Probando la inteligencia artificial a escala para T&D más rápido que nunca

Red de transmisión

Con el ejemplo real de un gran TSO, aprende cómo la IA puede trascender la heterogeneidad de la industria y ser rápidamente desplegada dentro de complejos flujos de trabajo

4 días

Para entrenar y etiquetar un conjunto de datos de más de 1200 imágenes

1 hora

Para probar la IA en un conjunto de validación de más de 400 imágenes

68% Tiempo

Salvado por los expertos en el análisis de los datos de la inspección

Alcanzar el nivel de producción con la IA requiere un largo, exigente y altamente estructurado viaje.

Grandes cantidades de buenos datos, un etiquetado de alta calidad y la experiencia de la industria son algunos de los ingredientes clave para construir un modelo de rendimiento, cuando se combinan con un destacado trabajo algorítmico y de ingeniería.

Pero al final, si no puedes adaptarte a las diferentes realidades de los clientes y tipos de infraestructuras eléctricas, no hay una aplicación escalable de la solución. 

En este libro blanco, aprenderá cómo la IA puede trascender la heterogeneidad de la industria y desplegarse rápidamente dentro de complejos flujos de trabajo corporativos.

¡Estás a un paso de tener acceso a este libro blanco!

1. La vigilancia de la salud de los activos con la ayuda de la inteligencia artificial  

La línea de transmisión de energía más grande del mundo se encuentra en Belo Monte-Rio, Brasil, y tiene 2.543 km de longitud. Mientras que la torre de transmisión más alta jamás construida tiene 370 metros de altura y puede ser admirada en el Monte Damaoshan en China. Impresionante, ¿verdad? Ahora intente imaginar estos gigantescos activos, repartidos a lo largo de una inmensidad de kilómetros, envejecidos por el tiempo, expuestos a condiciones climáticas extremas, abrazados por una vegetación en crecimiento, y visitados por cigüeñas que los encuentran tan atractivos como un piso en el centro de la ciudad. Es muy probable que los defectos y el inventario faltante empiecen a aparecer. (Figura 1)

Figura 1: Ejemplos de defectos en las torres de transmisión - corrosión (izquierda) y nido de pájaro (derecha).

Las inspecciones regulares y la vigilancia de la salud de los activos son fundamentales para evitar consecuencias graves, como los cortes de energía y los incendios forestales. Ya sea utilizando helicópteros, teléfonos inteligentes o cámaras de aviones no tripulados, los operadores de sistemas de transmisión (TSO) recogen periódicamente miles y miles de imágenes de sus torres para su posterior análisis. Esto permite a los gestores de la red comparar el estado de las infraestructuras a lo largo de los años y tomar decisiones sobre el presupuesto y el mantenimiento. Pero el hecho es que la gestión de tan grandes cantidades de datos resulta en uno de los mayores puntos de dolor en la industria.

3.000 km de torres de transmisión suelen generar alrededor de 1 millón de fotos. Sólo en Francia, hay más de 100.000 km de líneas de alta tensión. ¿Se imagina usted almacenar, clasificar y revisar manualmente los millones de fotos tomadas durante las inspecciones para detectar problemas que pueden ser sólo de unos pocos milímetros de ancho? Es un proceso extremadamente exhaustivo y que requiere mucho tiempo.

Para luchar contra este cuello de botella de la productividad, la inteligencia artificial (IA) es una tecnología muy conveniente, que ayuda a acelerar el análisis de los datos de la inspección. Esta solución de software destaca automáticamente los defectos y el equipo en las imágenes de la inspección y permite a los expertos en el ámbito de los negocios presentar informes sobre la salud de los activos de forma más rápida y mejor. (Figura 2)

Figura 2: La corrosión de los sujetadores es detectada automáticamente por nuestra herramienta de inteligencia artificial en Sterblue la plataforma de la nube.

