La IA al servicio de la sostenibilidad

Desde la optimización del consumo de energía hasta la mejora de la gestión de residuos y el perfeccionamiento de prácticas agrícolas, la IA ofrece una amplia gama de aplicaciones que pueden revolucionar la forma en que abordamos los problemas ambientales.

Una de las contribuciones más significativas de la IA a la sostenibilidad radica en su capacidad para optimizar el uso de la energía y promover la gestión eficiente de recursos. Los algoritmos de aprendizaje automático pueden ayudar analizando grandes cantidades de datos en tiempo real para identificar patrones, predecir la demanda y ajustar la producción y distribución de energía en consecuencia.

Por ejemplo, se puede equilibrar dinámicamente la oferta y la demanda, reducir las pérdidas de transmisión e integrar de manera más efectiva fuentes de energía renovable en la red. Al optimizar el consumo de energía, estos sistemas no solo reducen las emisiones de carbono, sino que también disminuyen los costes energéticos para los consumidores.

Una industria sin defectos

Otro problema importante para solventar en aras de la sostenibilidad es la disminución de los residuos, ya que su proliferación plantea riesgos ambientales y de salud pública significativos, destacando la necesidad urgente de soluciones más efectivas.

Una de las primeras acciones a llevar a cabo para abordar este desafío es minimizar la producción de residuos en la fabricación; es decir, lo que se llama industria “cero defecto-cero gasto” (ZDZG), que busca minimizar los defectos en los productos en los primeros estados del proceso de producción. La detección temprana es valiosa porque impide el avance del problema en la cadena, al mismo tiempo que minimiza o elimina costes asociados a la producción de estos defectos.

Este enfoque se basa en la premisa de que la calidad y la eficiencia son inseparables, y se centra en la prevención de defectos en lugar de la detección y corrección posterior ahorrando, de esta forma, no solo el material a desechar, sino también la energía necesaria para una producción que luego va a tener que desestimarse.

En la práctica, implica la implementación de sistemas de gestión de calidad rigurosos y la optimización de procesos para garantizar la excelencia en cada etapa del ciclo de producción. La incorporación de la IA, generalmente visión artificial, en estos procesos tiene como objetivo la detección precoz de posibles defectos, actuando sobre los sistemas en tiempo real para conseguir la optimización continua de los mismos, lo que contribuye significativamente a la consecución de la perfección operativa.

En la actualidad, la integración de la IA en la industria ZDZG es todo un reto y está siendo objeto de una atención significativa en la comunidad científica y empresarial. Un ejemplo de ello es el proyecto TURBO, en el que participo, financiado por la Unión Europea, que tiene como objetivo combinar los avances de diferentes disciplinas para mejorar la sostenibilidad de la producción de palas de turbinas eólicas al reducir la formación de defectos y mejorar las estrategias de reparación de compuestos y recubrimientos.

Una de las contribuciones más significativas de la IA a la sostenibilidad radica en su capacidad para optimizar el uso de la energía y promover esfuerzos de conservación

La IA estará presente en varias partes del proceso, por un lado en la monitorización en tiempo real del proceso de infusión de la resina, material que compone el interior de la pala, estimando la viscosidad de esta, así como la temperatura de transición vítrea en desarrollo y el grado de curado sin interferir en el proceso de fabricación ni deteriorar la calidad de la pieza. La idea es actuar en el proceso si se predice la aparición de algún de defecto en el mismo.

Por otro lado, se aplicará en ensayos no destructivos de los revestimientos que componen las palas, desarrollando algoritmos basados en aprendizaje automático que permitan analizar imágenes de tomografía por coherencia óptica (OCT) para identificar y clasificar automáticamente las anomalías como parte de la estrategia de reducción de defectos.

Para que la luz penetre más en el material, la OCT utilizada en este proyecto funciona con longitudes de onda del in­frarrojo medio (alrededor de 4 μm), más largas que en los sistemas tradicionales de OCT de infrarrojo cercano (normal­mente 1,3 μm). Esta mayor penetración de la luz va a permitir que ciertos defectos sean apreciables, como puede observarse en una de las figuras que acompaña este artículo, y puedan ser detectados automáticamente por un sistema de detección automático basado en IA.

