Por: Rick Kephart , vicepresidente de tecnología de Emerson Power and Water Solutions
La inteligencia localizada transformará las operaciones energéticas y permitirá que los modelos de inteligencia artificial (IA) generativa basados en Edge brinden precisión, agilidad y control en cada capa de las operaciones energéticas.
Durante décadas, las empresas de generación energética han confiado en poderosas herramientas de Machine Learning (ML) para impulsar las operaciones precisas necesarias que satisfacen el apetito casi ilimitado del mundo por la energía eléctrica. Un gran número de personal altamente experimentado implementaría, ajustaría y monitorearía periódicamente las herramientas de ML para brindar una amplia gama de facilitadores de operaciones críticas: mayor confiabilidad, control de procesos de circuito cerrado ajustado de manera óptima, alarmas y alertas, programación y más.
Hoy en día, a medida que la demanda de energía ha aumentado drásticamente, también lo ha hecho la necesidad de herramientas potentes que ayuden a impulsar la excelencia operativa. Sin embargo, la gran cantidad de personal necesario para implementar y mantener esas tecnologías no ha crecido en paralelo. De hecho, es más difícil que nunca encontrar trabajadores calificados y las compañías eléctricas están sintiendo la presión.
Afortunadamente, otra tecnología ha evolucionado en paralelo para ayudar a cerrar la brecha de experiencia e impulsar operaciones más eficientes, efectivas, seguras y confiables en la industria energética. La inteligencia artificial (IA) es la próxima evolución de la tecnología de asistencia, construida sobre una base de ML que ayuda a las organizaciones a lograr cambios rápidos y productivos en sus operaciones y mantenimiento. Hoy en día es imposible pasar por alto la IA. Está en los titulares, en los dispositivos móviles, en el estudio de arte y en los sistemas comerciales empresariales. Sin embargo, un lugar donde las tecnologías de IA están teniendo dificultades para afianzarse es en la sala de control o, más precisamente, en la capa de control.
La reticencia a integrar la IA en el control es comprensible. La IA moderna, en particular la IA generativa (GenAI), todavía es un trabajo en progreso y las empresas deberían ser prudentes al implementar tecnología no probada en sus entornos de control. El control de procesos requiere una operación segura, estable y confiable las 24 horas del día, los 7 días de la semana para reducir el riesgo de incidentes de seguridad y costosas pérdidas de producción. Además, gran parte de la propiedad intelectual más crítica de una empresa reside en la capa de control, por lo que las organizaciones suelen ser cautelosas con su exposición.
Sin embargo, no cabe duda de que algún día la GenAI impactará el control de procesos, aunque nadie puede decir todavía cómo. Ese retraso, sin embargo, no significa que sea inútil comprender y aplicar estrategias en torno a la implementación de la IA. Todo lo contrario, cuando la GenAI se cruce con el control, el cambio radical en las operaciones probablemente tendrá un impacto significativo y aquellos que estén preparados para ello podrán aprovechar una ventaja competitiva que cambiará las reglas del juego para sus organizaciones.
Considerar algunos de los caminos potenciales para el futuro de la GenAI en control, así como las formas en que podrían implementarse, tiene un valor real, aunque solo sea para ayudar a las empresas a tomar los pequeños pasos necesarios hoy y preparar un camino menos complejo y engorroso para lograr ganancias masivas mañana.
¿Cómo es la GenAI diferente?
Aunque el mundo ha estado escuchando acerca de la IA durante años, muchas personas aún no comprenden completamente que la GenAI es algo nuevo. La GenAI presenta, como mínimo, una apariencia de capacidad de razonamiento, lo que le permite realizar inferencias entre puntos de datos sin necesidad de grandes cantidades de software personalizado. En última instancia, esta capacidad se manifiesta como la capacidad de generar contenido original que a su vez alimenta el motor original, lo amplía y lo fortalece.
La mayoría de las personas ha visto al menos un pequeño ejemplo de cómo funciona esto. Hacerle una pregunta a un Chatbot de la GenAI, por una interfaz web o un sistema empresarial, casi siempre dará como resultado alguna respuesta, ya sea sobre ranas arbóreas o termopares. Estos resultados suponen un cambio radical en la capacidad de la IA por dos razones clave.
En primer lugar, el usuario puede hacer una pregunta a la GenAI en lenguaje natural, lo que hace mucho más fácil ser específico y refinar continuamente la lógica de la consulta. En segundo lugar, es tremendamente eficiente porque nadie necesita codificar manualmente la capacidad de hacer esa pregunta específica y proporcionar una respuesta. Al utilizar su gran modelo de lenguaje (LLM), la IA puede analizar, investigar, evaluar y responder en lenguaje natural (o, cuando se desee, en una variedad de lenguajes naturales) en segundos.