En las siguientes páginas, aprenderá cómo la IA puede trascender la heterogeneidad de la industria y desplegarse rápidamente dentro de complejos flujos de trabajo corporativos. Más precisamente, te llevaremos a través del viaje de Sterbluepara resolver un verdadero desafío de datos propuesto por uno de los mayores TSOs del Norte de Europa.

2. Reto aceptado: Entrenar, probar y desplegar Sterblue la IA en sólo 4 días

Para fomentar la adopción de la inteligencia artificial dentro de las grandes corporaciones, es necesario demostrar claramente las ventajas de esta herramienta. Las empresas de energía y servicios públicos quieren asegurarse de que la solución puede satisfacer sus necesidades y que hay un verdadero retorno de la inversión. Una buena opción para hacerlo es lanzar una prueba de concepto de la IA (PoC) para evaluar a los posibles socios comerciales. De esta manera, las empresas pueden educarse, probar y promover internamente el valor de la IA, mostrando resultados reales a las partes interesadas pertinentes.

En julio de 2020, un TSO responsable de más de 40.000 km de circuitos de líneas de transmisión en Europa inició un desafío de datos para probar las capacidades de inteligencia artificial de múltiples proveedores. Ni que decir tiene que Sterblue estaba inmediatamente ansioso por participar. Y estas fueron las condiciones:

  • La fase de entrenamiento se realizaría en 1.234 fotos de torres de transmisión en las que había que detectar 6 tipos de defectos. 
  • Después de eso, la prueba de IA se ejecutaría en un conjunto de datos de validación de 405 imágenes nunca vistas, en un período máximo de 24h.
  • En conjunto, el proceso tuvo que ser completado y los resultados entregados al TSO en menos de 2 semanas.

Desde 2016, Sterblue ha estado acumulando experiencia con múltiples clientes en todo el mundo y construyendo herramientas de inteligencia artificial dedicadas a diferentes tipos de activos, incluidas las redes eléctricas. Para maximizar las sinergias en el curso de este proyecto, hemos realizado cada paso en Sterblue la plataforma Cloud. (Figura 3)

Figura 3: Sterblue proceso para responder a todo el desafío de los datos en Sterblue la plataforma de la Nube.
"Hace 3 años, nuestros primeros proyectos piloto de inteligencia artificial con empresas de energía solían tardar entre 6 y 8 semanas en ser entregados. Hoy en día, somos capaces de hacer exactamente lo mismo, pero en sólo 4 días y aún menos a finales de 2020. Estos ahorros de tiempo son muy valiosos no sólo paraSterblue, pero lo más importante, para nuestros clientes. Y este proyecto fue la oportunidad perfecta para demostrarlo!" Geoffrey Vancassel, Sterblue CEO

3. Preparación: Observando la heterogeneidad del conjunto de datos

La captura de buenos datos juega un papel importante en los resultados esperados de la IA. Durante los últimos 4 años, Sterblue ha estado promoviendo una visión en la que los datos se recogen automáticamente utilizando aviones teledirigidos de serie con un software de navegación automática. No obstante, llevará tiempo pasar a este enfoque normalizado, ya que los métodos de inspección tradicionales siguen estando arraigados en las grandes empresas. La falta de información, las prioridades de inversión y los costos de cambio son algunas de las razones. (Figura 4)

Figura 4: Inspección de la red de transmisión realizada con un avión teledirigido DJI de serie, alimentado con Sterblue tecnología de vuelo automático.

El principal TSO europeo utilizaba múltiples procesos, empleados y fuentes de imágenes (teléfonos inteligentes, helicópteros, aviones no tripulados) para realizar las inspecciones. Esta pobre estandarización y alta variabilidad condujo a un conjunto de datos muy dispares. En términos generales, la calidad del lago de datos era un aspecto desafiante de este proyecto porque:

  • De las 1237 imágenes proporcionadas, sólo 44 (3,6%) cumplieron con los estándares de calidad de Sterblue(Figura 5).
  • Los formatos de archivo (.jpg, .png, etc.), los porcentajes de zoom y los tamaños de las imágenes eran muy heterogéneos. 
  • Había muchas torres de transmisión diferentes en las imágenes, con entornos circundantes variables.
Figura 5: Distribución de las 1237 imágenes según el nivel de calidad.

