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

La inteligencia artificial es una disciplina que estudia los fundamentos teóricos y las metodologías que permiten proyectar sistemas capaces de proporcionar al ordenador prestaciones que, para un observador común, parecerían dominio exclusivo de 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 unos años, la inteligencia artificial viene desempeñando un papel protagonista en el mercado, debido principalmente a la conjunción de la concurrencia de cuatro condiciones:

- La capacidad de aprovechar algoritmos muy eficientes;
- La disponibilidad de una potencia de cálculo muy elevada (en los centros de datos de las empresas, pero también en el cloud);
- La voluntad de las empresas y de los Estados de invertir en estas tecnologías;
-  La difusión de aplicaciones capaces de generar los datos necesarios para la inteligencia artificial.

Terranova, con el objetivo de ofrecer al mercado soluciones cada vez más innovadoras, se asoció en 2021 con HPA, una empresa derivada de la Universidad de Verona que 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.

Los problemas que se deben resolver y los objetivos que se deben alcanzar a este respecto son principalmente:

- 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.

Sin embargo, para optimizar las operaciones de campo no es suficiente adoptar un algoritmo que prediga la duración media de las intervenciones, sin tener en cuenta la ubicación, la estación del año o el operador.
De ese modo, se pueden llegar a cometer importantes errores.
Por el contrario, es esencial disponer de información sobre las actividades que se van a realizar, las competencias de los operarios, las herramientas de que disponen y el territorio, para crear la mejor combinación de estos elementos y conseguir un mayor resultado con un menor coste.
Así pues, dado que disponer de un input más preciso hace que el output sea también más exacto, Terranova ha creado un algoritmo de optimización que, basándose en estos parámetros, tiene la capacidad de identificar al mejor y más adecuado operador para cada tipo de actividad e indicar cuánto tiempo tardará dicho operador en gestionar y concluir un único expediente.

A través de la solución TWFM (Terranova Work Force Management), es posible gestionar las actividades de mantenimiento en la red mediante:

- Mantenimiento proactivo: periódicamente se realiza una intervención y comprobación para intentar prevenir la avería en la maquinaria;
- Mantenimiento reactivo: se realiza un mantenimiento cuando la avería ya se ha producido y cuando, por tanto, está identificada;
- Mantenimiento predictivo: se intenta predecir el fallo y, por tanto, se realiza el mantenimiento cuando la probabilidad de que se produzca supera un determinado umbral y, si esta estimación es lo suficientemente precisa, se evitará la avería antes de que se manifieste realmente.

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.
De hecho, si los datos están disponibles en un flujo continuo y, por tanto, en tiempo real, los equipos podrán intervenir cuando se haya producido una avería, pero antes de que haya surtido efecto y, por tanto, causado daños en el servicio.

Por lo tanto, la colaboración entre la inteligencia artificial y los equipos operativos sigue siendo crucial. 

El desarrollo de Terranova en el uso de la inteligencia artificial dentro de sus soluciones de software para la eficiencia de las actividades de campo fue más allá a través de dos modificaciones principales: el reconocimiento de imágenes y el asistente de voz móvil.

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.