Tecnología. Inteligencia artificial aplicada a la ingeniería: más allá de los modelos generativos

La inteligencia artificial (IA) suele asociarse casi exclusivamente con herramientas como ChatGPT, Gemini o los generadores de imágenes. Sin embargo, reducir la IA a esos sistemas es quedarse con una parte, quizá la más visible, pero no necesariamente la más transformadora para el mundo de la ingeniería.

Andrés Vallespinos, ingeniero mecánico especializado en inteligencia artificial, aclara que hoy esta tecnología abarca un conjunto mucho más amplio de técnicas. Entre ellas, el machine learning, el deep learning y la IA generativa ocupan lugares distintos, con capacidades diferentes y aplicaciones muy concretas. Mientras la IA generativa ganó popularidad por su capacidad para producir texto, imágenes, audio o video, existen otras ramas menos conocidas que ya pueden aportar enorme valor en ámbitos industriales, productivos y técnicos.

Para los ingenieros de especialidades como mecánica, eléctrica, electrónica, química o industrial, esta distinción es clave. “Muchos de los problemas más relevantes de la ingeniería no se resuelven generando contenido, sino analizando datos, detectando patrones, anticipando comportamientos y optimizando procesos”, advierte el especialista.

En términos simples, el machine learning consiste en entrenar algoritmos con datos históricos para que aprendan relaciones entre variables y resultados. En lugar de programar manualmente cada regla, el sistema aprende a partir de ejemplos. Esto permite, por ejemplo, estimar el consumo energético de un motor eléctrico según registros de corriente, tensión, temperatura, vibraciones y condiciones de operación.

Del mismo modo puede utilizarse para proyectar el consumo de una línea de producción completa, predecir desvíos en la calidad de un proceso o anticipar fallas antes de que ocurran.

Ese punto es especialmente relevante para la industria. “La posibilidad de pasar de un mantenimiento reactivo a uno predictivo. Si una planta cuenta con datos confiables de operación, los modelos pueden aprender qué combinaciones de variables suelen preceder a una avería, una pérdida de eficiencia o una condición anormal. Esto permite actuar antes de la falla, reducir paradas no programadas y mejorar costos operativos”, grafica Vallespinos.

Además, muchos modelos clásicos de machine learning ofrecen una ventaja importante en entornos técnicos: su mayor interpretabilidad. En numerosos casos no sólo entregan un resultado, sino que también permiten analizar qué variables influyen más en esa predicción. “En ingeniería, donde muchas decisiones deben justificarse técnica y operativamente, esta característica no es menor”, remarca.

Cuando los problemas involucran grandes volúmenes de datos complejos o no estructurados, entra en escena el deep learning. Esta rama utiliza redes neuronales capaces de aprender representaciones cada vez más abstractas de los datos. Su aplicación más difundida en ingeniería es la visión por computadora, sistemas que, a partir de imágenes o video, pueden detectar defectos superficiales, identificar piezas fuera de tolerancia, monitorear condiciones de seguridad, verificar montajes o reconocer anomalías en tiempo real dentro de una línea de producción.

También puede analizar sonidos de equipos, datos históricos de operación y señales de múltiples sensores. Esto permite encontrar patrones complejos en procesos industriales, algo especialmente útil para mantenimiento predictivo, control de calidad y monitoreo de equipos.

Vallespinos advierte que estas tecnologías también presentan desafíos. “No todos los modelos tienen el mismo nivel de explicabilidad, no todos los problemas justifican el uso de redes neuronales y no toda organización está preparada para capturar, ordenar y utilizar datos de manera sistemática”, enumera.

Por eso, el verdadero valor de la inteligencia artificial en ingeniería no está en adoptar la herramienta de moda, sino en identificar correctamente qué problema se quiere resolver, con qué datos se cuenta y qué técnica resulta más adecuada.

En ese sentido, la IA generativa es sólo una parte del ecosistema actual de la inteligencia artificial, aunque sea la más conocida por la sociedad. Sirve para acercar la tecnología a más personas, acelerar tareas de consulta, redacción, búsqueda de información o asistencia técnica. Pero detrás de esa capa visible existe un campo mucho más amplio, con herramientas capaces de mejorar mantenimiento, calidad, eficiencia energética, seguridad, planificación y toma de decisiones.

“La gran oportunidad para la ingeniería no está en usar inteligencia artificial para conversar con una máquina, sino en usarla para comprender mejor los procesos, reducir la incertidumbre y resolver problemas reales. Y allí, tanto el machine learning como el deep learning tienen todavía un enorme terreno por recorrer en la industria.