Después de tener una visión clara de la complejidad de la prueba, Sterblue subió las imágenes 1237 en Sterblue Cloud, usando el Smart Uploader. Esta característica permite no sólo escalar cargas masivas de diferentes formatos (+100GB en fotos a la vez), sino también asignar cada imagen a la infraestructura correspondiente y al equipo asociado. Está diseñado para anticiparse a los posibles errores humanos, abordar los problemas antes de que puedan crear cualquier problema y garantizar la base de datos más estructurada. Gracias a ello, Sterblue pudo detectar y eliminar dos duplicados de los datos proporcionados, que acabaron siendo 1235 originales.

En un análisis regular de los datos de la inspección, las imágenes de mala calidad se filtran automáticamente y, si es necesario, manualmente en Sterblue Cloud. El objetivo es asegurarse de que el sistema sólo ingiere datos limpios. Sin embargo, este desafío apuntaba a mostrar las capacidades de cada proveedor cuando se trataba de una fuerte heterogeneidad de imágenes. Así, las imágenes 1237 (en realidad 1235) no iban a ninguna parte!

4. Etiquetado: Combinando la precisa experiencia humana con la IA

Las diferentes empresas tienen diferentes políticas de gestión de activos. Esta variabilidad puede depender de muchos factores, como el país, el tipo de torre, las condiciones meteorológicas o incluso las especificaciones internas, como las terminologías utilizadas para clasificar las anomalías en las infraestructuras (referencial de defectos). (Figura 6)

Figura 6: Torre de transmisión en Hong Kong (izquierda) y en el Medio Oriente (derecha) capturada por Sterblue. Entornos muy diferentes y, por lo tanto, diferentes problemas a monitorear.

Para este desafío se necesitaban 6 tipos de etiquetas estándar: aislante oxidado, vidrio aislante roto, aislante contaminado, aislantes de salto, estructura de torre oxidada y estructura de torre doblada.

Entre los defectos mencionados, la herramienta de IA de Sterblue dedicada a las torres de transmisión ya fue entrenada para detectar "aislantes oxidados" y "estructuras de torres oxidadas", ya que estos son algunos de los más solicitados por nuestros clientes. Sin embargo, nunca se había utilizado en las torres particulares de los principales TSO o las imágenes 1237 proporcionadas para este desafío. Por lo tanto, un equipo de expertos de la industria tenía la importante tarea de etiquetar manualmente todo el conjunto de datos, para que nuestro modelo aprendiera a identificar automáticamente los 6 tipos de defectos durante la fase de entrenamiento. (Figura 7)

Figura 7: Ejemplo de una estructura de torre oxidada detectada automáticamente por Sterblue. La IA puede jugar un papel importante para ayudar a monitorear la corrosión, uno de los mayores desafíos de los TSOs.

Desde el punto de vista de un cliente, pedir referencias específicas puede parecer un requisito básico. Pero para los vendedores plantea una pregunta difícil: ¿cómo podemos escalar y capitalizar nuestros modelos de IA existentes sin tener que empezar de cero cada vez?

Las disparidades en el conjunto de datos, los diferentes tipos de torres y las especificaciones del cliente pueden avergonzar a los algoritmos más elaborados. Un enfoque de talla única no servirá. Según Hanna Kerner, para la Revisión de Tecnología del MIT, "los investigadores de aprendizaje automático que no se dan cuenta de esto y esperan que las herramientas funcionen "off-the-shelf" a menudo terminan creando modelos ineficaces". Para superar este problema, Sterblue modela la realidad industrial de cada cliente en lo que llamamos el "Referencial Universal de Anomalías". De esta manera podemos mapear las detecciones con cualquier dato disponible en nuestra base, haciendo innecesario empezar de cero con un nuevo cliente, mientras se tienen en cuenta las diferentes realidades.

