Aunque seguimos convencidos de las grandes posibilidades de la Inteligencia Artificial tenemos claro que es mucho más difícil que en los campos en los que se inició. De hecho personalmente pienso que si no se han producido avances importantes es por la falta de conocimiento de la problemática industrial de la mayor parte de informáticos y científicos de datos actuales.

No hay problema en buscar millones de imágenes en fracciones de segundo para una palabra clave o utilizar el reconocimiento de voz para que se reproduzca una canción en su servicio de streaming. Esto es posible gracias al aprendizaje profundo, un subcampo de la inteligencia artificial. Con la ayuda de grandes cantidades de datos, los algoritmos aprenden; clasifican, ordenan y filtran los datos. La tecnología se utiliza en muchos ámbitos, como la medicina, la agricultura o la robótica.

Sin embargo por ejemplo, en una planta química, el mismo proceso se realiza siempre en las mismas condiciones durante un largo periodo de tiempo, como la conversión de materias primas en productos. Así, los sensores miden siempre la misma temperatura, presión, etc y las únicas variaciones responden al «ruido» (blanco) de las variables de proceso.

De ahí el interés del Grupo de Machine Learning alemán de TU Kaiserslautern y su línea de trabajo «Deep Learning on sparse chemical process data».  El equipo interdisciplinar de informática e ingeniería de procesos está desarrollando nuevos métodos para aplicar «Deep learning en la industria»  lo que, por ejemplo, debería ayudar a detectar errores en los procesos químicos en una fase temprana para evitar accidentes y paradas.

Para ellos, la atención se centra menos en el número de datos y más en la calidad de los mismos. El equipo está adoptando dos enfoques. En primer lugar, lleva a cabo procesos químicos en el propio laboratorio para recoger datos experimentales y, en segundo lugar, también genera datos sintéticos. «Todos los experimentos son complejos y costosos. Nuestra principal preocupación es, por tanto, recoger los datos adecuados, es decir, aquellos de los que los métodos de aprendizaje profundo pueden aprender más», añaden. Para ello, se utiliza una planta de destilación por lotes  para recoger datos de procesos dinámicos. Además, en el socio del proyecto, la Universidad Técnica de Múnich, funciona una planta de producción continua de combustibles sintéticos a escala piloto.

Estas plantas están equipadas con diversos sensores para registrar una amplia gama de datos, como la presión y la temperatura, pero también vídeos del funcionamiento interno o la composición de las mezclas utilizadas

Además de los datos del laboratorio, se generan otros con la ayuda de simulaciones físicas y métodos de inteligencia artificial. Un reto especial es hacerlos lo más realistas posible. Están aplicando dos enfoques al respecto: Por un lado, están desarrollando métodos para aprender el estilo de los datos experimentales y luego transferirlo a los datos de simulación. En el grupo de investigación se están aplicando ahora a los datos de series temporales de procesos químicos, que pueden entenderse como datos secuenciales al igual que las palabras de un texto. Por otro lado, incorpooran leyes físicas, por ejemplo de la termodinámica, directamente en sus modelos, de modo que también pueden generar datos realistas de áreas (o condiciones de operación) en las que no se dispone de mediciones.

El objetivo para los próximos cuatro años de su proyecto para el que disponen de un presupuesto de 3.5 millones de euros) es utilizar los nuevos métodos de aprendizaje profundo para detectar anomalías o errores en las plantas químicas en una fase temprana, pero también para identificar las contramedidas adecuadas. Esto tiene una gran importancia práctica, ya que cada fallo de una planta es, como mínimo, costoso y, en el peor de los casos, representa un peligro para las personas y el medio ambiente.