Tras los avances en la IA Generativa (GenAI), podrías pensar que es una tecnología predominante. Los medios y analistas informan extensamente sobre sus numerosas aplicaciones empresariales valiosas. Sin embargo, la transformación total prometida ocurre solo gradualmente. ¿Por qué? Porque implementar la IA de manera responsable implica mitigar riesgos en torno a ética, sostenibilidad y ciberseguridad en primer lugar. También, porque la IA generativa abre nuevas posibilidades pero no abarca todas las demás tecnologías de IA existentes.
Las empresas necesitan tomar decisiones estratégicas o realizar cambios organizativos antes de utilizar GenAI a gran escala. En nuestro caso, lanzamos el AI Hub en Schneider Electric incluso antes de que GenAI se introdujera en el mercado. Aun así, decidimos instaurar un proceso de revisión con partes interesadas internas y externas para detectar oportunidades tempranas de aplicación para esta tecnología. Tras examinar todas las funciones, seleccionamos más de 200 posibles casos de uso. No todos pasaron la evaluación del marco de IA responsable, y abandonamos aquellos con valor medio o incierto para los clientes. En la actualidad, las primeras aplicaciones que construimos han empezado a aumentar la productividad interna y mejorar nuestras ofertas. La mayoría de ellas respaldan la misión central de nuestra empresa: tener un impacto positivo en el planeta al equipar a nuestros clientes y socios en su viaje hacia la sostenibilidad.
¿Cómo puede GenAI apoyar la sostenibilidad?
En el Copiloto de Resource Advisor, recientemente lanzado, empleamos tecnología GenAI basada en Procesamiento de Lenguaje Natural (NLP) para ofrecer un compañero digital conveniente. A través de una interfaz de chat, puedes preguntarle al Copiloto para obtener datos en tiempo real, realizar análisis y visualizaciones mejoradas, o acceder a nuestro conocimiento de la industria e información del sistema para proporcionar apoyo en decisiones y consejos de optimización.
Pero GenAI no es la única tecnología de IA que puede respaldar a las empresas en sus compromisos ESG. Echemos un vistazo a otras.
Machine learning
El aprendizaje automático (ML) nos permite analizar grandes conjuntos de datos, identificar patrones y realizar predicciones. También puede automatizar el análisis predictivo y tomar decisiones basadas en datos más rápidamente. ML apoya directamente la transición a la energía renovable, una de las estrategias de descarbonización más efectivas. Lo hace notablemente trabajando en el lado de la demanda de la ecuación demanda/oferta. Permite optimizar el uso de energía renovable mediante el análisis de múltiples fuentes de datos y la detección de ineficiencias para optimizar el uso de energía.
Por ejemplo, el software Ecostruxure Microgrid Advisor se conecta a tus recursos de energía distribuida. Pronostica y optimiza automáticamente cómo y cuándo consumir, producir y almacenar energía. Con esta solución, nuestros clientes como Lidl Finlandia y el centro comercial Citycon en Lippulaiva se acercaron al cero neto. Aquí utilizamos un algoritmo de ML que analiza constantemente datos de generadores de energía, estaciones de carga de vehículos eléctricos, baterías, generadores de respaldo, sistemas HVAC, sistemas de iluminación, UPS, cogeneración (CHP) y medición de servicios públicos.
Deep Learning
El aprendizaje profundo (DL) es un subconjunto del ML. Utiliza redes neuronales con múltiples capas para extraer características complejas de datos. DL funciona en varios dominios, como la optimización de la respuesta a la demanda, la predicción de energía renovable y la gestión de la red energética. Estas áreas están viendo el mayor progreso en la industrialización de la IA.
DL puede ayudar a optimizar el uso de energía en un edificio nuevo o recientemente instrumentado con datos limitados o de baja calidad disponibles al inicio. En un artículo reciente titulado “Métodos de arranque en frío para la predicción del consumo de energía de edificios”, nuestros científicos de datos trabajaron con IMT Atlantique para aplicar DL en Sistemas de Gestión de Energía Inteligente (SEMS), reduciendo el desperdicio de energía en la fase inicial de despliegue de edificios. Los SEMS son cruciales para minimizar emisiones, optimizar el consumo de energía en edificios y crear estrategias de gestión. La clave para desbloquear su valor es la predicción precisa.
¿Cómo puedes entrenar modelos de predicción para el desarrollo inmobiliario con pocos datos? Un enfoque de Arranque en Frío utiliza datos históricos de edificios con características similares, antes de aplicar este conocimiento a la nueva tarea. El resultado es una reducción del desperdicio de energía desde el principio. Esto es beneficioso para el medio ambiente, ahorra dinero y hace que los edificios sean más valiosos.
Creación de soluciones de IA responsables
El ML y el DL tradicionales requieren menos computación que la IA generativa y ahorran mucha energía. El veredicto final sobre si la IA es buena para el planeta depende de cada caso de uso que las empresas y organizaciones decidan implementar. Nuestro enfoque es que la energía ahorrada debe superar la energía necesaria para alimentar un modelo de IA. Con un marco de decisión dedicado para tomar este tipo.
Recuerda que puedes ver nuestros productos Schneider Electric aquí
Fuente de la noticia aquí
