Insights: el sector marítimo y un debate honesto sobre la IA

A menudo se critica a la industria marítima por su lentitud en la adopción de nuevas tecnologías. Si bien la construcción naval es una industria antigua, también es variada: pesca, comercial, interior, construcción marítima, energía, pasajeros, recreación, defensa y la lista continúa. Cada sector tiene un propósito diferente y los buques hechos a medida cumplen diferentes misiones, operan en diferentes entornos y están sujetos a diferentes perfiles regulatorios. Como resultado, en nuestra industria abundan soluciones únicas, pero a menudo no es el tipo de innovación que cabe en su bolsillo.

Quizás la crítica provenga del hecho de que la construcción naval, y la industria a la que sirve, es un mercado altamente competitivo y dinámico, y esto puede recompensar la inversión estratégica y mesurada. Nuestra industria no es contraria a la tecnología, pero quizás seamos pragmáticos en nuestras elecciones. A diferencia de algunos productos de consumo, si la adopción industrial de la tecnología no se hace en aras de la novedad, una propuesta de valor sólida es un requisito previo para una amplia aceptación.

Este tipo de pragmatismo parece ir en contra del gigante impulsado por las redes sociales que es la Inteligencia Artificial (IA). ¿Has oído? Las promesas son grandiosas y las premoniciones siniestras. Lamentablemente, un diálogo de este tipo no da en el blanco cuando se trata de explorar el posible valor de la IA desde una perspectiva industrial. Sin embargo, esto no disminuye la importancia de la pregunta: ¿qué valor ofrece la IA a la industria marítima?

Para responder a esta pregunta, es útil saber un poco sobre la maquinaria digital que hace posible la IA. Veamos lo que sucede bajo el capó: el aprendizaje automático (ML). Los modelos de aprendizaje automático son algoritmos informáticos configurables que pueden aprender relaciones complejas dentro de los datos. Los modelos tienen decenas, cientos, miles o incluso millones de parámetros ajustables, y aprenden optimizando los parámetros para ajustarse a un conjunto de datos de una manera de alta dimensión, no lineal y, a veces, inquietantemente inteligente. Hay muchos tipos diferentes de modelos, pero los detalles y diferencias entre cada uno no son importantes en esta discusión. El concepto más importante que hay que recordar es que los modelos de ML están entrenados para asignar entradas a salidas, incluso si la relación entre ellas no es obvia.

La naturaleza adaptable y configurable de los modelos de ML es en gran medida lo que contribuye a su atractivo: un modelo se puede entrenar para que se ajuste prácticamente a cualquier tipo de datos. A veces, esta propiedad se denomina aproximación universal, pero esto no significa que el modelo pueda predecir todos los resultados posibles. De hecho, un modelo bien entrenado sólo puede hacer predicciones confiables dentro de los límites de su conjunto de datos de entrenamiento. En términos coloquiales, la IA resultante piensa dentro de la caja. Si solo hay un hecho que los posibles usuarios industriales de la IA deben entender es que la IA, en su forma actual, no puede sintetizar información que esté más allá de su conjunto de datos de entrenamiento original. Hay quienes seguramente cuestionarán esta afirmación, pero por el momento, la verdadera síntesis sigue siendo una habilidad claramente humana.

Cuando se trata de implementar IA, los datos son primordiales. Dado que la capacidad de la IA está limitada por los datos a los que tiene acceso, esto significa dos cosas:

1. Para obtener valor de la IA, se necesita un conjunto de datos sólido y
2. Si las relaciones dentro de los datos son complejas, probablemente necesitará muchos datos.

Estos dos hechos hacen que las aplicaciones en las que abundan los datos y los patrones son identificables, pero el modelado convencional es un candidato difícil y fácil para obtener valor de la IA. La mayoría de las aplicaciones de IA que vemos en nuestras noticias y redes sociales abordan problemas en esta categoría.

En la industria marítima, existen casos de uso similares ricos en datos que pueden beneficiarse de la IA. Esto incluye monitoreo de equipos, detección de fallas y estado, planificación operativa y de viajes, monitoreo de combustible y energía, áreas que ya están experimentando un despliegue comercial exitoso de la tecnología. Las operaciones de los astilleros también crean una gran cantidad de datos relacionados con el flujo de trabajo, el movimiento de materiales y el inventario, y si los datos fueran accesibles, la IA podría ayudar a identificar y aprovechar patrones y relaciones invisibles. La IA es extremadamente valiosa cuando puede exponer relaciones dentro de los datos disponibles que no sabíamos que existían o que no pudimos modelar de otras maneras, y muchas de las aplicaciones industriales actuales de la IA aprovechan este hecho como parte de su propuesta de valor.

Sin embargo, hay muchos problemas en la industria marítima que no son ricos en datos. Esto a menudo se debe a la naturaleza del problema; por ejemplo, los eventos improbables son difíciles de aprender debido a su ocurrencia poco frecuente. Pero puede ser que los datos necesarios sean simplemente demasiado difíciles (o costosos) de medir. Además, incluso si se pueden obtener datos de entrenamiento adecuados, si los esfuerzos para obtener los datos abordan directamente el problema original, la IA resultante se vuelve innecesaria. Al considerar la IA para una aplicación, es muy importante considerar los requisitos de datos para una implementación exitosa, la viabilidad y el costo de adquirir los datos, y si la adquisición de los datos proporcionará la información necesaria sin IA.

La disponibilidad de datos sigue siendo la mayor barrera para utilizar la IA en más aplicaciones dentro de la industria marítima. El diseño de métodos que reducen los requisitos de datos de entrenamiento, aprovechan pequeñas cantidades de datos para hacer predicciones y obtienen conocimientos más profundos a partir de menos información están en el centro del actual mundo de la investigación académica e industrial. Un ejemplo significativo de esto es el uso de la IA en aplicaciones de ingeniería, específicamente en el diseño y análisis de buques. Al diseñar un barco, los datos a menudo no son abundantes, pero si se pudiera aprovechar un pequeño conjunto de datos inicial, entonces se podría obtener información significativa en una etapa más temprana del proceso de diseño, de manera más rápida y económica. Los investigadores están trabajando en este mismo problema, y ​​algunos trabajos recientes se muestran prometedores, pero los métodos requieren un conocimiento considerable del dominio para tener éxito. Sin embargo, a medida que estos esfuerzos sigan ganando terreno, es posible que la IA beneficie considerablemente a los diseñadores e ingenieros de barcos durante esta década.

A medida que continúa desarrollándose la conversación sobre la IA, es más importante que nunca mantener una mentalidad pragmática. Al evaluar la tecnología para una aplicación propuesta, debemos mantener las limitaciones de los datos (en términos de calidad, cantidad y disponibilidad) al frente y al centro. La IA puede generar información a partir de datos de formas que antes eran imposibles, pero el despliegue estratégico es fundamental para obtener valor real. Para la industria marítima, con una larga historia de desafíos y soluciones únicos, la IA debería ser una herramienta más en la caja de herramientas, que se adoptará cuando la pregunta (y los datos) se adapten bien a la tecnología.