Empiezo con un caso real, todo un desafío intelectual y técnico.
Al acercarse a la planta, situada a las afueras de una ciudad del sur de Suecia, lo primero que observa son unas columnas blancas, altas y delgadas que sobresalen exageradamente sobre los techos de las naves que ocupan el resto del conjunto. Son las columnas del sistema de purificación de Junkepung (me lo invento), una planta de generación de biogás que vivió una intensa experiencia gracias a las matemáticas y a los datos.
Junkepung es una planta fructífera, que ha logrado hacer un buen negocio abasteciendo a particulares y empresas que apuestan por el biogás como combustible limpio y económico. Sus clientes lo usan para sus coches, sus calderas o la maquinaria agrícola. El director financiero de la empresa disfruta como pocos anotando los cuantiosos ingresos y los buenos resultados.
Pero el biogás que se produce, directamente a partir del residuo orgánico que se emplea como combustible, es de pésima calidad. No solo en Junkepung, sino en cualquier otro lugar. Debido a los altos niveles de CO2, sulfitos, y otros contaminantes que contiene, el gas recién producido no es adecuado para el consumo. Por ello, como parte del proceso, la planta necesita purificarlo para eliminar una buena parte del CO2 y todos los contaminantes, antes de distribuirlo.
El método más común para purificar el biogás consiste en lavarlo con agua a alta presión. Un compresor empuja el gas fuertemente a través de una columna elevada – esas que se ven desde lejos – por la que cae, como si fuera una ducha, el agua a presión. Esta colisión hace que el agua arrastre hacia abajo los componentes más pesados, purificando el gas, que sale hacia arriba limpio y listo para vender y distribuir.
El purificador de la planta de Junkepung dispone de un modernísimo sistema de compresión, que llevaba funcionando a pleno rendimiento y de forma estable desde que se fue inaugurado. Cuando ocurrieron los hechos que voy a relatar, habían pasado más de tres años. El sistema automático ajustaba la velocidad de las bombas para mantener la calidad del gas purificado en los valores aceptables. Gracias a la tecnología que permitía la automatización, los técnicos de la planta sólo debían preocuparse de vigilar los parámetros relacionados con la calidad, y excepcionalmente, ajustarlos manualmente ante cambios poco frecuentes. Todo lo demás, estaba bajo control.
Lo estuvo, al menos, hasta el 1 de enero de 2016. Esa mañana los parámetros del sistema empezaron a oscilar. Los valores de CO2 en el gas purificado subieron de repente. Los técnicos optaron por forzar el sistema para una purificación más fuerte. Pero día tras día, para lograrlo, la bomba necesitaba trabajar al límite de su potencia, ajustando manualmente el compresor para no perder velocidad. A pesar de todos los esfuerzos, la calidad del gas producido empeoraba cada día.
A principios de marzo el gas ya era totalmente inservible, así que los técnicos decidieron detener la producción y revisar el purificador. Consiguieron una pequeña mejora, que también resultó ser muy breve. Sólo unas semanas. El 18 de mayo se hizo imprescindible detener nuevamente la producción. Así que, desde la planta, deciden reclamar la intervención de los técnicos expertos del fabricante, que, ante la criticidad de la situación, acuden de inmediato. Lamentablemente, sin resultado alguno, ya que desde ese día el purificador no podrá activarse nunca más.
La dirección de Junkepung creía tener un sistema controlado y a pleno rendimiento, y sin embargo tuvo que asumir el coste de producir gas de bajísima calidad durante casi 6 meses, detener la producción con la esperanza de arreglarlo, y a pesar de ello, perder el equipamiento más valioso de la planta.
No hace falta decir que, en términos económicos, las pérdidas fueron millonarias, y los gritos del director financiero se oyeron desde Dinamarca.
Las pesquisas posteriores demostraron que el purificador había sufrido una contaminación biológica que deterioraba las condiciones de las columnas afectando gravemente al rendimiento. La solución al problema era, de hecho, conocida: hubiera bastado una simple esterilización de las columnas, que debía haberse hecho antes de la aparición del problema. Sin embargo, en Junkepung, no se hacía periódicamente, y esta falta de mantenimiento periódico impidió detectar el problema y evitar las consecuencias posteriores.
La situación vivida en Junkepung no es especial. Historias como la del purificador de gas ocurren en las plantas industriales cada día, a veces con poco impacto, y a veces con consecuencias desastrosas.
Y ocurren porque los humanos no somos especialmente buenos analizando datos complejos ni demasiado fiables haciendo tareas repetitivas.
