Los ingenieros del Centro Suizo de Electrónica y Microtecnología han desarrollado un nuevo método de aprendizaje automático capaz de reducir el uso de energía, además de permitir que la inteligencia artificial (IA) complete tareas que alguna vez se consideraron demasiado sensibles.
Limitaciones del aprendizaje por refuerzo
El aprendizaje por refuerzo, en el que una computadora mejora continuamente a sí misma aprendiendo de sus experiencias pasadas, es un aspecto importante de la inteligencia artificial. Sin embargo, esta tecnología a menudo es difícil de aplicar a escenarios y situaciones de la vida real, como el entrenamiento de sistemas de control climático. Las aplicaciones como esta no pueden lidiar con cambios drásticos en las temperaturas, que serían provocados por el aprendizaje por refuerzo.
Este problema exacto es lo que los ingenieros de CSEM se propusieron abordar, y fue entonces cuando se les ocurrió el nuevo enfoque. Los ingenieros demostraron que los modelos teóricos simplificados podrían usarse primero para entrenar computadoras y luego pasar a sistemas de la vida real. Esto permite que el proceso de aprendizaje automático sea más preciso cuando llega al sistema de la vida real, aprendiendo de sus pruebas y errores anteriores con el modelo teórico. Esto significa que no habrá fluctuaciones drásticas para el sistema de la vida real, resolviendo el problema de ejemplo con la tecnología de control climático.
Pierre-Jean Alet es jefe de investigación de sistemas de energía inteligente en CSEM, así como coautor del estudio.
“Es como aprender el manual del conductor antes de arrancar un auto”, dice Alet. “Con este paso previo al entrenamiento, las computadoras construyen una base de conocimientos en la que pueden basarse para no andar a ciegas mientras buscan la respuesta correcta”.
Cortes de energía
Uno de los aspectos más importantes de este nuevo método es que puede reducir el uso de energía en más del 20%. Los ingenieros probaron el método en un sistema de calefacción, ventilación y aire acondicionado (HVAC), que estaba ubicado en un edificio de 100 habitaciones.
Los ingenieros se basaron en tres pasos, el primero de los cuales fue entrenar una computadora en un «modo virtual». Este modelo fue construido a través de ecuaciones simples que explican el comportamiento del edificio. Los datos reales del edificio, como la temperatura, las condiciones climáticas y otras variables, se enviaron a la computadora, lo que resultó en un entrenamiento más preciso. El último paso fue permitir que la computadora ejecutara los algoritmos de aprendizaje de refuerzo, lo que eventualmente daría como resultado el mejor enfoque para el sistema HVAC.
El nuevo método desarrollado por los ingenieros de CSEM podría tener grandes implicaciones para el aprendizaje automático. Muchas aplicaciones que alguna vez se pensó que eran «intocables» por el aprendizaje por refuerzo, como aquellas con grandes fluctuaciones, ahora podrían abordarse de una manera nueva. Esto daría como resultado un menor uso de energía, menores costos financieros y muchos otros beneficios.
La investigación fue publicada en la revista IEEE Transactions on Neural Networks and Learning Systems, titulada “Un método de aprendizaje híbrido para la identificación del sistema y el control óptimo.”
Los autores incluyen: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet y Andreas Hutter.