Sin embargo, donde la capacidad de razonamiento realmente gana fuerza es en la capacidad de incitar de forma programática los modelos de IA para que potencien la interacción directa con las aplicaciones. Los programadores actuales ya están usando estos indicadores, junto con las interfaces de programación de aplicaciones (API) adecuadas, que promueven nuevas capacidades con enriquecimiento de datos dinámico impulsado por la IA y la generación de contenido (Figura 1).
1. A medida que nuevas fuentes de energía capturen una porción cada vez mayor del mercado, se necesitarán potentes herramientas de IA que ayuden a impulsar las redes inteligentes del futuro. Cortesía de Emerson
Capacidad, con salvedades
Si bien el potencial de la GenAI en los sistemas de control industrial es inmenso, es importante reconocer que la tecnología aún se encuentra en sus primeras etapas y está evolucionando rápidamente. Un desafío importante es la tendencia de la IA a generar “alucinaciones”, resultados que pueden parecer plausibles pero que son incorrectos en los hechos o carecen de fundamento en los datos. Además, la transparencia de cómo la GenAI llega a sus conclusiones y recomendaciones suele ser limitada, lo que dificulta que el personal confíe plenamente en sus resultados o los validen. Estas cuestiones resaltan la necesidad de mecanismos de validación sólidos, supervisión humana e investigación continua que mejoren la confiabilidad y la capacidad interpretativa de la GenAI en aplicaciones industriales críticas.
Los desafíos de la GenAI en las operaciones energéticas
El potencial de la GenAI es tremendamente emocionante, pero usarlo en la generación energética no es tan simple como conectar un modelo de GenAI público y grande al sistema de control. De hecho, esa misma frase probablemente aumente dramáticamente la presión arterial de alguien del personal de planta que la lea. Una de las razones de esa inquietud es que los modelos de la GenAI públicos y de gran tamaño deben operar en la nube para proporcionar la potencia de procesamiento y el almacenamiento necesarios para gestionar sus LLM masivos y pocos equipos de operaciones están dispuestos a conectar sus sistemas de control a la nube.
Hay un par de razones fundamentales para esta vacilación. En primer lugar, la nube, independientemente de los protocolos de ciberseguridad, es un espacio compartido. Conectar el sistema de control y sus datos operativos a un espacio público pone inmediatamente en riesgo la propiedad intelectual de una organización, junto con la continuidad de la operación de sus sistemas críticos. Si bien es poco probable que ocurran en las plataformas más seguras, las violaciones de datos son posibles en absolutamente cualquier plataforma compartida, lo que hace que el riesgo sea demasiado alto para que la mayoría de los equipos de operaciones lo toleren.
Además, las regulaciones de Protección de Infraestructura Crítica (CIP) de la Corporación de Confiabilidad Eléctrica de Norteamérica (NERC) son estrictas y difíciles de seguir incluso a nivel local. Si bien es posible crear una conexión compatible con NERC CIP a un modelo GenAI público, la complejidad, el riesgo y las limitaciones harían que el proceso fuera más engorroso y costoso de lo que vale.
Además, para lograr dicha salida de datos probablemente se requerirían diodos de datos u otra tecnología que mueva los datos a un Data Lake donde podrían ser consumidos por los motores de IA. Un proceso de este tipo sería demasiado lento para tener un impacto en las operaciones a nivel de control y, además, no habría una ruta clara para mover los datos de vuelta a la capa de control.
Al final, muchas organizaciones se encuentran estancadas. Quieren aprovechar los beneficios de la GenAI para apoyar y mejorar las habilidades de su personal limitado e inexperto. Se dan cuenta de que necesitan modelos de IA potentes y soporte de la GenAI para impulsar la automatización avanzada, pero no pueden aprovechar de forma segura y eficiente esas herramientas en la capa tecnológica donde serían más útiles.
Los beneficios de la GenAI aportan valor real
Si bien implementar la GenAI en la capa de control parece ser una batalla cuesta arriba, existen muy buenas razones por las que los proveedores de soluciones de automatización continúan considerándolo como una opción. La GenAI tiene el potencial de aportar un valor enorme a las aplicaciones de proceso si la industria puede encontrar una manera de hacer que la solución funcione de manera confiable y segura.
En primer lugar, la GenAI tiene la capacidad de combinar de manera más efectiva y eficiente el diagnóstico operativo con el reconocimiento de patrones avanzado que ayuda a brindar una mejor visibilidad general del estado de los activos y equipos, junto con la optimización de procesos. A medida que más personal experto abandona la industria y se lleva consigo décadas de conocimiento institucional, el personal más nuevo y menos experimentado dependerá en gran medida de la tecnología para ayudarse a lograr continuamente la excelencia operativa. La GenAI no solo tiene la capacidad de elevar el nivel de lo que realmente significa la excelencia operativa, sino que también brinda apoyo en la toma de decisiones y capacitación que ayudará al personal a alcanzar este objetivo más rápido.
