Artículo
El auge de la inteligencia artificial y el aprendizaje automático en la construcción

El mundo de la construcción está en una situación inmejorable para beneficiarse de la aparición del aprendizaje automático y la inteligencia artificial (IA). Como miembro del equipo del proyecto BIM 360 IQ de Autodesk, he tenido el privilegio de participar en la incursión de Autodesk en el aprendizaje automático dentro del campo de la construcción.

En este artículo se resumen los avances realizados en este ámbito y se abordan algunas formas en las que podemos prepararnos para sacar el máximo rédito de esta tecnología, incluido un estudio exhaustivo de algunos usos prácticos de la IA y el aprendizaje automático en la construcción y sus posibles repercusiones. Estos procesos están alterando diferentes áreas, incluidas, entre otras, la gestión de riesgos, la administración de las planificaciones, la gestión de subcontratistas, el control del entorno de las zonas de obra y la seguridad.

La IA y el aprendizaje automático en la construcción

¿Qué queremos decir cuando hablamos de la IA?

La opinión pública sobre la inteligencia artificial suele oscilar entre dos extremos: quienes piensan que acabará dominando el mundo y quienes la desdeñan como una quimera que no tiene cabida en una conversación seria. Lo cierto es que la IA está a medio camino entre ambas posturas, ya que se encuentra bastante lejos de ser una especie de superinteligencia. Se trata más bien de un tipo de estudio con una aplicación práctica tremenda, un factor decisivo muy importante en el uso de la tecnología actual.

Definir el concepto de IA siempre ha sido complicado. "Artificial" es la parte más fácil de la definición, ya que significa simplemente que no sucede con naturalidad. Es el término "inteligencia" el que se lo pone más difícil a veces a los especialistas. Por lo general, la IA hace referencia a un campo de la ciencia muy amplio que engloba diferentes ámbitos, desde la informática a la psicología, pasando por la filosofía y la lingüística. Su principal cometido es conseguir que los ordenadores realicen tareas que de otro modo precisarían de la inteligencia humana. En esta tanda de artículos encontrará información más pormenorizada sobre la definición y la historia de la inteligencia artificial.

Actualmente hay un sinfín de especialidades de trabajo que entran dentro del ámbito de mayor alcance de la IA. No obstante, hoy me centraré en dos de las áreas más conocidas, a saber, el aprendizaje automático y el aprendizaje profundo. El aprendizaje automático se encarga de escribir algoritmos que permitan a los ordenadores "aprender" a partir de unos datos determinados, sin necesidad de programación explícita. Por ejemplo, si queremos escribir un algoritmo que detecte los mensajes de correo electrónico no deseado, deberemos entrenar al algoritmo, para lo cual le presentaremos numerosos ejemplos de correos electrónicos etiquetados manualmente como correos electrónicos deseados y no deseados. El algoritmo "aprende" a detectar patrones, como la repetición de ciertas palabras o combinaciones lingüísticas, que determinan la posibilidad de que un correo electrónico sea no deseado.

En cuanto al aprendizaje profundo, se trata de un conjunto de técnicas especializadas de aparición muy reciente que está al amparo del aprendizaje automático. Se basa en redes neuronales, que son una especie de algoritmo de aprendizaje automático que simula las conexiones neuronales del cerebro humano. El aprendizaje profundo ha supuesto un giro radical en diferentes campos del procesamiento lingüístico y de las imágenes que ha permitido avances enormes en el plano práctico, como la asistencia en el hogar o los vehículos sin conductor.

 

Factores asociados

Desde un punto de vista académico, la IA lleva mucho tiempo entre nosotros (la primera conferencia sobre esta materia se celebró en 1956), aunque no adquirió verdadero protagonismo hasta la década pasada. Esto puede deberse a diferentes factores que han experimentado mejoras en los últimos tiempos. Lo único que la IA necesita es que haya una gran cantidad de datos de los que extraer conocimientos, y en los últimos años la cantidad de datos que se ha generado ha sido gigantesca. Según un blog de IBM, hace unos años, el 90 % de los datos existentes entonces se habían generado durante los dos últimos años. Y me aventuro a decir que esa cifra podría estar en torno al 95 % a día de hoy. Junto con los datos, la capacidad informática disponible para analizarlos aumenta exponencialmente cada año a la vez que se reduce su coste. En la actualidad, casi todos los datos están en la nube y, gracias a la disponibilidad de recursos para procesarlos, hemos visto multiplicarse los usos centrados en tomar mejores decisiones según la información obtenida de estos análisis.

