Idrica y las tendencias en inteligencia artificial: incorporando el aprendizaje a los procesos

Dentro de la inteligencia artificial, 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, es decir, adquirir conocimientos cada vez más precisos a través de una fuente de datos externa. Otras ramas de la IA que también se aplican 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.

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.

1. 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.

2. 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.

3. Semisupervisado

En este caso, se cuenta con datos que permiten conocer el problema a priori y otros que no, enriqueciendo ambos la información necesaria para resolverlo. Análogamente, si se disponen 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.

4. 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.

Casos de uso aplicados al agua

Independientemente del tipo de aprendizaje aplicado, la IA viene a dar respuestas innovadoras a algunos de los grandes retos compartidos por las gestoras. Por ejemplo, la detección de fraudes a través de modelos basados en el aprendizaje automático. Estos sistemas, si bien son de aplicación en cualquier entorno empresarial, cobran especial relevancia en nuestro sector por gestionar este un recurso imprescindible para la vida. Lo mismo sucede con la detección de fugas, cuya localización temprana genera un impacto muy importante en el ahorro de agua.

En general, la IA ayuda a mejorar la eficiencia y calidad del suministro. En este sentido, los algoritmos logran estimar y anticipar el consumo, y predecir la calidad del agua. También son fundamentales para mejorar los sistemas de riego y optimizar el uso de la energía en los sistemas de bombeo. En las aguas residuales, esta ciencia ayuda a detectar desbordamientos en las redes de alcantarillado, e incluso a evitarlos gracias a la puesta en marcha de limpiezas preventivas en puntos conflictivos. Otro caso de uso innovador es la detección de patógenos en sistemas de alcantarillado, beneficiando el seguimiento de la evolución de epidemias o pandemias, como en el momento actual.

Otras aplicaciones, como la creación automática de informes o el análisis de sentimientos de redes sociales, son útiles para conocer el estado no solo de los procesos, sino también la satisfacción ciudadana con los servicios de agua prestados. En esta apuesta por una mayor transparencia y orientación hacia el ciudadano, los chatbots se han incorporado recientemente a los servicios de atención al cliente de distintas gestoras. Estos chats de respuesta automática, basados en el campo del PLN, están ayudando a resolver los problemas de los consumidores con mayor agilidad. La lectura automática de los contadores de agua a través de sistemas de reconocimiento por visión es otro de los avances que ya estamos viendo en el servicio.

2022: las máquinas al servicio de la sostenibilidad

La sostenibilidad va a guiar la evolución de los productos de IA en el sector del agua. La mejora continua de la tecnología va a provocar que los suministros y consumos energéticos se optimicen cada vez más, que los procesos de detección de fugas sean más precisos, y que los costes de mantenimiento se reduzcan. Gracias a estos avances, se lograrán reducir además las emisiones totales de CO2, alcanzando así una gestión más inteligente del ciclo integral del agua.

Asimismo, en 2022 se epsera ver un incremento en el uso de los dispositivos Edge. Si bien el paradigma de computación en servidores on-premise ya estaba siendo reemplazado por las tecnologías cloud, las mejoras de los procesadores en dispositivos periféricos harán posible computar directamente en ellos sin necesidad de usar un servidor. Los usuarios tendrán en su dispositivo modelos de IA implementados en una aplicación, con acceso en tiempo real a los datos de su comportamiento y a distintos pronósticos. En el sector del agua, estos avances darán lugar a distintas aplicaciones prácticas, como la conducción autónoma de vehículos y robots.

Para que esto suceda, es necesario resolver algunos retos asociados. Primero, la escalabilidad, ya que resulta más sencillo agrupar datos en un solo centro de almacenamiento, como un servidor físico o la nube, que en todo el conjunto de dispositivos periféricos. Además, se necesita de una infraestructura que permita gestionar fallos y errores de configuración. Segundo, y más determinante, la seguridad. Con los dispositivos Edge, el proceso completo se encuentra en un lugar poco accesible por la organización, por lo que se necesita más inversión para dotar de garantías al sistema.

Durante los próximos años, las gestoras irán incorporando distintos casos de uso de la IA a su operación. Entre las nuevas líneas de investigación que podrían surgir se encuentran los sistemas de detección de patrones climáticos a largo plazo. Con el objetivo de paliar los efectos del cambio climático, estos sistemas estarían orientados a mejorar la eficiencia en la gestión de recursos hídricos ante episodios de sequía o inundaciones. El sector del agua, como proveedor de un servicio esencial, podría liderar este desarrollo. En definitiva, la gestión más sostenible del ciclo integral del agua pasa por la introducción de la IA en las utilities del futuro.