bb4423556073403fb1d75421419a2400

El papel de la Inteligencia Artificial, el Big Data y el Machine Learning en el Método Científico Clásico

Sun, 06 Oct 2019 18:40:43 GMT

El método científico es lo que comparten todos los avances científicos y tecnológicos de la historia. Fue formalizado por René Descartes en el siglo XVI I y siempre ha respondido a un esquema bien organizado, donde se iban alojando diferentes tecnologías o algoritmos matemáticos que hacían más ágil y fiable el proceso y que permitían también empujar la frontera del conocimiento de manera rigurosa.

El método científico sistematiza los pasos que debe seguir cualquier razonamiento que pretenda extraer conclusiones desde observaciones, a priori, novedosas. Se puede dividir en los siguientes pasos:

a) Observación : en primer lugar, hay que familiarizarse con el problema e identificar sus particularidades.

b) Hipótesis : tras identificar el problema mediante la observación, se asumen diferentes criterios, que generalmente son modelos de diferentes tipos.

c) Experimentación : se extraen datos que validen las hipótesis y ayuden a particularizar el caso.

d) Teoría : una vez validadas las hipótesis, se puede generar una teoría que describa el fenómeno.

e) Conclusiones : particularizándolo para cada caso, sin necesidad de obtener una teoría o una ley científica

Esto no sólo se sigue para, por ejemplo, la teoría de la relatividad o la ley de la gravedad, sino que también se sigue para cualquier cálculo de carácter más tecnológico. Y así sucede para los cálculos ingenieriles, donde se debe observar el problema, establecer ciertas hipótesis de cálculo, validarlo y posteriormente sacar conclusiones.

La ingeniería civil es muy artesanal, cada punto de cada infraestructura es diferente a cualquier otro, y los prefabricados estándares industriales aún son muy incipientes. Aun así, l a sensibilidad de las infraestructuras al clima de cada sitio, a su uso y al mantenimiento que se les realiza, hace cada caso aún más particular. Es por esto que el método científico, esta cadena de pasos a seguir, es tan importante en la ingeniería civil.

El problema llega con la universalidad que debe de tener la monitorización . Ésta debe de ser lo más estandarizada posible para ser implantada a gran escala y hay que huir de las particularizaciones salvo para casos muy singulares. La información sobre la integridad de la infraestructura es clave para diseñar estrategias de mantenimiento predictivo, evitar colapsos y aumentar el confort de los usuarios.

Y este es el contexto: hay que diseñar una metodología de monitorización estándar, que se pueda implantar a gran escala y que se adapte de manera automática a los diferentes elementos de una infraestructura. Al minimizar la intervención humana en este proceso, resulta muy complejo seguir el método científico; se elimina la parte artesanal, pero sin embargo es necesario seguirlo para asegurar la rigurosidad.

En Dubio, usamos para definir estrategias globales de monitorización dos aproximaciones; el Data Driven y el Model Based . En una primera capa se usa el Data Driven , y en el caso de infraestructuras singulares, la información que se extrae se usa en otra capa que es Model Based .

Como ejemplo, y saliendo del ámbito de la ingeniería civil, nos podemos imaginar el caso concreto de una persona que se ha hecho daño en la rodilla. Por un lado, podemos radiografiar las rodillas, diagnosticar el nivel de daño que existe e introducirlo en un modelo del cuerpo para determinar si esa persona va a cojear o no. Esta metodología es Model Based , tiene intervención humana a diferentes niveles, pero este esquema sirve para evaluar tantos casos como sean diagnosticados de manera autónoma. Por otro lado, el Data Driven prescinde de modelos e hipótesis, los extrae del análisis y tratamiento de los datos. En este caso un software observará a la persona cojear y se inferirá que se debe a un daño en la rodilla.

En Dubio usamos las dos aproximaciones, y cuidamos que la adquisición de datos sea asequible y muy simple , mediante teléfonos móviles comerciales , con el objetivo de facilitar la escalabilidad.

Con el Data Driven obtenemos de los propios datos que medimos toda la información que se necesita para definir las hipótesis y determinar las conclusiones de manera autónoma. Es decir, s e toman los datos, que generalmente vienen de fotografías y otros sensores, y sin ninguna particularización ni información de la infraestructura, el software es capaz de determinar el daño que existe y evaluar su gravedad . Obviamente no se prescinde de los puntos del método científico sobre las hipótesis y la observación, sino que estos se infieren de los datos medidos. Y es aquí donde entra el Big Data que, define, clasifica y cruza los datos. A su vez, el Machine Learning y la Inteligencia Artificial, mediante los datos, son capaces de inferir hipótesis de comportamiento, y determinar conclusiones. No es trivial, y ciertamente tiene mucha algoritmia detrás, pero con esta metodología podemos aplicar de manera rigurosa un sistema de monitorización estándar y escalable .

