La Clave | Experiencias

Inteligencia artificial en el sector ferroviario

Estado actual y perspectivas

Este artículo describe cómo se están desarrollando actualmente las tecnologías de la Inteligencia Artificial (IA) en el sector ferroviario europeo y cómo deberían ser en el futuro. Por ejemplo, se analizan sus posibilidades para el reconocimiento facial, los asistentes virtuales para los pasajeros, la predicción de ventas mediante machine learning, la robótica en las estaciones de ferrocarril, en los trenes y en los almacenes, y el mantenimiento predictivo en el material rodante y la infraestructura.

Este artículo es un resumen de la publicación de la UIC titulada “Inteligencia Artificial: El caso del sector ferroviario. Situación y perspectivas”, de marzo de 2021.

Palabras clave: Inteligencia artificial, ferrocarril, aprendizaje automático, procesamiento del lenguaje natural, robótica, mantenimiento predictivo, asistentes virtuales, material rodante.

This article explains the state of play and the perspectives for the implementation of Artificial Intelligence (AI) in the European railway sector. For example, it describes the possibilities of AI for face recognition, chatbots and virtual assistants for passengers, sales prediction through machine learning, robotics in railway stations, in train, and in warehouses, and predictive maintenance on rolling stock and infrastructure. 

This article is a summary of a UIC brochure entitled “Artificial Intelligence: The Case of the Railway Sector. State of Play and Perspectives”, March 2021.

Keywords: Artificial intelligence, railway, machine learning, natural language processing, robotics, predictive maintenance, chatbots, rolling stock.

 

Christian Chavanel

Director de Sistema Ferroviario de la Unión Internacional de Ferrocarriles (UIC), París, Francia. 

Es un profesional del ferrocarril con más de 30 años de experiencia en desarrollo internacional, gestión de proyectos, operaciones, mantenimiento, seguridad, normalización y reglamentación. 

Ingeniero de formación, posee un certificado del MIT sobre «Inteligencia Artificial y sus implicaciones para la estrategia empresarial»..

© Kike Aspano

¿Qué es la inteligencia artificial?

La inteligencia artificial (IA) es fuente de las peores fantasías, y puede crear esperanzas o temores, a veces justificados, a veces sobrees­timados. Las fantasías surgen cuando el obje­tivo es sustituir a los seres humanos, como, por ejemplo: Elisa, el primer chatbot en 1965; el primer Mercedes sin conductor en 1987; Deep Blue que derrotó a Garry Kasparov en 1997; AlphaGo, que derrotó a un jugador campeón del mundo del juego de mesa Go en 2016.

A mediados de la década de los ochen­ta se produjo el invierno de la IA, un perio­do en el que las proyecciones estimadas no funcionaron.
La carrera hacia la IA se relanzó en 2004 con el Gran Desafío Darpa, una carrera de coches robóticos que catalizó la industria de los coches autónomos. En la década de 2010 tuvo lugar otro re­surgimiento de la IA con Siri para teléfonos inteligentes, y Watson de IBM venciendo a los campeones humanos de “Jeopardy!». En 2012, los investigadores del aprendiza­je profundo estimularon de nuevo el interés de las empresas por la IA gracias a los avan­ces en el reconocimiento de voz e imágenes. En la actualidad, está surgiendo una nueva ola de IA, basada en la automatización masi­va de datos y con la participación de empresas como Google, Amazon, Facebook, Apple y Microsoft.

El término “inteligencia artificial” (IA) es un término suitcase term (empleado para describir múltiples significados), no fácil de definir. Una potencia informática masiva, que solo realiza tareas rutinarias requeridas y que está controlada en cada paso por programadores de software que utilizan un enfoque analítico clásico, no es IA. Un algoritmo clásico, por complicado que sea, que no se desvía del método de resolución de problemas progra­mado por un programador de software, no es capaz de aprender. No es IA.

En la actualidad, una gran parte de la IA se basa en el aprendizaje automático. Hasta la fecha, todas las aplicaciones de la IA son ejemplos de “IA restringida” (sistemas de inteligencia artificial especificados para realizar una tarea singular o limitada). Por el contrario, la “IA general”, que se refiere a máquinas con sentido común, capaces de resolver muchos tipos de problemas por sí mismas como un humano, aún no existe. Más aún, la “IA fuerte”, que sería mejor que un humano en muchas tareas, tampoco existe.

A lo largo de este artículo, describiremos la IA restringida a través de tres de sus subtipos más importantes y sus implicaciones para el ferrocarril: el aprendizaje automático, el procesamiento del lenguaje natural y la robótica.

 

Aprendizaje automático (AA)

El aprendizaje automático (AA) o machine learning (ML) es un subconjunto de la IA. Existen diferentes enfoques de AA:

  • Aprendizaje supervisado: se enseña al ordenador lo que debe hacer gracias a los datos de los ejemplos etiquetados.

