Versión PDF
Introducción
La inteligencia artificial generativa es una rama o subsección de la inteligencia artificial que tiene como propósito generar nuevo contenido y datos sintéticos, como texto, imágenes, música y vídeos, basándose en el contenido y los datos con los que ha sido entrenada (contexto).
El motor de la IA generativa es impulsado por modelos de aprendizaje automático tipo Deep Learning, en los que se preentrena a la máquina con grandes volúmenes de información en un contexto determinado, lo que le permite aprender patrones, dependencias y relaciones dentro de los datos y utiliza ese conocimiento para generar contenido novedoso que se ajuste a una indicación o descripción dada.
La IA generativa ha demostrado su potencial para transformar industrias en diferentes ámbitos, y la industria eléctrica no es la excepción. Los modelos generativos son capaces de procesar rápidamente grandes cantidades de datos, asistir en la toma de decisiones e identificar patrones, lo que podría mejorar significativamente las operaciones de la red eléctrica.
Oportunidades para la industria eléctrica moderna
El poder de procesamiento de la IA generativa permite múltiples aplicaciones en la industria eléctrica basadas en la toma de decisiones operativas y estratégicas que suelen fundamentarse en experiencias, procedimientos operativos, mediciones y la búsqueda de objetivos específicos. Algunas aplicaciones potenciales de la IA generativa son:
- Ayudar a la optimización de redes eléctricas, lo que permite a las empresas eléctricas mejorar significativamente su eficiencia. Los modelos generativos permiten explorar nuevas configuraciones de redes eléctricas y probar soluciones innovadoras sin el riesgo y el costo de la implementación física.
- Apoyar al diagnóstico operativo de los equipos y sistemas de la industria eléctrica. Con base en repositorios de conocimientos y en estándares de operación y mantenimiento, esta tecnología permite identificar o mitigar posibles fallas antes de que ocurran y generar las recomendaciones adecuadas conforme a la condición real, mejorando así la confiabilidad y eficiencia de los sistemas eléctricos.
- Facilitar la identificación de patrones de operación de los diferentes procesos de la industria eléctrica. Los modelos pre-entrenados son capaces de determinar los patrones de operación de las variables críticas de los procesos y son capaces de predecir el comportamiento futuro de las variables operativas, usando modelos estadísticos o modelos de aprendizaje automático.
- Sistematizar la identificación y modelado de sistemas eléctricos, ya que es capaz de generar modelos multimodales combinando imágenes que pueden incluir datos meteorológicos, información detallada de la infraestructura eléctrica, mediciones del sistema, entre otros, para poder llevar a cabo el modelado e inferir el estado del sistema.
- Agilizar la gestión del conocimiento del personal próximo a retiro, debido a que los algoritmos pueden realizar la búsqueda, correlación y extracción eficiente de información clave contenida en repositorios de documentos, manuales, planes de operación, instrucciones de mantenimiento, estándares, bases de datos, archivos, imágenes y cualquier otro material digital que contenga algún conocimiento relacionado con el conocimiento explícito o tácito del personal retirado o próximo a retirarse. De esta forma, cuando el personal experto no se encuentre activo, el personal nuevo podrá hacer búsquedas efectivas y rápidas para obtener respuestas a preguntas cotidianas o especializadas, usando lenguaje natural, incluso en idiomas distintos al que dio origen a la información almacenada.
La figura 1 muestra las aplicaciones potenciales de la IA generativa en el ámbito de la industria eléctrica.
Figura 1. Potenciales aplicaciones de IA generativa.
Plataforma de IA generativa para la industria eléctrica
El Instituto Nacional de Electricidad y Energías Limpias (INEEL) colabora con la Comisión Federal de Electricidad (CFE) en el desarrollo de aplicaciones que utilizan la IA generativa, las cuales pueden ayudar a optimizar sus procesos, diagnosticar el estado de los equipos principales, predecir variables críticas, gestionar la infraestructura eléctrica de manera confiable y eficiente, así como sistematizar la retención y transferencia del conocimiento del personal experimentado al que se incorpore paulatinamente a los procesos.
La figura 2 muestra un asistente virtual desarrollado por el INEEL que utiliza la plataforma de ChatGPT de OpenAI y, de manera alternativa, los modelos de DeepSeek, con capacidades para:
- Inferir conocimiento, respuestas y conclusiones, a partir de documentos. Resume el contenido de documentos PDF, Word, Excel, CSV y TXT. Permite preguntar sobre las condiciones de un equipo basado en documentos de operación y mantenimiento. Contesta preguntas basadas en el contenido. Extrae datos específicos y analiza secciones de los documentos.
- Analizar Imágenes. Analiza gráficos que requieran interpretación. Extrae textos y describe el contenido de las imágenes. Compara imágenes para encontrar similitudes o diferencias.
- Consultas inteligentes a bases de datos. Interpreta y traduce consultas en lenguaje natural sobre el contenido de las tablas de una base de datos para inferir información a través de consultas, así como gestionar y actualizar datos.
- Pronósticos de variables críticas. Realiza el pronóstico a corto, mediano y largo plazo usando series de tiempo, modelos estadísticos y técnicas de IA (por ejemplo, pronóstico de la demanda y consumo de electricidad). Identifica y expone patrones de comportamiento y tendencias.
Figura 2. Interfaz del asistente virtual basado en IA Generativa.
La implementación de estas tecnologías presenta desafíos importantes, pero las oportunidades que ofrece son extensas e innovadoras. Aprovechar el poder de la IA generativa para gestionar el conocimiento originado en las organizaciones permite integrar la experiencia de expertos y retener su conocimiento cuando se retiren.
Autores:
M.C. Guillermo F. Escobedo Briones, gescobedo@ineel.mx
M.C. Isaac Alberto Parra Ramírez, iaparra@ineel.mx
Dr. Gustavo Arroyo Figueroa, garroyo@ineel.mx