En el Model Based , los datos se introducen de manera automática y recurrente en un modelo predefinido de la infraestructura, bien sea de elementos finitos, de optimización de activos o de análisis de riesgos y mantenimiento predictivo. Sólo es necesario definirlo una vez para cada caso, pero de manera muy estandarizada y válido para todas las mediciones.

Con todo esto, y a pesar de sus cuatro siglos de antigüedad, podemos afirmar que, como todo lo bueno, el método científico clásico sigue vigente, sólo se está alterando el orden de sus pasos.

La Revolución de la Movilidad en el siglo XIX

Tue, 01 Oct 2019 18:40:43 GMT

En un discurso en la Universidad de Stanford en el año 2005, Steve Jobs recorrió su vida profesional desgranando la forma en la que todo lo vivido le había hecho ver el mundo. Entre otras cosas, y como uno de los protagonistas de la tercera revolución industrial, aseguraba que “no se pueden conectar los puntos mirando hacia delante; sólo se puede hacer mirando hacia atrás” . Esta frase, que crea mucha incomodidad por la incertidumbre que genera, es clave en el estudio de la movilidad actual y en cada decisión que tomamos.

Nos encontramos en la segunda revolución de la movilidad, que es una consecuencia necesaria de la tercera revolución industrial. También lo es el cambio de paradigma que ésta genera, así como lo fue la primera revolución de la movilidad de las dos primeras revoluciones industriales, principalmente en el siglo XIX.

En esta entrada, queremos mirar hacia atrás y ver los puntos que conectó la primera revolución de la movilidad.

A finales del siglo XIX, en plena segunda revolución industrial, el transporte se empezaba a ver como pieza clave de la economía en los países desarrollados. Los nuevos sistemas de producción más centralizados, fruto de la primera revolución industrial, trajeron consigo las grandes migraciones de las zonas rurales a las ciudades y una mayor necesidad de transporte de personas y mercancías.

Esta movilidad urbana se centró en el caballo. Recordemos que los motores de vapor y combustión se usaban en la industria, pero estaba en pleno desarrollo su uso en elementos reducidos para el transporte personal, lo que generaba a su vez mucha controversia y animadversión.

Ciudades como Londres contaban con un recién creado sistema de transporte ferroviario subterráneo (metro), pero pese a ello, el problema de movilidad continuaba haciendo necesario el caballo.

Londres 1894. Fuente [1]

Este era el escenario: ciudades masificadas con gran demanda de transporte y la oferta existente basada principalmente en el caballo.

Según varias fuentes [2], a finales del Siglo XIX, sólo en Londres, había unos 50.000 caballos transportando gente cada día, número que se doblaba en el caso de ciudades como Nueva York. Recordemos que, en este momento de la historia, el coche es un elemento en desarrollo y prácticamente descartado para la movilidad de personas. Este es el contexto de la frase que se le atribuye a Henry Ford: “Si hubiera preguntado a mis clientes qué es lo que necesitaban, me hubieran dicho que un caballo más rápido” .

El famoso Model T de Ford se empezó a vender en el año 1908, más de una década después de la gran crisis del transporte a caballo, y al tiempo que hacían lo propio otras Startups de la época, como Peugeot, Audi, Mercedes-Benz o Aston Martin.

La necesidad crítica de un cambio de paradigma en la movilidad llegó en el 1894. Como bien explica el artículo del Finantial Times “La sabiduría de los excrementos de caballo” [3], a raíz de la crisis de los excrementos de caballo del año 1894 [4]. Como hemos dicho, había un gran número de caballos en las ciudades, lo que generaba una cantidad ingente de excrementos, cadáveres de caballos en las calles y una demanda de alfalfa que no se podía satisfacer con la producción agrícola de la época.

Hoy, parece obvio, pero como bien dijo Jobs, no se pueden conectar los puntos hacia delante cuando viene un cambio de paradigma.

Ante tal situación, se convocó en 1898 el primer Congreso Mundial de Planeamiento Urbano en Nueva York, reuniendo a expertos de todo el mundo para solucionar el problema de movilidad en las ciudades [3]. Paradójicamente, completamente obcecados, fijaron como principal tema del congreso las nuevas metodologías para optimizar la gestión de los excrementos de los caballos y la producción de asfalfa. Esto llevó a que, a pesar de que estaba previsto que el congreso tuviera una duración de 10 días, al tercer día se disolvió porque ninguno de los asistentes veía una solución al problema.