El último punto a tener en cuenta fue la estrategia de etiquetado requerida por el cliente. En este caso, el TSO sólo nos proporcionó una hoja de Excel indicando qué anomalías estaban presentes en qué imágenes. O, en otras palabras, ninguna estrategia de etiquetado en absoluto. Para llenar esta laguna, Sterblue decidió apuntar a las etiquetas más precisas y uniformes para cada uno de los 6 tipos de defectos. El objetivo era redactar anotaciones segmentadas, con bordes precisos alrededor de las partes dañadas, asegurándose de que no hubiera pérdidas de rendimiento al adaptar nuestros algoritmos. (Figura 8)

Figura 8: Ejemplo de una etiqueta precisa realizada por nuestros expertos. En este caso se trata de un vidrio aislante roto.

Antes de que los expertos de Sterblue comenzaran a etiquetar las 1.234 imágenes en la plataforma de nubes de Sterblue , dejamos que nuestra inteligencia artificial preexistente para la red de transmisión analizara el conjunto de datos y buscara estructuras de torres oxidadas y aislantes oxidados. Aunque nuestro modelo nunca había visto estas imágenes o torres, todavía era capaz de detectar automáticamente 866 de los defectos mencionados. Esto fue una ayuda importante considerando que las manchas de corrosión eran las detecciones más predominantes. Después de eso, nuestro equipo de expertos de la industria realizó otras 2.416 anotaciones manuales. En promedio, se añadieron 2,6 detecciones por imagen. (Figura 9)

Figura 9: Número de etiquetas añadidas a todo el conjunto de datos, distribuidas por tipo de defecto (arriba). Alrededor del 26,4% de estos hallazgos fueron detectados automáticamente por la IA (abajo).

5. Entrenamiento: Adaptar la IA a las especificaciones del cliente

El siguiente paso natural fue entrenar Sterbluea la red neural dedicada al conjunto de datos del desafío. Se necesitan varias iteraciones para que el modelo aprenda a interpretar las características de la imagen y ajustar las posibles vías de decisión hasta converger con la ideal. Para empezar, Sterblue hizo algunos ajustes y optimizaciones en el algoritmo, minimizando la posibilidad de predicciones desviadas, o lo que se llama una "función de pérdida". Luego, el entrenamiento se realizó en el 90% de las imágenes (seleccionadas al azar), dejando el otro 10% para fines de validación. Si bien esta decisión puede limitar ligeramente el potencial de entrenamiento, también permite Sterblue vigilar y ajustar mejor los parámetros del modelo.

Como se mencionó anteriormente, en 2016, cuando se fundó Sterblue , entrenar nuestra IA para un nuevo cliente solía ser un proceso lento y largo. Hoy en día, podríamos completar las fases de etiquetado y entrenamiento en las 1.234 imágenes proporcionadas para este desafío en 4 días. La última y última etapa de este proyecto fue que probara nuestras capacidades de IA en el conjunto de datos de validación de 405 imágenes, en el que Sterblue tardó menos de 1 hora (de un plazo de 24 horas). Esto sólo fue posible gracias a nuestro sistema de entrenamiento de última generación y al nivel de madurez alcanzado por nuestras herramientas dedicadas a la IA. (Figura 10)

Figura 10: Aprovechando la herramienta dedicada de la IA de Sterbluepara completar este proyecto en sólo 4 días. Los porcentajes se refieren al impacto de cada etapa en la actuación final.
"Las herramientas de IA dedicadas se están volviendo más y más maduras! El hecho de que podamos aprovechar nuestros modelos existentes para acelerar el proceso de etiquetado y entrenamiento es clave para desplegar la IA más rápidamente. Pronto, un proyecto de esta naturaleza tomará sólo unos minutos para ser completado: el tiempo de arrastrar y soltar las imágenes en Sterblue la plataforma Cloud! " Geoffrey Vancassel, Sterblue CEO

6. Rendimiento: Evaluación de la IA contra los KPI afinados

Hay 2 indicadores clave de rendimiento esenciales (KPIs) al evaluar la IA: Recall & Precision. Recall da la proporción de defectos de la vida real que son detectados con éxito por la IA. Por ejemplo, si entre 100 anomalías presentes en una torre de transmisión, la IA detecta 90 (verdaderos positivos) y falla 10 (falsos negativos), la retirada será igual al 90%. Considerando la criticidad de las infraestructuras energéticas, la memoria es la métrica más importante a recuperar. No identificar y arreglar los problemas de la red puede tener graves consecuencias.

