenimiento predictivo se basa en el uso de modelos estadísticos para predecir la vida útil de los elementos de un sistema. El estado de un sistema se describe mediante un modelo matemático basado en datos históricos, que permite caracterizar las anomalías y los patrones típicos de fallo, avisando a los operadores con antelación y permitiendo un mantenimiento eficaz de los componentes. Aunque esto requiere grandes conocimientos estadísticos y una buena base de datos, también supone un ahorro considerable y elimina o minimiza los tiempos de inactividad. Según un estudio del Analytics Institute de Deloitte [1], este último es capaz de aumentar la productividad de la empresa en un 25%, reducir las averías en un 70% y recortar los costes de mantenimiento en un 25%, pero una particularidad del algoritmo creado por Terranova es que no sólo puede aplicarse al mantenimiento predictivo, sino también al reactivo.

El uso de la inteligencia artificial en las soluciones de software de Terranova para hacer más eficientes las actividades sobre el terreno se materializa en otros dos proyectos: el reconocimiento de imágenes y el asistente de voz para móviles.

En cuanto al reconocimiento de imágenes, la idea parte del hecho de que durante las operaciones de campo y la toma de lecturas, a menudo se hacen fotos de los contadores que luego no se utilizan. Se trata, por tanto, de una cantidad importante de datos que se conservan, pero que después no se utilizan, salvo en raras ocasiones, como cuando se informa de una lectura errónea y luego se verifica a través de la imagen.
Por tanto, la solución consiste en organizar y comprobar automáticamente, con ayuda de la inteligencia artificial, las fotos de los contadores que ya se tienen.

Los objetivos de este proyecto son:

• Escalabilidad: debe ser rápido y ejecutarse en segundo plano, de modo que pueda analizar las imágenes de las que ya dispone y otras nuevas de forma automática;
  Calidad de los datos: ser capaz de explotar estas imágenes que suelen utilizarse poco para mejorar la calidad de los datos;
• Expandibilidad: se traduce en la capacidad de adaptar el proyecto no sólo a los modelos de medidores ya conocidos, sino también a los que actualmente desconocemos y que se crearán en el futuro;
• Mejora continua: al analizar imágenes, el motor nunca será preciso al 100%. Sin embargo, en cuanto se detecta un error, el operador lo corrige y, como resultado, el motor reconoce la información correcta y mejora reduciendo cada vez más el margen de error.