Además, uno de los beneficios clave de los LLM y la capacidad de lenguaje natural inherente a la GenAI es la capacidad de los asistentes de operaciones de ayudar a los usuarios a desempeñarse de la mejor manera. Los modelos de IA tienen la capacidad de consumir procedimientos operativos, estrategias de control y gráficos, y actuar como asesores confiables, al ayudar al personal a comprender lo que está sucediendo en el sistema de control y brindar recomendaciones que los usuarios de casi cualquier nivel de habilidad pueden evaluar e implementar para un mejor desempeño.
Las herramientas de la GenAI pueden incluso utilizarse para el monitoreo automatizado de la condición, la ciberseguridad y la detección de intrusiones, así como para la creación de hojas de control o gráficos que ahorran tiempo y esfuerzo de ingeniería. Las capacidades son ilimitadas y emocionantes, pero primero deben implementarse.
Nuevas estrategias pueden ayudar a navegar la complejidad
Entonces, si el personal no puede conectar sus sistemas de control a los motores de la GenAI alojados en la nube, ¿cómo podrán obtener los beneficios que podrían generar un cambio de paradigma en la eficiencia operativa? La clave es pensar fuera de la caja, o quizás, fuera de la nube. Si bien la GenAI creció sobre la base de un modelo de IA único, grande y abierto, esa no es la única opción. A medida que la tecnología avanza y si los equipos están dispuestos a limitar el alcance de sus motores de IA individuales, probablemente podrán ejecutar muchos modelos más pequeños en plataformas locales directamente en la capa de control. Estos tipos de modelos de la GenAI pueden capturar el comportamiento cualitativo para aumentar los controles. Esta capacidad probablemente será más útil durante condiciones anormales donde puede haber múltiples fallas que potencialmente hagan que el sistema de control base tenga dificultades para mantener el control.
Hoy en día, algunos de los modelos de la GenAI más pequeños previamente capacitados son muy capaces desde el primer momento. Estos modelos luego se ajustan para una aplicación de control específica al utilizar información genérica del equipo o incluso información específica del activo. Por ejemplo, un modelo de la GenAI pequeño puede ser capacitado en los conceptos básicos de cómo funciona una turbina de gas o puede ser instruido específicamente para entender las especificaciones, los umbrales, las limitaciones y el diseño central de un modelo individual de turbina de gas producida por un fabricante.
De hecho, es muy probable que la industria energética vea a las empresas invertir en modelos generales que comprendan las características de comportamiento de aplicaciones particulares (como la energía hidroeléctrica, las turbinas de gas, las baterías, la energía solar, la eólica o incluso el propio sistema de control) y que se ajusten aún más in situ con información exclusiva de los equipos y las configuraciones específicas de la capa de control (Figura 2).
2. Es posible ajustar modelos de la GenAI pequeños y previamente capacitados para acciones de control y activos específicos. Cortesía de Emerson
A medida que estos modelos más pequeños aumenten en popularidad, los equipos serán capaces de implementar soluciones de la GenAI que estén más centradas en sus circunstancias únicas. Este tipo de solución elimina los riesgos de la tecnología en la nube y está más centrada en las operaciones exactas que está diseñada para realizar.
Como resultado, es más sencillo de gestionar y mantener, y más fácil de proteger con barreras de seguridad de la IA. Por ejemplo, cuanto más limitado sea el alcance de la capacitación, menos probable será que la IA se quede sin respuestas e invente cosas que no sean relevantes para la configuración existente. Además, estas soluciones serán más fáciles de proteger, al utilizar las mismas capas de protección NERC CIP que el equipo de operaciones ya utiliza.
Una visión para un futuro con la GenAI
La IA todavía es muy nueva y hay demasiadas incógnitas para predecir con exactitud cómo los equipos de operaciones implementarán de manera más efectiva las soluciones de la GenAI y apoyarán a su personal a medida que los sistemas de energía continúen aumentando en complejidad. La tecnología, en particular la infraestructura, seguirá cambiando para respaldar nuevas opciones y configuraciones para la IA en la sala de control.
Sin embargo, los pequeños modelos de la GenAI que respaldan esta evolución están apenas en el horizonte y aquellos desarrollados con soluciones de automatización en mente ayudarán a los proveedores de energía actuales a dar un paso adelante con una tecnología que dará forma al futuro de la generación y distribución energética.
📢 ¡Ya está disponible la nueva edición de Global Industries México!
Te puede interesar
Inteligencia Artificial compensa la brecha generacional en plantas industriales
El futuro de la industria es autónomo
AVEVA muestra cómo la IA Industrial está transformando la manufactura global
Muchas alertas, poca reacción: el riesgo oculto en la ciberseguridad del sector industrial
La seguridad en las empresas: un logro que se consigue en equipo