Por otro lado, la precisión se refiere a la relevancia de las detecciones. En otras palabras, entre todas las detecciones señaladas por la IA, la precisión mide cuáles son defectos reales (verdaderos positivos) y cuáles no (falsos positivos). Digamos que la IA detecta 100 incidencias. Si sólo 70 de ellas son anomalías reales, entonces la precisión será igual al 70%. Sterblue también hace un gran esfuerzo para optimizar esta métrica, ya que no queremos abrumar a nuestros usuarios con falsas alertas. En un escenario óptimo, todas las detecciones son relevantes (precisión=100%) y la IA no falla en ninguna detección (recuerdo=100%). (Figura 11)

Figura 11: Explicación de la carta de Precisión y Reclamación.

La precisión y el recuerdo se expresan en función de otros dos indicadores. El umbral de intersección sobre la unión (IOU) tiene en cuenta el solapamiento entre una detección y una verdad de tierra (defecto de la vida real) para determinar si una predicción puede definirse como verdadera positiva o no. Cuanto más alto sea el IOU elegido, menor será la precisión y el recuerdo. Mientras que el umbral de la Puntuación de Confianza da el nivel de confianza acordado a partir del cual las detecciones empiezan a ser consideradas para la evaluación. (Figura 12)

Figura 12: Explicación gráfica de la intersección sobre la unión (IOU) (izquierda) y de la precisión y el recuerdo en función de este indicador (derecha).

Mantener al margen el 10% del conjunto de datos de entrenamiento fue esencial para calcular estas métricas y, por lo tanto, ajustar el modelo para lograr el mejor rendimiento durante la fase de prueba. Los valores de recuerdo y precisión oscilaron entre el 44% y el 83% y el 60% y el 100% respectivamente, dependiendo del tipo de defecto. (Figura 13)

Figura 13: Valores para el recuerdo y la precisión según un umbral de puntuación de confianza e intersección sobre la unión (IOU) por defecto (arriba) y promedio global (abajo).

En condiciones normales, Sterblue sólo presenta anomalías de producción que alcanzan al menos el 80% en ambos KPI, a menos que los clientes pidan un criterio diferente. Sin embargo, el objetivo de este desafío no era implementar la solución directamente, sino demostrar cuán escalable puede ser la inteligencia artificial a corto plazo y dar al cliente algunas perspectivas claras. Dado el pequeño conjunto de datos, la mala calidad de la imagen y las escasas instrucciones de etiquetado, estos fueron en realidad resultados muy positivos. 

7. Valor añadido: Aumentar la productividad y la fiabilidad con la IA

Para evaluar las ganancias de productividad de la inteligencia artificial, Sterblue decidió monitorear el tiempo que nuestros expertos pasaron etiquetando cada cuadro con y sin el apoyo de la IA. Esto fue especialmente interesante, porque en este proyecto el conjunto de datos iniciales de 1237 imágenes era muy similar al conjunto de datos de validación en cuanto a la calidad de la imagen y las instrucciones de etiquetado. En realidad, puede que no siempre sea así.

  • Al etiquetar el conjunto de datos de capacitación, los expertos de la industria informaron de que habían pasado en promedio cerca de 2 minutos en imágenes en las que la IA no había hecho ninguna detección.
  • Mientras que, al validar las anotaciones automáticas realizadas por la IA en las 405 imágenes del conjunto de datos de la prueba, los expertos emplearon un promedio de 36 segundos por imagen. (Figura 14)
Figura 14: Comparación del tiempo de etiquetado por imagen con y sin la ayuda de la IA. Un ahorro de tiempo del 68% se logra con la IA.