  • Aprendizaje no supervisado: se enseña al ordenador sin ejemplos etiquetados, sólo a partir de la experiencia de los datos o del mundo. Esto es trivial para los seres humanos, pero no para los ordenadores y el software.

  • Aprendizaje semisupervisado: una combinación de métodos de aprendizaje supervisado y no supervisado.

  • Aprendizaje reforzado: se produce cuando un robot aprende de su entorno para actuar. A diferencia del aprendizaje supervisado y no supervisado, el aprendizaje por refuerzo requiere datos limitados.

Fuente: https://skilllx.com/list-of-machine-learning-algorithms

El proceso típico de AA requiere tanto datos como algoritmos. Los científicos de datos deben elegir el mejor algoritmo entre un número relevante a través de un proceso de tres pasos:

  • Entrenamiento: a través de un subconjunto de datos reales, el científico de datos experimenta con una serie de algoritmos antes de decidirse por los que mejor se ajustan a los datos de prueba.

  • Grupo de validación: el científico de datos ejecutará los algoritmos elegidos en el grupo de validación y medirá el error. El algoritmo que produce el menor error se considera el mejor.

  • Prueba: para obtener una medida precisa y fiable del error, el algoritmo se ejecuta en un tercer conjunto de datos, denominado conjunto de prueba.

La calidad de los datos elegidos es crucial. Si no se tiene cuidado, pueden producirse varios sesgos: propagación del estado actual, formación en lo incorrecto, infrarrepresentación de poblaciones, interpretación defectuosa, sesgos cognitivos, sesgo de análisis, sesgo de confirmación y sesgo de valores atípicos. Son muchos los impactos adversos y éticos de los sesgos en los datos, que van desde la toma de decisiones erróneas hasta la afectación de ciertos grupos de personas que participan en el análisis.

Una de las causas fundamentales de estos sesgos es la forma en la que se formula el problema en un problema de AA, y la forma en que se recogen los datos sobre el problema así formulado. Por lo tanto, es crucial establecer una estrecha colaboración entre los científicos de datos y los expertos en la materia.

Hay dos formas principales de utilizar el AA en los negocios: la detección y la predicción. La detección es útil con imágenes. Podemos imaginar diferentes casos de uso para los ferrocarriles, como, por ejemplo:

  • Reconocimiento facial y de retinas o de huellas dactilares con fines comerciales o para la lucha contra el terrorismo.

  • Análisis de imágenes para la detección de obstáculos (útil para la conducción automática de trenes) y para la detección de averías (puentes, túneles, traviesas, carriles, etc.).

  • Análisis de imágenes desde satélite o drones para el mantenimiento de edificios, vías, puentes, túneles, etc.

La detección también es útil con sonidos y vibraciones, con posibles casos de uso para el mantenimiento predictivo del material rodante, las vías y las agujas. Gracias a la predicción, también podemos considerar casos de uso como:

  • Predicción del tiempo.

  • Predicción de ventas y fidelización de clientes.

  • Comportamiento de los equipos (y su mantenimiento predictivo).

Concretamente, en el caso del mantenimiento predictivo, utilizaremos un enfoque en dos pasos: un algoritmo AA detectará y capturará el estado del equipo; y luego otro algoritmo AA predecirá el estado futuro del equipo. Una técnica llamada aprendizaje profundo (deep learning) ha hecho que el AA sea mucho más potente.

El aprendizaje profundo es un subconjunto del AA. Es «una técnica de aprendizaje automático en la que los datos se filtran a través de redes matemáticas autoajustables inspiradas libremente en las neuronas del cerebro». Como resultado, el aprendizaje profundo requiere muchos más datos que los algoritmos tradicionales de AA.

Los algoritmos de redes neuronales convolucionales se utilizan como medio para estructurar un sistema de aprendizaje profundo para un mejor reconocimiento de objetos que aparecen en muchas posiciones diferentes. Esto también funciona para el reconocimiento de texto, la comprensión del habla y la traducción, y es una parte integral de muchos coches de autoconducción.

El aprendizaje profundo es un subconjunto del aprendizaje automático y el aprendizaje automático es un subconjunto de la IA
Fuente: https://en.wikipedia.org/wiki/Deep_learning#/media/File:AI-ML-DL.svg

Estas diferentes técnicas resuelven problemas, pero siguen siendo bastante opacas en cuanto a cómo los resuelven realmente. La interpretabilidad es, por tanto, una cuestión esencial. Por eso, la autorización para comercializar la IA, sobre todo en casos relativos a la seguridad, solo se concederá si se considera el sistema hombre-máquina en su conjunto y, por tanto, si el papel de los expertos humanos sigue siendo fundamental.