Usos de la IA

Una buena forma de conocer los múltiples usos que tiene la IA es examinar su omnipresencia actual. Todos los días recibimos varios correos electrónicos, y casi todos les dedicamos más tiempo del que quisiéramos. Sin embargo, es obvio que actualmente se ha reducido la cantidad de esos mensajes no deseados tan terribles. Hace cinco años, era frecuente recibir un correo electrónico cada semana donde se nos aseguraba que habíamos ganado la lotería. La detección de correo electrónico no deseado es uno de los usos más antiguos y conocidos del aprendizaje automático. Al examinar miles de mensajes, los programas informáticos han sido capaces de "aprender" cuál es el aspecto habitual de un correo electrónico no deseado. Son capaces de saber que el correo electrónico no procede de un remitente probable, así como deducir del texto del correo que es bastante posible que el contenido sea fraudulento. Este es un sencillo ejemplo de procesamiento de texto.

Análisis de imágenes

Otra área de avance es el análisis de imágenes. Los problemas en este sentido se pueden reducir a dos categorías genéricas: identificar qué representa la imagen y, luego, identificar en qué lugar exacto de la imagen se encuentra un objeto determinado. Por ejemplo, en la foto anterior, ¿hay un gato? Si lo hay, la siguiente dificultad estribaría en detectar dónde se localiza exactamente en la imagen.

El desarrollo del aprendizaje profundo ha traído consigo algunas innovaciones en este sentido. Más allá de la detección de gatos, los iPhone nuevos vienen equipados con una funcionalidad de bloqueo basada en el reconocimiento facial. Los algoritmos son capaces de distinguir hasta los detalles más sutiles de una foto, y lo hacen a tal rapidez que se pueden utilizar para tomar decisiones en tiempo real. Antes, los algoritmos detectaban si había un gato en las fotos, pero ahora pueden decirnos si se trata del mismo gato en cada foto.

Cuando estos algoritmos de detección y reconocimiento de imágenes se combinan con otras formas de IA, surgen usos tan fascinantes como los vehículos sin conductor, capaces de percibir el entorno a su alrededor y aprovechar esa información para desplazarse por él. Se trata de una tarea compleja consistente en conocer los diversos objetos del entorno e identificar sus diferencias de comportamiento o funcionamiento y las reglas que plantean dentro del entorno. La imagen de abajo es un ejemplo de la vista que utilizaría un vehículo sin conductor para desplazarse. El sistema sabe distinguir entre personas, vehículos y objetos fijos. Necesita entender el significado de una luz roja y una señal de sentido único. Sabe calcular la distancia entre los objetos y usa esta información para tomar decisiones. En este artículo encontrará información más pormenorizada e interactiva sobre cómo se fabrica este tipo de vehículos y la tecnología que los respalda.

Distintos puntos de datos

A la hora de tomar una decisión, la mente humana es capaz de asimilar entre tres y cuatro puntos de datos. Este es otro aspecto en el que la inteligencia artificial ha supuesto todo un progreso ya que, mientras la mente humana solo tiene capacidad de lidiar con tres o cuatro dimensiones, los algoritmos de IA no tienen límites en este sentido. Si estamos devorando una serie recomendada por Netflix, el motor de recomendaciones probablemente haya tenido en cuenta un montón de cosas: nuestra edad y sexo, qué ven otras personas con el mismo perfil, qué tipo de series hemos estado viendo, las reseñas sobre la serie, el compromiso de otros espectadores con la serie y otros muchos factores.

El requisito común en todos estos ejemplos es que estos algoritmos necesitan una ingente cantidad de datos para aprender de ellos. La IA propone una recomendación o una solución en función de los datos que posee. Por tanto, dicha recomendación o solución será tan buena como lo sea la calidad de esos datos. Para aprovechar de verdad todo lo que esta tecnología ofrece, debemos pensar en organizar qué datos deben recopilarse y gestionarlos en todos los productos. En los círculos especializados de IA se suele hablar de "basura entra, basura sale".

¿Cómo está alterando la IA el sector de la construcción?

La tecnología de la construcción ha recibido una inversión colosal durante los últimos años. Gran parte de esa inversión se ha empleado en digitalizar distintas partes del flujo de trabajo de la construcción. Los modelos BIM han cambiado la forma de diseñar los edificios, los procesos de gestión de proyectos y gestión de problemas se han trasladado a la nube, y la gestión de operaciones ahora está más "sensibilizada" y automatizada. Con la disponibilidad de los datos, las aplicaciones basadas en IA han resultado ser de mayor utilidad en la construcción.

Diseño generativo

El diseño generativo es un proceso de detección de formas capaz de emular el planteamiento evolutivo de diseño de la naturaleza. Los especialistas informáticos han encontrado diversos modos de facilitar el proceso de diseño de edificios. Se suele empezar especificando nítidamente los objetivos del diseño y, luego, explorando un sinfín de posibles permutaciones de una solución para hallar la mejor opción. Esto se puede ver más claramente con un ejemplo.

