Como parte de nuestra serie que explora las fronteras de la investigación científica, conversamos con una joven científica del Foro Económico Mundial, Olga Fink, profesora de sistemas inteligentes de mantenimiento en ETH Zúrich, que está desarrollando algoritmos inteligentes para mejorar la seguridad y la fiabilidad de activos industriales complejos
¿Cuál es el gran problema que intenta resolver?
El objetivo último de mi investigación es mejorar el rendimiento, la seguridad y la disponibilidad de los activos industriales y las infraestructuras críticas, y hacer que su mantenimiento y funcionamiento sean más rentables. En los últimos años, muchos dispositivos de monitorización de condiciones han supervisado de cerca sistemas de ingeniería complejos. Mi investigación se centra en desarrollar algoritmos inteligentes que aprendan de estos conjuntos masivos y heterogéneos de datos de monitorización de condiciones y predigan las averías antes de que ocurran, incluso en casos en que los sistemas todavía no hayan sufrido ninguna. Uno de los principales retos es lograr que los algoritmos sean generalizables y que su desarrollo sea escalable.
¿Cuál es la gran idea que intenta aplicar para resolverlo?
Hay varias ideas subyacentes. Una de ellas consiste en desarrollar algoritmos de inteligencia artificial que no solo sean aplicables a un sistema específico, sino que permitan transferir la experiencia operativa y los patrones de averías entre los distintos sistemas de una flota. Es como cuando alguien que habla portugués quiere aprender español: no empezará a hablar en portugués con un español, pero tampoco empezará a aprender español desde cero; puede transferir algunos conceptos, elementos gramaticales y vocabulario subyacentes.
Otra de las líneas que seguimos consiste en combinar los conocimientos de ingeniería con algoritmos de inteligencia artificial para aprovechar lo mejor de ambos mundos.
¿Cómo se lo explicaría a un niño de 5 años?
Nuestra tarea se parece a la de un médico, con la diferencia de que nuestros pacientes son activos industriales complejos, como centrales eléctricas, motores de barcos y trenes. Como nuestros pacientes no pueden hablarnos para decirnos que se sienten mal, dependemos de sistemas de monitorización de condiciones que recopilan indicios sobre el estado de salud del sistema. Después usamos estas mediciones para detectar cuándo un sistema empieza a enfermar, diagnosticar la causa y predecir cuánto tiempo todavía puede funcionar de forma segura. El objetivo último no es solo predecir qué está fallando, sino también prescribir al sistema cómo debe funcionar para prolongar su vida útil, de manera similar a la receta de un médico cuando aconseja a un paciente cambiar su alimentación y hacer más ejercicio para prolongar su vida.
¿Cuál ha sido la parte más difícil o desafiante del recorrido?
La parte más difícil ha sido encontrar conjuntos de datos de aplicaciones reales que sean adecuados para demostrar la eficacia de nuestros enfoques.
¿Cuál es el hecho más sorprendente que la gente desconoce?
No es algo impactante, pero probablemente sí sorprendente: nuestro mayor reto se debe a que los sistemas críticos para la seguridad son muy fiables y no sufren muchas averías. Esto nos dificulta aprender de los datos y también verificar las soluciones desarrolladas. Si quisiéramos esperar hasta recopilar suficientes patrones de averías de los que aprender, tendríamos que esperar cientos de años (y, según el tamaño de la flota, incluso miles).
Otro hecho sorprendente es que, aunque se recopilan grandes cantidades de datos para muchas aplicaciones, en muchos casos no se utilizan de forma proactiva.
Por último, no hay ninguna magia detrás de los algoritmos de inteligencia artificial. Solo pueden aprender lo que contienen los datos. Sin embargo, ese contenido puede estar oculto y no ser evidente.
¿Hay alguna anécdota interesante detrás de su trabajo?
Cuando era niña, quería ser médica. Al crecer, cambiaron mis intereses y descubrí que mi pasión por las matemáticas era mayor, así que me hice ingeniera. Pero, al final, me convertí en médica de máquinas.
