Las aproximaciones entre las integraciones de IT/OT para desarrollar mantenimiento predictivo a través de Edge Computing, están dando lugar a un desarrollo exponencial de la Inteligencia Artificial, que ya se está aplicando a los principales sectores estratégicos, entre ellos el Energético. Este sector tiene como reto el implementar soluciones tecnológicas que descarbonicen la economía, mejorar la eficiencia energética y acercarse al cumplimiento de los Objetivos de Desarrollo Sostenible.
Para ello, es imperativo disponer de un ecosistema de partners tecnológicos, que permitan a los principales proveedores IT embarcase en la definición, desarrollo e implementación de algoritmos eficientes energéticamente que impulsen el autoaprendizaje sostenible de estos sistemas. Dichos algoritmos harán más eficientes los procesos de forma global y escalable, reduciendo costes y tiempos de implantación. Estos desarrollos deberán definirse como modelos de acompañamiento, que combinen tecnología IoT Industrial (IIoT), Cloud y Edge Computing, Inteligencia Artificial y Machine Learning.
Un gran componente de la IA es el aprendizaje automático, que utiliza inferencia estadística y cantidades ingentes de datos para entrenarse. Lo más determinante de esta tecnología es que permite acelerar procesos y ayuda a actuar como millones de seres humanos independientes trabajando a la vez. Esto permite a los especialistas centrarse en desarrollar tareas de alto valor añadido y dejar a los algoritmos realizar las tareas repetitivas.
El estudio del Centro para la Investigación Económica Europea, ZEW Auf Künstliche Intelligenz kommt es an, determina que las empresas podrán incrementar un 25 % sus ingresos gracias a la IA. En el caso concreto de las energéticas, mediante esta tecnología es posible predecir la demanda y adecuar la producción a la demanda futura. Desde T-Systems pensamos que debemos añadir valor incluyendo metodología DevOps aplicada a Machine Learning, lo que nos permitirá una mejora en agilidad, control de versiones y/o trazabilidad de cambios.
Las capacidades predictivas en los dispositivos de IA se basan en la recopilación de datos de activos y/o personas. Esto puede ser problemático debido al uso de información sensible o de datos privados, y un limitante para los clientes del sector energético. Por ello, en base a nuestro entendimiento del sector, la IA se enfrenta al reto de entender los procesos que permitan asegurar la privacidad de las soluciones. En el camino pensamos que hay muchas decisiones políticas que tomar para asegurarse de que esta tecnología no se utilice erróneamente. Es ahí donde el Data Governance es crucial, porque no puede haber futuro para la IA si no existe una sólida política de gobernanza de datos que se cumpla de manera estricta.
Para hacer frente estos retos, T-Systems ha desarrollado ENAE, una solución que integra una arquitectura flexible, global y escalable que permite filtrar, pretratar, normalizar y combinar los datos de los distintos sensores antes de enviarlos a la nube, que, en función de la privacidad de los datos, podrá ser pública, privada o hibrida, lo que disminuirá el coste de la conexión de datos, almacenamiento y procesamiento, mejorando la potencia de cálculo en la nube. Además, integra cualquier solución de hardware o software de otros fabricantes, adaptándose a la mejor solución para el caso de uso gestionado y al ecosistema y necesidades del cliente, detectando y resolviendo cualquier posible incompatibilidad que pudiera existir entre cualquiera de estos componentes.
T-Systems
Head of Oil&Gas/Utilities Business Unit
