La tecnología permite representar y analizar sistemas más allá de lo que podíamos imaginar hace apenas unos años. En particular, el aprendizaje automático y los digital twins son herramientas muy potentes en muchas industrias y también en el ámbito de la movilidad inteligente o Smart Mobility.
El Machine Learning ha proporcionado técnicas con multitud de aplicaciones, desde la identificación de patrones y la previsión de diferentes fenómenos hasta el aprendizaje autónomo de agentes para la realización de diferentes tareas.
Esta última aplicación es especialmente interesante en algunos contextos porque permite delegar en un agente la operación de un sistema complejo no completamente conocido. Hablamos del Reinforcement Learning, que puede servir para regular el tráfico en una ciudad, para guiar vehículos en automático en un almacén o para la manipulación de piezas por parte de un robot.
Por su parte, un digital twin es una representación fiel de un sistema con todo el detalle requerido para reproducir el comportamiento del mismo en diferentes situaciones. Un digital twin es un auténtico laboratorio en el que analizar escenarios sin riesgo y con coste despreciable. Hay multitud de ámbitos en los que el digital twin es de utilidad: en plantas de producción, en terminales intermodales y en plataformas logísticas.
Es menos conocido que ambas herramientas se pueden combinar de forma tal que su potencia es mucho más que la suma de las de ambas. En ciertos contextos, entrenar un modelo de Reinforcement Learning en la realidad puede ser muy arriesgado y muy lento. Por ejemplo, si queremos ensayar diferentes políticas de regulación del tráfico en un área, solo podemos aprender a medida que avanza el tiempo real, probando estrategias (con el consiguiente riesgo de explorar estrategias claramente inadecuadas).
Sin embargo, si construimos un digital twin del tráfico de esa área, podemos permitir que el agente aprenda a través del modelo y que, una vez haya aprendido, lo llevemos al sistema real.
Un caso de uso especialmente interesante es la regulación del tráfico ferroviario en sistemas de alta frecuencia y aún más si se trata de vehículos sin conductor. Hay quien es vanguardia en este sentido.
Alstom, proveedor internacional de todo lo relacionado con el ferrocarril, desde trenes de alta velocidad, metros, tranvías y autobuses eléctricos hasta sistemas integrados, servicios personalizados, infraestructura, señalización y soluciones de movilidad digital, es pionero en el uso de estas herramientas, varias de las cuales desarrolladas a medida por baobab.
En un caso en particular, baobab construyó una herramienta de simulación a medida para representar una amplia gama de sistemas de líneas de metro no tripuladas. Esta aplicación permitió al usuario final simular los movimientos de los trenes, sus interacciones, estudiar posibles emergencias y otros comportamientos, y ver cómo eso afectaría la experiencia del pasajero.
Esta herramienta se puede utilizar en un ámbito más amplio como un laboratorio enriquecido para explorar situaciones más complejas.
En otro proyecto, baobab desarrolló una herramienta de optimización para regular una línea de metro de otra gran ciudad. En particular, para decidir dónde deben detenerse los trenes para brindar el mejor servicio general dentro de los niveles de KPI de seguridad deseados. La calidad de la solución puede probarse con el simulador y, una vez validada, transferirse al sistema real con muy poco riesgo.
Esto también se puede hacer con sistemas de regulación más complejos, como cualquiera construido dentro del paradigma del aprendizaje automático. Una vez más, el simulador se puede utilizar para validar cualquier algoritmo basado en machine learning antes de transferirle el control del sistema real.
Si quieres saber más sobre cómo emplear Machine Learning y digital twins en tu caso concreto, contacta con uno de nuestros expertos.