No sólo se descartó apostar por el coche como alternativa, sino que se legisló para aminorar su incipiente aparición a principios del siglo XX, como la ley de la bandera roja en Inglaterra [5], la cual obligaba a los coches a circular siempre con una persona caminando delante y que fuera agitando una bandera roja.

En torno a 1912, el coche cobró protagonismo, los caballos ya no eran el centro de la movilidad, y diferentes elementos entraron para cambiar el curso de la evolución del transporte. Y con ello, todos los problemas de la crisis de 1894, ya no lo eran.

En el año 2013, asistí a una conferencia en Manchester que impartía Rod Smith, profesor del Imperial College de Londres y por aquel entonces, asesor científico del Ministerio de Transporte de Reino Unido. En ella, hablaba de este problema, de la carga social que tiene y de cómo la primera revolución de la movilidad nos enseña aquello que ya usaba Einstein: “No podemos resolver los problemas pensando de la misma manera que cuando los creamos” .

Puede que hoy en día estemos optimizando aspectos que minimicen, pero no resuelvan el problema, y que el cambio de paradigma que culmine esta segunda revolución de la movilidad pase por el cambio de necesidades. Es decir, el cómo nos movemos tiene una gran importancia, pero las nuevas tecnologías también nos permiten descentralizar las necesidades, eliminar enlaces físicos y actuar sobre la cuestión de ¿para qué nos movemos?

La primera crisis de la movilidad vino ligada a la primera y segunda revolución industrial, las que densificaron las ciudades porque era donde se centraban los grandes centros de producción. Hoy, con la tercera revolución industrial, aspectos como la educación de calidad, el consumo, o el trabajo dejan de tener una dependencia física tan fuerte. Y puede que esto genere un movimiento inverso disminuyendo la densidad de las grandes ciudades y volviendo a poblar áreas más rurales. Todo ello, acompañado por la segunda revolución de la movilidad.

Aquí es donde cobran gran importancia las infraestructuras que unen vastos territorios, las carreteras secundarias y los grandes ejes vertebradores (carretera, tren, avión). Estas infraestructuras deben ser un elemento más en el esquema global de esta segunda revolución de la movilidad.

Y aunque parezca contradictorio, si las nuevas tecnologías se enfocan a globalizar el acceso a la educación o servicios; es decir, a descentralizar lo que a raíz de la primera y segunda revolución industrial se centralizó en el siglo XX, la segunda revolución de la movilidad puede requerir mirar hacia atrás, como bien decía Jobs, y servirnos de todos los medios posibles a nuestro alcance para minimizar el número de desplazamientos, pudiendo así, aumentar su distancia.

Bibliografía

[1] https://www.businesshorsepower.com/lessons-great-horse-manure-crisis-1894/

[2] https://www.historic-uk.com/HistoryUK/HistoryofBritain/Great-Horse-Manure-Crisis-of-1894/

[3] https://www.ft.com/content/238b1038-13bb-11e3-9289-00144feabdc0

[4] https://fee.org/articles/the-great-horse-manure-crisis-of-1894/

[5] https://en.wikipedia.org/wiki/Locomotive_Acts

Es un nuevo amanecer, un nuevo día

Tue, 24 Sep 2019 18:40:42 GMT

Birds flying high, you know how I feel

Sun in the sky, you know how I feel

Breeze driftin' on by, you know how I feel

It's a new dawn

It's a new day

It's a new life for me, ooh

And I'm feeling good

Así cantaba la gran Nina y así nos sentimos desde Dubio, donde pretendemos explorar un camino poco transitado en la ingeniería civil: la digitalización.

Abrirse camino en un mundo muy rígido es muy complejo, más aún si pretendes digitalizar un oficio tan tradicionalmente artesanal como la Ingeniería de Caminos, Canales y Puertos; más aún si quieres hacerlo desde una Startup en un mundo donde, muchas de las mayores empresas españolas y mundiales se dedican a la ingeniería civil, con miles de millones de euros de facturación anual y miles de empleados. Pero vivimos una época que nos permite hacerlo, donde el talento de un pequeño grupo tiene valor en un entorno de innovación. Somos un grupo de Rock entre Orquestas Sinfónicas.

No pretendemos cambiar el mundo, ni vamos a hacerlo. El mundo está cambiando solo y nosotros trabajamos para ser parte de ese proceso.

Si quieres acompañarnos, en este blog puedes seguir nuestros pasos, así como en redes sociales.