Procesamiento del lenguaje natural (PLN)

El PLN (o NLP por sus siglas en inglés, Natural Language Processing) se encuentra en la encrucijada de la lingüística, la informática y la inteligencia artificial. Tiene por objeto las interacciones entre los ordenadores y el lenguaje humano (texto y discurso). El resultado es un ordenador capaz de «entender» el contenido de documentos o discursos, incluidos los matices contextuales del lenguaje que contienen. La tecnología existente puede extraer con precisión la información y los conocimientos contenidos en los documentos o en los discursos, así como clasificar y organizar los propios documentos.

Ejemplos cotidianos son Google Assistant, Alexa de Amazon, Siri, los traductores de Collins, Google Translate y los chatbots. El PLN puede resumir textos, generar textos en lenguaje natural y reconocer y comprender el habla en lenguaje natural.

Robótica

Los robots son dispositivos mecánicos programables que reciben información de su entorno a través de sensores y actúan sobre él mediante sus actuadores. Los robots pueden tener forma humanoide, pero no es la única manera de pensar en los robots. Por supuesto, los robots pueden utilizar AA para reconocer su entorno o los objetos que deben manipular. No obstante, los retos tradicionales actuales de la robótica son:

  • Los robots con ruedas son más fáciles de manejar que los robots con patas.

  • La movilidad de los robots es mucho más fácil que la manipulación. En la actualidad los robots tienen efectores terminales muy duros y rígidos con capacidades limitadas. El objetivo de la robótica blanda es crear máquinas de tejidos blandos, que tengan el mismo tipo de conformidad que los humanos.

Los diferentes casos de uso de la robótica son:

  • Robots industriales capaces de agilizar los procesos de recogida y embalaje en los almacenes.

  • Robots de cara al público: existen ejemplos como los robots que trabajan en el sector de la comida rápida, los robots que entregan medicamentos o acompañan a los enfermos en los hospitales, los robots que limpian los aeropuertos o las estaciones de tren en presencia de los viajeros y los robots que dan información a los viajeros.

  • Los robots colaborativos diseñados específicamente para trabajar junto a empleados humanos están en alza. Son más baratos, se construyen pensando en la cooperación humana y, por tanto, son más fáciles de programar. El reto futuro será crear robots que puedan interactuar mejor entre sí y con las personas en un entorno centrado en el ser humano, como las estaciones de tren y los almacenes.

Cómo se desarrollan actualmente las tecnologías de IA en el sector ferroviario europeo: perspectivas

En la fase en la que nos encontramos, la IA no se ha implantado de forma generalizada en el sector ferroviario europeo. El reconocimiento facial ya se utiliza en las estaciones de tren de China antes de subir al tren, y en Eurostar al pasar por la aduana. 

El AA es especialmente eficaz para el análisis de imágenes. Siempre que los marcos normativos nacionales existentes y el futuro marco europeo permitan el almacenamiento de estos datos, unos algoritmos precisos podrían ayudar a predecir un comportamiento anormal de los viajeros. Esto debería llevarse a cabo mediante la cooperación entre la policía, las empresas ferroviarias (EF) y los administradores de infraestructuras (AI).

Los chatbots y los asistentes virtuales se utilizan para hacer reservas, reservar billetes de viajeros y como asistentes virtuales (por ejemplo, en SNCF y Amtrack). Las principales ventajas del PLN podrían aprovecharse de forma mucho más eficaz:

  • El reconocimiento del habla podría ampliarse a las lenguas extranjeras.

  • El PLN podría ayudar a los centros de llamadas a extraer el significado de las palabras de los clientes captadas por los chatbots, y así evitar las reclamaciones de los clientes.

  • El concepto de gráficos de conocimiento implementado por Watson de IBM podría aprovecharse gracias a una base de datos bien estructurada basada en las conversaciones con los clientes a través de los chatbots, lo que permitiría comprender mejor sus opiniones y mejorar su experiencia.

  • Una mejora podría ser el uso de la voz artificial Wavenet de Google, que podría dar a los asistentes virtuales voces casi indistinguibles de las de un ser humano.

La clave

Mantenimiento predictivo

Gracias a la inteligencia artificial ahora es posible establecer un mantenimiento predictivo que puede definir dinámicamente en qué momento una máquina está en buenas condiciones o necesitará mantenimiento. Este avance representa la mejora de la disponibilidad, fiabilidad y seguridad.

La predicción de ventas mediante AA supervisado es un campo prometedor, que podría ser fácilmente adaptado por las EFs.

Si consideramos a los viajeros de las estaciones de tren como huéspedes que esperan sus trenes y piden información, la robótica utilizada en hoteles, aeropuertos u hospitales podría adaptarse para mejorar la calidad del servicio y la eficiencia de los costes. Así, los robots podrían guiar a las personas con movilidad reducida o ciegas desde el andén hasta el tren, informar a los viajeros y limpiar las estaciones y los trenes.

