Inteligencia artificial en el sector de la movilidad, cuestión de colores
- Opinión
Álvaro Urech, director de Innovación de Alstom España y Portugal
Con un enorme potencial en el sector de la movilidad, la inteligencia artificial tiene numerosas aplicaciones en nuestro sector. En función de la criticidad de las operaciones sobre las que se implemente, podemos aplicar modelos de diferentes tipos, conocidos como “caja negra”, “caja gris” o “caja blanca”. Cada color se relaciona con el conocimiento de la procedencia del dato y la posibilidad de entender cómo se llega a los resultados (explicabilidad).
La inteligencia artificial (en adelante, IA) ha experimentado en los últimos años un crecimiento exponencial, con un impacto significativo en las áreas de marketing o ventas de compañías de consumo. Su capacidad para segmentar audiencias y dirigir los mensajes comerciales a determinados públicos de un modo más personalizado ha revolucionado las campañas de marketing digital. La automatización de procesos administrativos también ha servido para reducir costes en muchas áreas corporativas y los sistemas de predicción permiten ajustar oferta y demanda con mayor exactitud. Incluso con un marco legislativo restrictivo, y considerando las limitaciones lógicas para la gestión de datos personales, la IA parece ofrecer un abanico infinito de posibilidades y aplicaciones.
Pero no siempre es así. Hay sectores, como el de la movilidad, donde las aplicaciones de inteligencia artificial deben adaptarse no solamente a un marco regulatorio, sino también – y sobre todo- a un entorno crítico donde la seguridad está siempre en primer lugar
Los retos de la IA en el sector ferroviario
En el sector de la movilidad, todas las empresas nos enfrentamos al mismo desafío a la hora de abordar proyectos de IA: el llamado reto de la "caja negra".
Como su nombre indica, la caja negra se refiere a la incapacidad de "ver" el funcionamiento interno de la IA en un determinado proceso. Hablamos de “caja negra” cuando los algoritmos nos proporcionan resultados (sugerir acciones, hacer predicciones, detectar anomalías o estimar la vida útil de un equipo), pero no nos aportan información sobre el razonamiento subyacente detrás del resultado. Este caso es especialmente evidente en los modelos basados en Deep Learning, como la IA Generativa.
Las empresas que trabajan en bienes de consumo, ocio u otras áreas no críticas no se enfrentan a este dilema. No tienen obligación de explicar cómo o por qué sus modelos de IA llegan a determinadas conclusiones. Así, por ejemplo, ni Meta ni Amazon tienen que explicar por qué su software recomienda determinados contenidos o productos a clientes concretos, dado que sus algoritmos se basan principalmente en encontrar similitudes entre productos y consumidores. Esto no plantea problemas legales o de seguridad, es suficiente con cumplir la normativa vigente y demostrar que es comercialmente fiable y viable.
La situación es muy diferente para las empresas que desarrollamos y gestionamos infraestructuras críticas como el transporte público. En Alstom, no podemos confiar en ninguna solución que tome decisiones cruciales de forma opaca y sin explicar el razonamiento exacto que se ha seguido. Eso no significa que no integremos la IA en nuestros sistemas. Al contrario, la IA es cada vez más relevante para mejorar nuestros servicios y la fiabilidad de nuestras tecnologías. Significa que, al igual que con todos nuestros sistemas, utilizamos la IA de forma prudente y responsable, aplicando las normas de seguridad más estrictas y las pruebas más rigurosas en cada situación.
Modelos de IA en Alstom
Alstom utiliza tres "tipos" diferentes de IA, en función del proyecto y sus requisitos.
La llamada "IA de caja negra" suele utilizarse en aplicaciones no críticas, en proyectos que no plantean problemas de seguridad. Puede utilizarse, por ejemplo, para controlar la densidad de pasajeros en la red pública y ayudar a optimizar el flujo de pasajeros en los trenes. Los operadores pueden utilizar esta información para hacer un seguimiento de la demanda y adaptar los horarios o servicios en consecuencia.
La llamada "IA de caja gris" se utiliza para apoyar a los ingenieros en sus desarrollos y simulaciones. Sirve así para definir e identificar diferentes situaciones, ayudando a afinar un sistema ferroviario, mejorar la precisión de los cálculos o asignar parámetros a las fórmulas para mejorar los modelos de simulación.
“De caja gris” son también los simuladores que recrean sistemas ferroviarios completos. Estos simuladores reproducen los subsistemas -y su comportamiento- para ofrecer una visión global de todo un entorno integrado y facilitar la toma de decisiones. Utilizando datos históricos, la IA ayuda a calcular el máximo número de escenarios posibles, clasificarlos e identificar opciones de respuesta.
Por último, nos encontramos con la llamada IA “de caja blanca", que se centra en modelos interpretables y deterministas. Estos modelos pueden explicar su comportamiento, y detallar cómo elaboran sus predicciones y qué variables influyen en sus resultados.
El desarrollo relativamente reciente de este tipo de IA de caja blanca nos ha permitido ampliar las aplicaciones de IA en el ámbito de la movilidad. Cuando la IA puede demostrar la procedencia de sus datos, se garantiza que los datos son explicables y fiables, y, en consecuencia, pueden integrarse en procesos críticos desde el punto de vista de la seguridad. En este contexto se enmarca las diferentes tecnologías de big data y algoritmos que ya utilizamos para mejorar el mantenimiento, supervisar la flota en tiempo real o predecir posibles incidencias en los equipos e infraestructuras.
Desarrollando la IA del futuro
Sin duda, los avances en IA han sido vertiginosos en la última década, con diferentes modelos de IA y aprendizaje automático de aplicación en numerosos sectores más allá de las empresas tecnológicas y de gran consumo .
En el sector ferroviario cada vez utilizamos más la IA, para mejorar la programación de los trenes, su velocidad, predecir la demanda de pasajeros, mejorar la gestión de activos, o reducir el consumo de energía, entre otros. En Alstom, trabajamos continuamente para perfeccionar estas aplicaciones y encontrar nuevas formas innovadoras de utilizar la IA de forma segura y eficaz.
El ferrocarril es el modo de transporte más sostenible y, gracias a la digitalización, estamos mejorando su eficiencia y rentabilidad. Pero, para aprovechar todas las ventajas de la digitalización, el sector debe seguir invirtiendo, extendiendo el uso de la IA de forma inteligente y meditada, adaptando esta tecnología a las aplicaciones más adecuadas. Y teniendo siempre en cuenta que el dato no siempre se viste de blanco.
Por Álvaro Urech, director de Innovación de Alstom España y Portugal
