Machine learning

Optimice los sistemas y la modelización mediante la inteligencia artificial.

El aprendizaje automático ofrece predicciones más precisas de los resultados

El aprendizaje automático o machine learning es un tipo de inteligencia artificial con el que las aplicaciones de software pueden mejorar su capacidad de predicción, aprendiendo automáticamente a partir de datos, patrones y resultados sin estar programadas explícitamente para ello.

ADASA aprovecha estas capacidades en el contexto de los recursos hídricos. Por ejemplo, utilizamos el aprendizaje automático para reducir los costos de gestión de infraestructuras sin comprometer los niveles de servicio. Se pueden generar modelos predictivos a partir de datos históricos sobre el abastecimiento de agua, los niveles de suministro de los canales y las infraestructuras, así como sobre la meteorología, las alarmas electromecánicas y las tarifas, y se puede generar información de gran utilidad en las operaciones diarias.

Se puede predecir el consumo de agua en una zona o sector de la red de abastecimiento, garantizando un suministro continuo de agua a un coste optimizado. El aprendizaje automático puede diagnosticar errores en un sistema y aprender a reaccionar y evitar futuras alarmas, por ejemplo, con respecto a la operación de las presas y las posibles ineficiencias en el abastecimiento a zonas regables.

Los modelos creados mediante el uso de aprendizaje automático o machine learning buscan patrones dentro de grandes volúmenes de datos. Los algoritmos extraen características de los datos en bruto, que luego se analizan mediante análisis estadísticos para elaborar un modelo de datos definitivo para el uso predictivo de los modelos.

Utilizamos diferentes algoritmos y técnicas para aprender de los datos en diferentes situaciones:

Regresión: Se utiliza para predecir un valor para datos nuevos, basándose en las relaciones entre las características de salida y entrada del objetivo. Ejemplos: regresión lineal, árbol de decisión, bosque aleatorio o boosting.
Clasificación: Se utiliza para aproximar una función de mapeo (f) de las variables de entrada (X) a variables de salida discretas (y), categorizando los datos en un número determinado de clases. Ejemplos: regresión logística, clasificador naive Bayes, SVM, redes neuronales, árbol de decisión, bosque aleatorio o boosting.
Agrupamiento (clustering): Clasificación de los datos en varios grupos. Los datos clasificados en los mismos grupos deben tener propiedades y características similares, y también deben ser muy diferentes a los demás grupos de datos clasificados. Ejemplo: K-means.

Normalmente, implementamos los procesos de aprendizaje automático en lenguajes como Python (Keras), Scala, R, Java o C++.

Ventajas

Los modelos de aprendizaje automático o machine learning ofrecen un análisis eficiente e instantáneo que facilita la toma de decisiones en tiempo real.
Optimización de las operaciones y mejora de la eficiencia de la red de distribución, por ejemplo para la gestión de zonas regables.
Aumento de los modelos de análisis de riesgos.
Interpretación de datos anteriores para definir comportamientos y patrones sistémicos.
Predicción del consumo de agua en una red de abastecimiento de agua, de fallos en presas y de riesgos estructurales.