• Reconocimiento y razonamiento: cómo la inteligencia artificial ayuda al sector de la infraestructura rumbo a la digitalización

    En una era en que las computadoras tienen una tasa de error inferior a la de los humanos, la IA se está expandiendo más allá del sector de la tecnología y se está utilizando en todos los proyectos de infraestructura.

Reconocimiento y razonamiento: de qué manera la inteligencia artificial está ayudando en la digitalización del sector de la infraestructura

Chintana Herrin, Gerente de Marketing de Productos, Ciudades Digitales

Durante años, los humanos han reconocido las imágenes mejor que las computadoras. Nuestra tasa de errores se ha mantenido constante en el 5 %, mientras que los algoritmos informáticos se situabaN en el 30 %. Sin embargo, con el aumento de la visión informática y el aprendizaje profundo, la brecha entre los humanos y las computadoras se ha reducido lentamente. En los últimos dos años, los investigadores han observado que los algoritmos informáticos presentan una tasa de error inferior al 5 %, mejor que la de los seres humanos. Estos avances aportan un gran potencial a muchos sectores diferentes.

En el sector de la infraestructura, los usuarios han aplicado el modelado de realidad en innumerables proyectos para mejorar todos los flujos de trabajo. Un modelo en 3D puede aportar una representación digital del mundo real con la información que las partes interesadas necesitan para diseñar, construir y operar activos, lo que ayuda a tomar mejores decisiones.

En los últimos cinco años, la inteligencia artificial (IA) ha pasado a ser la corriente dominante y ya no se asocia solamente con el sector tecnológico. Se está adaptando y aplicando para aumentar su valor en todos los sectores, como el servicio de atención al cliente, la inteligencia empresarial, el marketing y las ventas, e incluso los servicios legales. En consonancia con esta tendencia, el sector de la infraestructura ha comenzado a explorar el uso de la tecnología de aprendizaje automático en flujos de trabajo de modelado de realidad en todos los tipos de proyectos.

Implementación del aprendizaje automático

A menudo, las personas confunden la IA, el aprendizaje automático y el aprendizaje profundo. Aunque tienen significados muy diferentes, estos términos están interconectados. IA es el término más genérico, que se aplica a cualquier momento en que una computadora hace algo inteligente o razona con los datos. Esta capacidad de razonamiento distingue a la IA de otros tipos de programación informática. La programación de una computadora para que hable no es inteligencia artificial; sin embargo, si se le programa para dar un discurso y entender su significado, este proceso sí sería IA. Incluye muchos temas, como la optimización, los sistemas expertos, la robótica, el procesamiento de idiomas, la visión informática y el aprendizaje automático. Todos los días vemos ejemplos de aprendizaje automático, ya que la mayoría de las cámaras de los teléfonos inteligentes pueden identificar las caras y enfocarlas. El aprendizaje profundo, un subconjunto del aprendizaje automático, sucede cuando una computadora puede actuar como el cerebro humano, con varias capas de neuronas artificiales que ayudan este proceso.

Los investigadores de modelado de realidad están utilizando con éxito el aprendizaje automático para detectar objetos en mallas de realidad 3D a gran escala. Sin embargo, estas prácticas son solo el principio. A medida que los usuarios siguen implementando la IA y el aprendizaje automático en sus flujos de trabajo de modelado de realidad, lo que buscan finalmente es utilizar el aprendizaje profundo. Los investigadores han estado entrenando estas enormes redes neurológicas de aprendizaje profundo para hacer todo tipo de cosas, como el reconocimiento de imágenes y funciones, la detección de objetos y el procesamiento de idiomas. Esto será crucial para el desarrollo de la IA para los usuarios de aplicaciones de modelado de realidad y facilitará el paso a la digitalización del sector de la infraestructura.

Ver defectos estructurales

En la actualidad, las aplicaciones de modelado de realidad utilizan el aprendizaje automático para superar muchos obstáculos del sector. El aprendizaje automático hace posible la visión informática y el reconocimiento de imágenes para identificar problemas en proyectos o piezas individuales de equipos antes de que se produzcan. Al implementar la visión informática, los investigadores les están enseñando a las computadoras a ver como seres humanos. La computadora puede clasificar objetos, lo que significa que puede distinguir si una imagen es un árbol o un automóvil. El siguiente paso consiste en enseñarle a detectar objetos, es decir, solicitarle a la computadora que identifique árboles y automóviles en la misma imagen. La computadora debería tener la capacidad de distinguir entre los dos objetos. Por último, la computadora puede segmentar el objeto. Este paso implica dibujar alrededor de la forma exacta de un objeto, tanto si la imagen está en 2D como en 3D.

Recientemente, las organizaciones han utilizado este tipo de visión informática para detectar fallas en el concreto. Muchas otras utilizan la tecnología para identificar grietas, incluyendo su forma y profundidad. Al segmentar una grieta, los investigadores pueden averiguar la forma, el tamaño y la escala exactos de esta, junto con otros datos fundamentales para los ingenieros.