Un equipo de Autodesk en Toronto se ha trasladado a un edificio nuevo que se ha diseñado con un nuevo proceso de diseño. Los especialistas recurrieron al diseño generativo para tratar de encontrar el diseño de edificio ideal que satisficiera todas las necesidades. Para empezar, se informaron acerca de los parámetros fundamentales para los ocupantes del edificio de oficinas, como la preferencia de proximidad, la preferencia de estilo de trabajo, el ruido, la productividad, la luz solar y la vista exterior.

De izquierda a derecha, cada plano se muestra con una simulación de los siguientes parámetros: preferencia de proximidad, preferencia de estilo de trabajo, ruido, productividad, luz solar y vista exterior.
From left to right, each plan is overlaid with a simulation of the following parameters: adjacency preference, work style preference, buzz, productivity, daylight, and views to outside.

Esta información se introdujo en un sistema informático que analizó estos requisitos de diseño junto con los requisitos de la ubicación física. El algoritmo generó varios diseños que satisfacían todos los requisitos, y el arquitecto pudo elegir el que más se ajustaba al estilo deseado y a otras necesidades. Dada la rapidez de este proceso, resultó bastante fácil reproducir la experiencia de diseño, así como trabajar en el diseño final y reformarlo tras varias conversaciones. Como se explica más detalladamente en este artículo, aparte de acabar con algunos problemas prácticos bastante molestos, el diseño generativo también podría mejorar la eficacia y la economía de todo el proceso de desarrollo, ya que permite generar diseños que mejoran la planificación y la coordinación entre los diferentes participantes.

Mitigación de riesgos

En cualquier zona de obra se evalúan y mitigan riesgos todos los días. Hay muchos subcontratistas que trabajan en distintas operaciones a la vez y surgen miles de problemas que hay que gestionar. Además, todo cambia constantemente. El proyecto BIM 360 IQ se ha centrado en conocer las dificultades a las que los jefes de obra, los responsables de proyectos y los superintendentes deben enfrentarse a diario para tener estos problemas bajo control, y cómo este proceso podría mejorarse con la IA. Tras hablar con varios superintendentes de obra, visitar sus lugares de trabajo y analizar los datos que se iban generando, vimos que priorizar los problemas clasificándolos por riesgo nos proporcionaría una pauta de actuación para mejorar la eficacia.

 

A través de la IA (especialmente, el análisis del lenguaje de la construcción), podemos asignar una prioridad a los problemas automáticamente. Los algoritmos pueden entender y predecir cuestiones complejas como, por ejemplo, si existe la posibilidad de que un problema sin resolver provoque una filtración de agua. El sistema se vale de las descripciones que muchos responsables de calidad han facilitado al supervisar sus proyectos.

Por ejemplo, si un responsable de calidad se da cuenta de que el tapajuntas exterior de una ventana está incompleto y registra el problema en BIM 360 Field, como viene siendo habitual, los algoritmos de IA se ejecutarán basándose en estos datos y etiquetarán el asunto automáticamente como un posible problema de agua. De esta forma, el superintendente estará al tanto de la situación cuando revise todos los problemas en el panel. Este sistema está disponible actualmente en fase piloto para cualquier usuario que utilice productos de BIM 360.

De igual modo, este sistema da un paso más y condensa todos los riesgos de los problemas según el subcontratista que sea responsable. Así, sopesa diferentes factores acerca de los subcontratistas, como sus posturas en el pasado en cuanto a gestión de problemas, la carga de trabajo actual o la gravedad de los problemas de los que son responsables. Esto permite al algoritmo asignar una "puntuación de riesgo" a cada subcontratista del proyecto, una métrica que indica la dimensión del riesgo a la que se expone el proyecto actualmente. De este modo, los jefes de obra pueden priorizar su tiempo de la mejor forma posible para trabajar más estrechamente con estos equipos.

Seguridad

La seguridad es la prioridad número uno de cualquier zona de obra. BIM 360 IQ se ha centrado en entender el comportamiento y el contexto relativos a los problemas de seguridad para, a continuación, llamar la atención de los responsables de seguridad al respecto. La aplicación IQ analiza automáticamente todos los problemas de seguridad de una zona de obra y los acompaña de una etiqueta que indica si podrían acabar siendo letales. Según revela OSHA, alrededor del 67 % de todos los fallecimientos relacionados con la construcción en 2015 se debieron a problemas derivados de lo que se conoce como las "cuatro incidencias mortales": caerse, golpearse, quedar atrapado o electrocutarse. Los algoritmos de IQ clasifican los problemas de seguridad que anteceden a cada una de esas "cuatro incidencias mortales".