Sostenibilidad en la cadena agroalimentaria

Otra área, no menos importante, donde la IA puede ayudar a mejorar la sostenibilidad es la agricultura sostenible y la seguridad alimentaria. Alimentar a una población mundial en crecimiento mientras se minimiza la huella ambiental de la agricultura es un desafío desalentador.

Las soluciones impulsadas por IA ofrecen formas innovadoras de mejorar las prácticas agrícolas, aumentar los rendimientos de los cultivos y reducir los consumos de recursos como el agua y los fertilizantes.

Por ejemplo, las tecnologías de agricultura de precisión pueden beneficiarse del análisis de imagen y datos de otros tipos de sensores (humedad, CO2, etc.) para optimizar los calendarios de siembra, monitorizar la salud de los cultivos (estrés hídrico, aparición de plagas, etc.) y gestionar de manera más eficiente el riego. Al permitir que los agricultores tomen decisiones basadas en datos, estas tecnologías contribuyen a la producción de alimentos sostenible mientras preservan los recursos naturales y la biodiversidad.

¿Es la IA en sí misma sostenible?

Como hemos visto en los ejemplos anteriores, a medida que el mundo se enfrenta a desafíos ambientales apremiantes, aprovechar el poder de la IA es esencial para promover la sostenibilidad y construir un futuro más verde.

Sin embargo, aunque la implementación de algoritmos de IA ofrece numerosos beneficios para la sostenibilidad, también plantea desafíos que deben abordarse para garantizar un impacto positivo a largo plazo. La pregunta es: “¿es en sí misma la IA sostenible?”.

A medida que las organizaciones y los gobiernos adopten cada vez más la IA en sus operaciones y políticas, es fundamental considerar cómo estas tecnologías pueden afectar el medio ambiente y la sociedad en su conjunto, y qué medidas pueden tomarse para mitigar cualquier impacto negativo.

Uno de los principales problemas asociados con la implementación de algoritmos de IA es su alto consumo energético.  El entrenamiento de un modelo de IA con grandes conjuntos de datos requiere enormes cantidades de energía, lo que puede aumentar la demanda de electricidad y contribuir a las emisiones de gases de efecto invernadero.

Para mitigar este problema, es crucial desarrollar algoritmos más eficientes en términos energéticos. La comunidad científica trabaja en diferentes líneas de investigación con este fin. Una de ellas, desde el punto de vista de la algoritmia, es el diseño e implementación de redes neuronales de disparo (spiking networks), redes inspiradas en la forma en que funcionan las neuronas biológicas en el cerebro.

Otro problema importante para solventar en aras de la sostenibilidad es la disminución de los residuos

A diferencia de las redes neuronales convencionales, las spiking networks se centran en el procesamiento de eventos discretos o ‘pulsos’ de actividad neuronal. Una de las principales formas en que estas redes pueden ayudar a reducir el consumo de energía es mediante la codificación y la transmisión de información de manera más eficiente.

En las redes neuronales convencionales, cada neurona activa envía continuamente señales a todas las neuronas conectadas, lo que puede conllevar un consumo de energía significativo debido al alto volumen de comunicación y cálculo requerido.

Por contra, en las spiking networks la comunicación se realiza mediante pulsos discretos de actividad neuronal, lo que puede reducir drásticamente la cantidad de energía necesaria para transmitir información. Además de estas nuevas técnicas algorítmicas también se sigue innovando en la eficiencia del hardware, lo cual es un campo fundamental para conseguir la eficiencia energética de los algoritmos en entrenamiento.

Pero el problema no solo está en el entrenamiento de un modelo, sino también en su despliegue, el cual también debe ser eficiente en términos de consumo energético. Para ello se trabaja en técnicas de reducción de la complejidad de los modelos con el fin de desplegarlos en dispositivos on the edge, en lugar de utilizar servidores de computación, consiguiendo reducciones de consumo de energía hasta factores de 100.