Para ir más allá de las causas del fallo, los responsables de Junkepung decidieron analizar los datos del purificador para tratar de averiguar cómo prever – tan pronto como fuera posible – estas situaciones. Pero los datos del sistema son complejos: incluyen las velocidades de las bombas y del compresor, las presiones dentro de las columnas, las concentraciones de gases, y una decena más de parámetros. Un lío.
Así que el objetivo del análisis se convirtió en el reto de descubrir los patrones que existen en estas series temporales de registros, conseguir asociarlos con el comportamiento del sistema para reconocer cualquier desviación de la normalidad que se presentara en el futuro.
Detectar los síntomas cuanto antes, y no descubrir los desastres cuando ya son irreparables.
El reto fue planteado a la compañía que yo por entonces dirigía – Novelti – en la que usamos nuestra tecnología para construir una solución que ofreció resultados impactantes: el sistema analítico habría detectado las primeras anomalías del purificador en diciembre de 2015, un mes antes de que los operarios se hubieran dado cuenta.
Más allá de esta detección, el sistema había sido capaz de darse cuenta de que el problema persistiría a lo largo del tiempo, a pesar de las intervenciones de los técnicos, hasta seis meses después de la primera anomalía.
El análisis de los datos no habría evitado la contaminación biológica. Pero su uso adecuado hubiera permitido ser conscientes de que algo iba mal con al menos un mes de antelación, y hubiera evitado seis meses de pérdidas constantes, dejando mucho más tranquilo al director financiero, y seguramente también a su familia.
Los sistemas analíticos, como el que ahora usan en Junkepung, entrenados con algoritmos matemáticos que les permiten aprender continuamente, son capaces de detectar situaciones anómalas y predecir qué consecuencias pueden derivarse. Una vez conocidas las causas, también pueden aprender a recomendar qué solución debe aplicarse en cada caso.
En el caso del purificador, por ejemplo, cada vez que se detecta una anomalía de unas características determinadas, el sistema ya sabe que probablemente la solución sea una esterilización que elimine la contaminación biológica.
La capacidad tecnológica actual para analizar grandes volúmenes de datos, de forma cada vez más rápida y flexible, es única de los ordenadores y los algoritmos, y es abrumadoramente superior a la de los humanos.
Pero no nos engañemos, una cosa es descubrir patrones en los datos y otra muy diferente encontrar su significado en un contexto empresarial, social o industrial. Y si los sistemas analíticos consiguen hacer predicciones cada vez más valiosas, es gracias a lo que les enseñamos los humanos.
Los responsables de las plantas, los operadores de las fábricas, con sus decisiones de aceptar o rechazar un producto, de intervenir o no en un equipamiento, están enseñando a los algoritmos a predecir cuándo ocurre algo extraño, y qué impacto tendrá.
Ya se ha comentado más arriba que otra de las habilidades en los que un ordenador vence irremediablemente a los humanos, es en su fiabilidad a la hora de llevar a cabo tareas repetitivas.
Los humanos nos equivocamos, nos olvidamos, mientras que los ordenadores ejecutan las tareas una vez tras otra con la precisión obsesiva de un reloj.
La combinación de la capacidad para de detectar patrones y tomar decisiones en cualquier momento, combinada con la posibilidad de ejecutar fiablemente tareas repetitivas complejas, es lo que transformará la industria en los próximos años.
La digitalización, la transformación digital lo llaman. No sólo porque permitirá automatizar procesos, corregir errores rápidamente, o cambiar automáticamente la configuración para ser más productivos – los sueños del director financiero –, sino porque permitirá ejecutar tareas más variadas, adaptarse con agilidad a los cambios y responder de inmediato a las necesidades de los clientes.
Una vez que enseñemos a las máquinas a hacerlo, ya no será necesario que nosotros, los responsables de las plantas, los ingenieros de procesos, los jefes de mantenimiento, tomemos todas las decisiones. ¿Y qué haremos entonces?
Seguiremos enseñando a las máquinas.
Éste es el papel hacia el que debemos enfocarnos los humanos, y es un papel crucial, valiosísimo e insustituible.
Las máquinas serán mejores dando mil golpes de martillo por segundo, o encontrando un patrón entre millones de registros. Pero no saben lo que es importante, cuál es el objetivo a perseguir.
Enseñar a las máquinas significa mostrarles qué buscar en los datos, qué pregunta responder y eso implica conocer qué es importante para la fábrica, la empresa o para el cliente. Afortunadamente, eso nunca será capaz de aprenderlo por sí solo, un algoritmo.