La aplicación IQ muestra una lista de los subcontratistas de un proyecto y un desglose de sus problemas de seguridad correspondientes clasificados según esas "cuatro incidencias mortales".
The IQ application shows a list of subcontractors on a project and a breakdown of their safety issues by the “fatal four” categories.

La aplicación también ofrece información sobre el peligro que causa realmente la posible incidencia, y muestra una relación de 39 posibles peligros diferentes.

Un subconjunto de los peligros que la aplicación IQ puede detectar en un problema de seguridad.
A subset of the hazards that the IQ application can detect in a safety issue.

Gracias a esto, los responsables de seguridad saben exactamente dónde deben centrar sus esfuerzos de planificación y formación y pueden estar más atentos ante problemas concretos cuando recorren la zona en busca de incidencias de seguridad.

Actualmente, en una zona de obra se hacen muchas fotos y vídeos. Cada trabajador de la construcción dispone de un teléfono con cámara, de modo que hacer una foto de los problemas que van surgiendo es ya práctica habitual. Los drones se utilizan cada vez más, por ejemplo, para hacer tomas desde el aire o para realizar otro tipo de actividades más avanzadas (como ver el progreso de la obra). Las cámaras Go-Pro y los cascos inteligentes también empiezan a ser de uso común. Ante el inmenso aluvión de fotos, la mayoría de las aplicaciones tecnológicas tienen que ponerse al día, y hasta ahora no existía una solución óptima para gestionar las fotos o usarlas de forma provechosa.

Smartvid.io es una empresa tecnológica emergente que ha encontrado la solución para este problema. Ofrecen una plataforma que se integra con otros proveedores de tecnología para alojar todas las imágenes en un mismo sitio. Además, utilizan la IA para saber qué hay en la imagen. Tal y como vimos antes en el ejemplo de los vehículos sin conductor, es posible aislar y entender los diferentes objetos de una imagen. En Smartvid.io se llaman "etiquetas inteligentes", las cuales mejoran el sistema de clasificación y búsqueda de fotos.

En esta imagen de un trabajador de la obra apeándose de una escalera, Smartvid.io puede añadir automáticamente las etiquetas que aparecen a la izquierda.
In this image of a construction worker stepping off a ladder, Smartvid.io can automatically add the tags shown on the left to the image.

 

Como Smartvid.io entiende conceptos de construcción de nivel más elevado, permite realizar búsquedas de forma más inteligente. La imagen anterior muestra todas las imágenes de un proyecto que tienen que ver con la búsqueda del texto "encima del techo".
Since Smartvid.io understands higher level concepts in construction, it provides for smarter searches. The above image shows all the images in a project for the query ‘above ceiling.’

¿Qué va a hacer Autodesk en el futuro en cuanto a la IA en AEC?

BIM 360 IQ fue el primer producto de IA de la construcción y, desde entonces, cada año tratamos de ampliar sus límites. Así, hemos creado aplicaciones dedicadas a abordar las dificultades tanto en el plano de la seguridad como de la calidad de la construcción. Nuestro siguiente paso será aplicar un planteamiento parecido a la gestión de proyectos y utilizar la IA para mejorar el proceso.

Plataforma de datos

En el sector de la construcción hay varios proveedores de tecnología que ofrecen soluciones de gestión de datos, si bien a menudo estas son incompatibles entre sí. La capacidad de las soluciones basadas en IA alcanza cotas máximas cuando todos los orígenes de datos se pueden conectar entre sí. Para hacer frente a esta necesidad, Autodesk está trabajando también en la creación de una plataforma de datos que permita la integración de datos de terceros. Así, las distintas compañías de construcción podrían incluir todos sus datos en una misma plataforma con una capa de análisis común. Autodesk está incorporando a esta plataforma otros orígenes de datos, como los datos de ERP o los datos de gestión de proyectos, y se está asociando con otras compañías de datos del mundo de la construcción, entre otras, Smartvid.io, Triax Technologies y SmartBid.

Arquitectura conceptual de la nueva plataforma de datos de BIM 360
Conceptual architecture of the new BIM 360 data platform.

Anand Rajagopal, científico de datos de Autodesk, forma parte del equipo de BIM 360. En su puesto actual, colabora estrechamente con los clientes para crear, probar y poner en marcha modelos de aprendizaje automático específicos del ámbito de la construcción.

Clase complementaria

The field of construction is well placed to benefit from the advent of machine learning and artificial intelligence. As part of the BIM 360 Project IQ Team at Autodesk, I've had the privilege of being a part of Autodesk's foray into machine learning for construction. This talk will focus on summarizing the developments in this space, and we'll cover some ways in which one can prepare to maximize value from this technology. The class has 2 sections. The first part provides a broad survey of some...

Compartir artículo

Comentarios