El incremento de la población urbana a nivel mundial está haciendo que sea necesario afrontar retos de ámbito social, económico y medioambiental, como la contaminación generada por los edificios residenciales, singulares, industria, desplazamientos e iluminación, la seguridad de las cosas y de las personas o la eficiencia energética (como productores y consumidores de energía)
Hay varias formas de abordar estos desafíos: mediante actuaciones de mitigación una vez detectado el problema, mediante actuaciones de prevención, o mediante actuaciones de predicción. Las dos primeras son ampliamente conocidas.
La predicción permite de una forma menos agresiva plantear acciones correctoras cuando todavía es posible eliminar o reducir sus efectos. Es por tanto la actuación de predicción del problema, el planteamiento que se va a hacer aquí por considerar que es la más eficaz.
Para enfrentar estos desafíos, necesitamos conocer los patrones de evolución de los problemas de las ciudades, y para ello se necesitan datos y herramientas de análisis, que permitirán mejorar la vida de los ciudadanos desde el punto de vista de la eficiencia y la eficacia.
Ciertamente, los edificios pueden proporcionar datos relevantes que mejoren el gobierno y eficiencia de la ciudad y que permitan identificar pautas para predecir patrones para los desafíos que se presentan.
Habitualmente se ha pensado en obtener estos datos a través de sistemas domóticos e inmóticos, pero la obtención de datos basada en exclusivamente en sensores y actuadores no contempla un análisis integral de todos los datos y hoy ha perdido su significado, puesto que resulta casi imposible identificar pautas útiles (por la falta de capacidad de análisis y sobre todo de visión integral e interrelación de datos teóricamente inconexos).
La dificultad para transformar una ciudad llena de sensores en una ciudad inteligente consiste en identificar estos elementos, que normalmente ya existen, y definir cómo compartir recursos y datos, en una plataforma inteligente capaz de analizarlos y tomar las decisiones adecuadas.
Para lograr este objetivo se hace preciso utilizar un nodo central con capacidades de Edge Computing que sea capaz de dar respuesta a las necesidades de la ciudad de forma inmediata y fiable.
El Nodo IoT se concibe como un concentrador de información de múltiples sensores con orígenes diversos que debe almacenar los datos que considere de interés haciendo un análisis de valor y ser capaz él mismo de identificar patrones de interés para generar acciones correctivas que eviten el colapso, o bien poner esta información a disposición de un sistema superior o plataforma de ciudad, pasando la ciudad de ser reactiva a predictiva.
Para que el Nodo IoT de edificio sea un activo capaz de cubrir los servicios reseñados, debe disponer de alta capacidad de procesamiento y almacenamiento para el tratamiento local de datos relevantes y convertirlos en información de modo que puedan servir de base para la toma de decisiones (tanto local como remota). Por lo tanto, se deben cubrir una serie de requisitos funcionales y operativos que doten al nodo de las más amplias capacidades que nos brinda la tecnología hoy en día, bien sea a nivel de conectividad, comunicaciones, almacenamiento y principalmente a nivel seguridad tanto física como lógica.
Este nodo central debe ser a su vez la pieza fundamental en la llamada Inteligencia Artifical (IA) que debe existir en las ciudades y que permita que la misma cumpla las misiones que definen esta rama de la tecnología como son la resolución de problemas de índole muy diferente, el aprendizaje automático sobre las actividades realizadas y de sus propios errores, y la distribución de dicha inteligencia entre los nodos repartidos por la ciudad.
Algunos casos de uso que podemos encontrar son:
- Gestión de eventos y situaciones de emergencia en la ciudad.
- Monitorización y control de Redes e integración con sistemas de autoconsumo y de recursos energéticos distribuidos
- Monitorización energética de una red global de edificios
Todo esto es posible gracias a la tecnología Machine Learning que debe ser inherente al nodo IoT y que, como proceso de inducción al conocimiento, será capaz de decidir si la toma de decisiones se debe realizar en la nube o en el Edge, bien sea a través de aprendizaje supervisado por el hombre o no supervisado (Deep Learning).
Se trata en definitiva de crear una red neuronal de ciudades interconectadas entre sí, que son capaces de aprender las unas de las otras con el objetivo de resolver los problemas que presentan los desafíos anteriormente descritos de una manera más efectiva y coherente, anticipándose a eventos concretos y planeando respuestas inmediatas.
Se nos abre pues una nueva era donde la tecnología se pone a disposición de los habitantes de la ciudad a través de sus edificios, los cuales interactúan siendo el centro generador de la información desde la que parten todos los servicios a la comunidad, y que cambian el paradigma de la relación entre la ciudad y el ciudadano.
Gerente Desarrollo de Negocio Smart Energy de Indra
