Se trata del modelamiento y optimización de sistemas complejos, que pueden abarcar desde la distribución de agua o energía en las ciudades o la predicción de crímenes, hasta los métodos de gobernanza de una comunidad.
Entre las innumerables aplicaciones de la inteligencia artificial, hay una en específico que atrae a la industria y es la posibilidad de aplicar sus técnicas para el aprendizaje automatizado que permita optimizar sistemas complejos e impredecibles.
Para Nicanor Quijano, profesor titular del Departamento de Ingeniería Eléctrica y Electrónica, el término de inteligencia artificial está de moda y, en ocasiones, esto puede dejar pasar iniciativas de aprendizaje automatizado que vienen de mucho tiempo atrás.
Es el caso de la implementación de estas técnicas en escenarios mucho más tradicionales, en donde los robots no son necesariamente el personaje principal, sino es la matemática avanzada la que cobra protagonismo. Se trata del modelamiento y optimización de sistemas complejos, que pueden abarcar desde la distribución de agua o energía en las ciudades o la predicción de crímenes, hasta los métodos de gobernanza de una comunidad. “Cuando una persona quiere aproximarse a la inteligencia artificial tiene que saber de temas de optimización, de control óptimo, de modelamiento, de estimación, de análisis no lineal y algo de robustez e incertidumbre. No solamente es programar, debes tener el fundamento teórico”, explica el profesor.
En esto concuerda su colega, Luis Felipe Giraldo, profesor asistente del Departamento de Ingeniería Eléctrica y Electrónica, quien asegura que estas bases parten del mismo concepto: intervenir un sistema impredecible, de manera que, si se piensa como una caja con entradas y salidas, se pueda controlar lo que sale de ella. “Una de las claves de las ciudades inteligentes, por ejemplo, es monitorear datos: calidad del aire, movilidad, actividad. Y con toda esta información podemos mejorar la gobernanza, diseñando políticas que mejoren la calidad de vida de las personas”, cuenta el ingeniero.
Al mismo tiempo que han abierto el panorama, varios estudiantes han llegado para aportar tres tesis a nivel de pregrado y posgrado:
Difíciles de hackear
Con el apoyo financiero de la Fuerza Aérea de los Estados Unidos, el egresado de la maestría en Ingeniería Electrónica y de Computadores, Luis Fernando Burbano, encontró gracias al paradigma del aprendizaje supervisado una manera para evitar que los vehículos aéreos no tripulados, comúnmente llamados drones, no sufran de ciberataques que afecten su autonomía y pongan en peligro alguna misión. “Los ataques se refieren a que, si yo tengo un sensor que me está dando cierta medición, algún atacante puede hacer que esa medición pueda ser distinta o que una de sus partes se detenga”, explica el ingeniero.
Gracias a este método, probado en pequeños robots terrestres, se pudo identificar información como la posición del robot al momento del ataque y determinar en qué motor se realizó el mismo, para tomar acciones para recuperarlo a través del sistema de datos dinámicos (DDDAS) que maneja la organización.
Redes neuronales para sistemas de distribución de agua
Por su parte, Daniel Ochoa, también egresado de la Maestría en Ingeniería Electrónica y de Computadores, quiso encontrar una manera para determinar y modelar las variables físicas de un sistema de distribución de agua –uno de los más complejos e impredecibles por la cantidad de válvulas, tuberías y demás elementos– a través del aprendizaje por refuerzo y redes neuronales (una sucesión de pensamientos interconectados).
“Hallamos dos grandes conclusiones: que estas técnicas no están recluidas al uso robótico, porque en todo el mundo hay una preocupación por utilizarlas en control de procesos. Lo ‘sexy’ es en la robótica porque ellos hacen cosas chéveres, pero el control de procesos presenta muchas oportunidades porque hay infraestructuras subutilizadas para la industria, como el agua o la energía, en donde las cosas funcionan, pero no necesariamente en óptimas condiciones”, concluye el ingeniero.
Un paso más atrás del aprendizaje
Si hay algo que un robot difícilmente podría lograr es tomar un concepto abstracto e inferir una solución, sin ninguna experiencia previa. Tal como lo hacen los bebés que están aprendiendo a caminar o como una persona agarra una botella de agua, sin pensarlo mucho y guiados por la intuición. Sin embargo, la ciencia nos ha demostrado que hay más cosas posibles de lo que creíamos, y el proyecto de Diego Gómez, egresado del pregrado en Ingeniería Electrónica es un reflejo de ello.
“Lo que intenta hacer mi propuesta es que la máquina aprenda no en función de, sino en conceptos, explorando así de manera más eficiente sus posibles acciones. Él aprende por sí mismo y eso le ayuda a actuar mejor y más rápido. En este momento lo estamos aplicando a simulaciones de sistemas robóticos muy simples, como el péndulo invertido o pequeños robots y hemos observado que de alguna forma sí aprenden a identificar por si mismos lo que yo diseñé antes”, cuenta Diego.