El mantenimiento del material rodante se basa en el uso de miles de piezas, almacenadas en almacenes. Los procesos organizativos deben racionalizarse siguiendo las plantillas de los últimos almacenes robotizados.

El AA puede facilitar otros casos de uso, como la asignación de surcos de trenes, la gestión del tráfico, la gestión de los flujos de viajeros a través de las estaciones de ferrocarril, la detección de equipajes abandonados y los diagramas de ocupación de las vías en las estaciones de clasificación y de ferrocarril. Además, en materia de ciberseguridad, los robots son capaces de automatizar los sistemas de inteligencia y prevención de amenazas.

Centrarse en el mantenimiento predictivo basado en la IA

Existen diferentes tipos de mantenimiento: mantenimiento por averías y mantenimiento preventivo.

Gracias a la IA, ahora es posible establecer un mantenimiento predictivo, que puede definir dinámicamente cuándo una máquina está en buenas condiciones o necesitará mantenimiento. A diferencia del mantenimiento basado en las condiciones, que “evita el coste adicional de las averías señalando que algo va mal ahora”, el mantenimiento predictivo “predice las averías futuras asignando una cierta probabilidad”.

Por eso, siempre que se adapte considerablemente la planificación de las actividades de mantenimiento, el mantenimiento predictivo puede mejorar la disponibilidad, la fiabilidad, la puntualidad y la seguridad, al tiempo que apoya una estrategia de liderazgo en costes. Además, puede mejorar el retorno de la experiencia, allanando el camino para futuras innovaciones en el campo del mantenimiento.

Sin embargo, el mantenimiento predictivo requiere muchos más datos, debido a sus métodos estadísticos.

 

El mantenimiento predictivo requiere muchos más datos debido a sus métodos estadísticos

Material rodante

En la actualidad existen pocas actividades de investigación sobre la IA y el mantenimiento predictivo en el material rodante. Las entidades encargadas del mantenimiento y los fabricantes de material rodante recogen una gran cantidad de datos existentes, y el futuro marco normativo europeo para la gobernanza de los datos permitirá el acceso y la reutilización de los mismos entre las empresas.

En este contexto, sería útil trabajar en algunos casos de uso iniciales: sistema de detección de defectos en el círculo de rodadura de las ruedas, reconocimiento de anomalías en la temperatura de los rodamientos de los trenes.

Infraestructuras

El contexto es más favorable en el caso de las infraestructuras:

  • En primer lugar, no hay competencia entre los AIs, lo que facilita la cooperación.

  • En segundo lugar, los datos necesarios para la IA ya son recogidos por los AIs a gran escala.

No obstante, sustituir las patrullas y las inspecciones manuales periódicas por inspecciones más frecuentes, automatizadas y normalizadas es un objetivo importante. Esto podría proporcionar la repetibilidad y coherencia de los grandes datos necesarios para la IA.

Afortunadamente, el AA es especialmente eficaz para el análisis de imágenes, por lo que se adapta bien a las infraestructuras ferroviarias. Ya se han producido muchas innovaciones o se pueden adaptar al sector ferroviario: sistemas automatizados de supervisión del deterioro de las paredes interiores de los túneles; sistemas de visión artificial de las vías, robots de inspección de puentes; inspecciones de los pilares de los puentes fluviales mediante robots serpiente anfibios; inspecciones de tuberías, como los acueductos estrechos, mediante robots lisos; brazos robóticos en vehículos de mantenimiento que detectan (y reparan) los defectos de los raíles; supervisión aérea de las vías férreas mediante drones para la gestión de la vegetación y la inspección de las estructuras limítrofes; comportamiento de las agujas y los cruces; detección de fallos o daños dentro de una trinchera.

En resumen, la implantación simultánea de sistemas de visión de AA e inspecciones automatizadas podría ser un éxito para el mantenimiento predictivo en infraestructuras.

Próximos pasos

La inteligencia artificial aún no se ha implantado ampliamente en el sector ferroviario europeo.

El contexto político y la aceleración de las innovaciones en el campo de la IA crearán grandes oportunidades para las empresas ferroviarias y darán lugar a enormes cambios.

La UIC ayudará a sus miembros y al sector ferroviario durante este prometedor periodo.

Este artículo es un resumen de la publicación de UIC titulada Artificial Intelligence: The Case of the Railway Sector. State of Play and Perspectives, March 2021.

Referencias

1

Neurospace (2019). Condition-Based Maintenance vs Predictive Maintenance. https://neurospace.io/blog/2019/08/condition-based-maintenance-vs-predictive-maintenance/

2

Simonite, Tom (2018). The Wired Guide to Artificial Intelligence. https://www.wired.com/story/guide-artificial-intelligence/