La inteligencia artificial se está colando poco a poco en todos los ámbitos de nuestra vida. Desde nuestros móviles hasta nuestros coches, evitando que tengamos accidentes. Y sí: la inteligencia artificial también llega a la energía. Hoy desgranamos 5 conceptos básicos a la hora de hablar de inteligencia artificial para que puedas entender en qué consiste.
1. Qué es Inteligencia Artificial
Empecemos por el principio… ¿Qué es Inteligencia Artificial? La inteligencia artificial no es un concepto nuevo en el mundo tecnológico. Comenzó a hablarse de este término en los años 60, tras ser introducido por John McCarthy en 1956. Es quizá el término más genérico de la lista que te proponemos. Inteligencia artificial puede ser un ordenador que reconozca voz o imágenes, un robot jugando al ajedrez…
En resumen y pocas palabras: inteligencia artificial es una rama del desarrollo informático que intenta crear programas (algoritmos) que sean capaces de realizar tareas que los seres humanos hacen.
2. Qué son los Algoritmos
Los algoritmos son normas matemáticas que hacen funcionar los programas informáticos, el software.
Muchos algoritmos son famosos, como el de Facebook, que hace que se te muestren unas u otras imágenes en tu muro en función de tu actividad. O el de Google, que ayuda a que tu página web destaque o no en los resultados de búsqueda.
Los algoritmos no se crean de forma autónoma o automática. Son definidos por desarrolladores. Esta es una diferencia importante con las tecnologías de aprendizaje supervisado y autónomo (tranquilo, ahora las veremos).
Y, ¿cómo se utilizan en gestión energética? El software de gestión energética más innovador ya está incluyendo algoritmos avanzados para, entre otras, la predicción del consumo energético.
DEXCell Energy Manager incluye una app de predicción de consumos basada en algoritmos inteligentes. Con los datos históricos de consumo del edificio, datos de variables como el clima, tipo de edificio, uso… Los algoritmos de esta app dan un pronóstico de consumo y coste energético a medio y largo plazo.
3. Qué es Machine Learning
La traducción literal es “las máquinas aprenden”. Y eso es exactamente lo que pretende conseguir el machine learning.
Hasta ahora, y como veíamos en el concepto de algoritmos, somos los humanos los que definimos las situaciones con las que las máquinas se pueden encontrar y cómo las deben resolver.
El Machine Learning trabaja y propone un paradigma diferente: que los programas informáticos sean capaces de aprender por sí solos.
En la actualidad se está aplicando mucho en el campo del reconocimiento de imágenes. Si a un sistema de machine learning se le enseñan un cierto número fotos de coches, es capaz de reconocer por sí mismo el concepto “coche” sin que ningún programador le indique la forma o el número de ruedas que tiene un coche.
En el campo de la energía el machine learning será esencial para mejorar los aspectos de control de instalaciones. Imagina que, en el futuro, tu sistema de gestión energética aprenda en un año cómo se comporta el edificio y sea capaz de implementar medidas de ahorro de manera automática.
Eso sí, el machine learning es un paso que requiere de una “supervisión” humana. El humano “corrige” las decisiones del programa informático. De esta manera, aprende las variables que lo llevan a las elecciones correctas y puede ser más autónomo.
4. Qué es Deep Learning
Algunos autores lo llaman “aprendizaje profundo” en castellano. El deep learning es dar ese último paso: conseguir programas que aprendan por sí solos, acercándose a la lógica cognitiva humana.
Qué nivel alcanzará este concepto aún no se sabe, pero un ejemplo de ello son las «Redes Neuronales». Según Gartner, será uno de los mercados con mayor demanda de trabajadores y de servicios de los próximos años. Y, de hecho, ya hay empresas que se dedican a desarrollar deep learning al 100%.
5. Qué Son Redes Neuronales
Dentro del Deep Learning, las redes neuronales es el algoritmo más utilizado. Intentan “copiar” la forma en la que trabaja y procesa la información el cerebro humano. Pequeñas unidades (neuronas) interconectadas que comparten información (valores).
Son necesarias capas y capas (y capas, y capas) de estas unidades para generar redes neuronales. Uno de los principales usos de las redes neuronales ha sido el reconocimiento de imágenes. Se intenta que un programa pueda, por sí solo, distinguir si una imagen es un gato o un coche.
¿Como lo hace? Es complejo, pero la idea principal es que la red neuronal aprende mirando las cosas comunes que tienen todas las fotos de coches (tienen ruedas) y todas las de gatos (tienen pelo y unos bigotes muy molones). Por lo tanto aprende que ruedas significa coche y bigotes significa gato.
Lo interesante es ver su aplicación. ¿Sabías que, por ejemplo, Google utiliza redes neuronales en eficiencia energética? Recopilando datos de comportamiento de sus centros de datos, aplican redes neuronales para predecir qué puede ocurrir al aplicar diferentes medidas de eficiencia energética. Para saber más, te recomendamos que leas este artículo.
Y si quieres seguir aprendiendo con las últimas tendencias en tecnología registrate a nuestro webinar sobre gamificación del próximo 16 de Mayo a las 11:00 CET, y su aplicación a la eficiencia energética. Esta formación será en inglés, junto a nuestro partner Limetools, pero te animo a que te registres igualmente!