Visualización de las ventajas en el campo

Una característica interesante del reconocimiento de imágenes es la capacidad de entrenar a la red neurológica artificial de varias capas con miles de imágenes para reconocer un objeto. Después de formar el modelo, se puede utilizar para reconocer un objeto similar en una nueva imagen. Con esta función, los investigadores pueden crear modelos tridimensionales semánticos. Este modelo se clasificaría para que los ingenieros conozcan los detalles de lo que ven en el modelo, al mismo tiempo que mantienen el color y la textura de alta calidad de un modelo 3D normal. Esta función es increíblemente útil para las inspecciones de infraestructura.

Este tipo de modelo se presentó durante el proyecto de CH2M Fairhurst en Europa. El equipo del proyecto quería diseñar y crear un modelo en 3D para mejorar una carretera. Para completar este proyecto, el equipo necesitaba un modelo en el que no hubiera árboles en ninguno de los costados de la carretera, ya que planeaban ampliarla para agregar más carriles. Los miembros del equipo también querían crear un nuevo paisaje circundante, por lo que necesitaban eliminar los árboles para visualizar mejor sus opciones. Su equipo proporcionó un conjunto de datos al equipo de investigación, que primero clasificó los árboles a ambos lados de la carretera y, a continuación, los eliminó. Normalmente, los usuarios tendrían que entrar en el programa y eliminar manualmente todos los árboles. Este proceso, que requiere mucho tiempo, se eliminó gracias al modelado de realidad.

Skand Pty Ltd también utilizó recientemente este tipo de modelado para su proyecto en el Royal Melbourne Institute of Technology (RMIT). La universidad, ubicada en Melbourne, Victoria, Australia, quería integrar imágenes y análisis de drones en su galardonado programa de ciclo de vida de activos de cuarenta años. Skand comenzó con el campus de Brunswick de esta universidad; utilizó un dron para capturar imágenes de este sitio de 65.000 metros. A continuación, el equipo del proyecto utilizó un programa en Internet para incorporar los datos en el reporte de inspección del proyecto de recubrimiento de edificios existente de RMIT a través de la conversión de las imágenes 2D en conjuntos de datos significativos asignados a un modelado de realidad en 3D. El programa también utilizó la visión informática y el aprendizaje automático para identificar y categorizar defectos, como grietas, musgo, algas, nidos de aves, y otras formas de corrosión y degradación del material de construcción. Skand no solo quería proporcionar una plataforma para integrar imágenes de dron en el programa de ciclo de vida de activos de RMIT, sino también para ofrecer una calidad superior de modelado y asignación de defectos para planificar mejor el mantenimiento de activos. Al combinar en un único servicio aplicaciones de aprendizaje automático y modelado de realidad con visualización y reportes en 3D, Skand creó una integración rentable de imágenes y análisis de drones con el programa de ciclo de vida de activos de RMIT. Los resultados finales fueron una mayor seguridad, ya que los usuarios podían llevar a cabo inspecciones de tejados y fachadas sin elevarse del suelo, y un menor tiempo, ya que los trabajos se realizaban con computadoras. Esto también permitió un ahorro significativo, ya que la solución de Skand es aproximadamente un 60 % más barata que los métodos de inspección tradicionales.

Las posibilidades infinitas

Existen muchas formas en las que el sector de la infraestructura puede aplicar la visión informática o la IA en general para seguir avanzando. Una forma es utilizar aplicaciones de modelado de realidad y su capacidad para clasificar imágenes en mallas de realidad. El sector, finalmente, desea utilizar redes neurológicas que ya hayan aprendido objetos de otras imágenes. Los investigadores desean encontrar una manera para que los usuarios seleccionen objetos en sus imágenes a fin de que la aplicación de modelado de realidad los aprenda y los detecte automáticamente en el futuro.

Otra forma en que la IA puede ayudar al sector es para mejorar las aplicaciones mismas de modelado de realidad. Así, la inteligencia artificial podría mejorar tanto la tecnología como la experiencia del usuario. También se están logrando avances en la forma en que se puede aprovechar esta tecnología para maximizar el valor del modelado de realidad y mejorar la productividad. Recientemente, Bentley anunció su Programa de Acceso Anticipado para ContextCapture Insights, una solución de modelado de realidad que detecta y localiza automáticamente objetos mediante la tecnología de aprendizaje automático en 3D. Proporciona automatización para reducir el tiempo y los costos asociados al análisis de condiciones reales a partir de datos reales. Al crear modelos en 3D, los usuarios tendrán una mejor visibilidad del progreso y los objetivos finales de sus proyectos. El uso de aplicaciones de modelado de realidad para crear los modelos acelerará el proceso de diseño y mantendrá a todos informados de los cambios.

El modelado de realidad con IA se puede aplicar a muchas áreas diferentes del sector de la infraestructura y es útil en todas las etapas del ciclo de vida de un activo. A medida que la tecnología continúa mejorando, queda claro que no hay límite en lo que puede hacer el modelado de realidad.