Con un enorme potencial en el sector de la movilidad, la inteligencia artificial tiene numerosas aplicaciones en nuestro sector. En función de la criticidad de las operaciones sobre las que se implemente, podemos aplicar modelos de diferentes tipos, conocidos como "caja negra", "caja gris" o "caja blanca". Cada color se relaciona con el conocimiento de la procedencia del dato y la posibilidad de entender cómo se llega a los resultados -explicabilidad-.
La inteligencia artificial -en adelante, IA- ha experimentado un crecimiento exponencial, especialmente en empresas de gran consumo. Su capacidad para segmentar audiencias y personalizar mensajes comerciales ha revolucionado el marketing. La automatización de procesos ha servido para reducir costes administrativos y los sistemas de predicción permiten ajustar oferta y demanda con mayor exactitud. Incluso con un marco legislativo restrictivo, y considerando las limitaciones lógicas para la gestión de datos personales, la IA ofrece un abanico infinito de posibilidades.
Pero hay sectores, como el de la movilidad, donde las aplicaciones de IA deben adaptarse no solamente a un contexto regulatorio, sino también -y sobre todo- a un entorno crítico donde la seguridad está siempre en primer lugar. En este sector, todas las empresas nos enfrentamos al mismo desafío a la hora de abordar proyectos de IA: el llamado reto de la "caja negra".
Como su nombre indica, la caja negra se refiere a la incapacidad de "ver" el funcionamiento interno de la IA. Hablamos de "caja negra" cuando los algoritmos proporcionan resultados -sugerir acciones, hacer predicciones, detectar anomalías, etc.-, pero no informan del razonamiento subyacente detrás del resultado. Esto es especialmente evidente en los modelos basados en Deep Learning, como la IA Generativa.
Las empresas de bienes de consumo, ocio u otras áreas no críticas no se enfrentan a este dilema. No tienen que explicar cómo o por qué sus modelos de IA llegan a determinadas conclusiones. Ni Meta ni Amazon, por ejemplo, deben detallar por qué su software recomienda determinados contenidos o productos, sus algoritmos se basan principalmente en encontrar similitudes entre productos y consumidores. Esto no plantea problemas legales o de seguridad, es suficiente con cumplir la normativa y demostrar que es comercialmente fiable y viable.
La situación es diferente para las empresas que desarrollamos y gestionamos infraestructuras críticas como el transporte público. En Alstom, no podemos confiar en ninguna solución que tome decisiones cruciales de forma opaca y sin explicar el razonamiento exacto que se ha seguido. Esto no significa que no integremos la IA en nuestros sistemas. Al contrario, la IA es cada vez más relevante para mejorar nuestros servicios y la fiabilidad de nuestras tecnologías. Significa que, al igual que con todos nuestros sistemas, utilizamos la IA de forma prudente y responsable, aplicando las normas de seguridad más estrictas y las pruebas más rigurosas en cada situación.
Modelos de IA en la movilidad
En Alstom utilizamos tres "tipos" diferentes de IA, en función del proyecto y sus requisitos. Utilizamos la llamada "IA de caja negra" en proyectos que no plantean problemas de seguridad. Por ejemplo, para controlar la densidad de pasajeros en la red y ayudar a optimizar el flujo de pasajeros en los trenes o adaptar los horarios y servicios de la operación.
La llamada "IA de caja gris" sirve para apoyar a los ingenieros en sus desarrollos, identificando diferentes situaciones, mejorando la precisión de los cálculos o asignando parámetros a las fórmulas para mejorar los modelos de simulación. "De caja gris" son también los simuladores que recrean sistemas ferroviarios. Estos simuladores reproducen los subsistemas -y su comportamiento- para ofrecer una visión de un entorno integrado y facilitar la toma de decisiones. Utilizando datos históricos, ayuda a calcular el máximo número de escenarios posibles, clasificarlos e identificar opciones de respuesta.
Por último, encontramos la IA "de caja blanca", con modelos interpretables y deterministas, que pueden explicar su comportamiento, detallar cómo elaboran sus predicciones y qué variables influyen en sus resultados. El desarrollo relativamente reciente de este tipo de IA de caja blanca nos permite ampliar las aplicaciones de IA en el ámbito de la movilidad. Cuando se puede demostrar la procedencia de los datos, se garantiza que éstos son explicables y fiables, y, consecuentemente, pueden integrarse en procesos críticos desde el punto de vista de la seguridad. Aquí se enmarcan las diferentes tecnologías de big data y algoritmos que ya utilizamos para mejorar el mantenimiento, supervisar la flota en tiempo real o predecir posibles incidencias en los equipos e infraestructuras.
Desarrollando la IA del futuro
Los avances en IA han sido vertiginosos en la última década, con diferentes aplicaciones en numerosos sectores más allá de las empresas tecnológicas y de gran consumo. En el sector ferroviario cada vez utilizamos más la IA, para mejorar la programación de los trenes, su velocidad, predecir la demanda de pasajeros, mejorar la gestión de activos, o reducir el consumo de energía, entre otros. En Alstom, trabajamos continuamente para perfeccionar estas aplicaciones y encontrar nuevas formas innovadoras de utilizar la IA de forma segura y eficaz.
El ferrocarril es el modo de transporte más sostenible y, gracias a la digitalización, mejoramos su eficiencia y rentabilidad. Para aprovechar todas las ventajas de la digitalización, el sector debe seguir invirtiendo, extendiendo el uso de la IA de forma inteligente y meditada, adaptando esta tecnología a las aplicaciones más adecuadas. Y teniendo siempre en cuenta que el dato no siempre se viste de blanco.