Esto significa un ahorro de tiempo del 68% cuando se utilizó la inteligencia artificial para apoyar el análisis. Intente imaginar a una persona revisando y etiquetando miles de imágenes durante varias horas. Es natural que su nivel de atención comience a disminuir y que empiecen a aparecer posibles errores. La verdadera eficiencia nace cuando se unen trabajadores calificados con herramientas poderosas. A largo plazo, los expertos serán capaces de iterar mucho más rápido sobre los nuevos datos que lleguen y, por consiguiente, inspeccionar con mayor frecuencia.

Las ventajas de integrar una herramienta de IA en el flujo de trabajo de la inspección van mucho más allá de la pequeña muestra presentada en este libro blanco. Si el principal TSO decide avanzar con esta tecnología, la productividad de sus equipos aumentará drásticamente. Y, lo que es más importante, la empresa podrá supervisar mejor su red de infraestructura, garantizando la fiabilidad y seguridad continuas del suministro eléctrico.

8. Perspectivas: Escalar e integrar la IA en el flujo de trabajo de la inspección

Una vez que se completa una prueba de concepto, Sterblue siempre modela la evolución de rendimiento esperada, suponiendo que la IA se alimentará de más datos de inspección (y más detecciones) en el futuro. En este caso, la ingesta de imágenes durante un período estimado de 3 meses sería suficiente para alcanzar los niveles ideales de recuerdo y precisión para la detección de defectos. (Figura 15 y 16)

Figura 15: Evolución de los valores de recordación (arriba) y precisión (abajo) (en %) en un período de 3 meses por defecto. Partiendo de los valores calculados durante este desafío (ahora) y calculando luego los valores asumiendo 3 000 y 10 000 detecciones.
Figura 16: Precisión media global y valores de recuerdo (en %) evolución en un período de 3 meses.

Esa es en realidad la única manera de lograr mejores resultados: ¡datos, datos y más datos! El tamaño del conjunto de datos está intrínsecamente relacionado con el rendimiento del modelo, teniendo en cuenta la importancia de la calidad de la imagen y la estrategia de etiquetado. Por esa razón, un método de inspección estandarizado y trazable, como los drones voladores a lo largo de trayectorias automáticas, es muy recomendable.

Por último, es igualmente necesario comprender cómo la inteligencia artificial encajará en el flujo de trabajo de la organización. 

  • ¿La empresa utiliza una plataforma interna para el análisis de imágenes? 
  • ¿Los resultados de la IA alimentarán otro sistema de gestión después?
  • ¿Qué casos de uso está buscando el cliente? ¿Detección de defectos? ¿Gestión de inventario? ¿Gestión de la vegetación?

Estos son ejemplos de preguntas hechas por Sterblue durante una evaluación cercana con el cliente. El objetivo es asegurarse de que cada paso del flujo de trabajo de la gestión de activos se desarrolle sin problemas, incluyendo las entradas y salidas asociadas. Aquí, una vez más, la versatilidad es clave. Mientras que para algunos clientes Sterblue proporciona la plataforma central para todo el proceso de inspección para otros simplemente ofrecemos un paso individual de la cadena de valor, como nuestra herramienta de IA. (Figura 17)


Figura 17: Flujo de trabajo de inspección recomendado por Sterblue, como plataforma central para la inspección y gestión de la infraestructura.

9. La inteligencia artificial al servicio de las necesidades del cliente

En menos de una semana, Sterblue fue capaz de preparar, entrenar y medir un conjunto de datos de más de 1.500 imágenes, demostrando un ahorro de tiempo de más del 60% para el cliente. Esto sólo fue posible gracias a nuestro conjunto de herramientas personalizables que son aplicables a una amplia gama de casos de uso y constantemente mejoradas por nuestro equipo de ingeniería. A finales de 2020, esperamos conseguir resultados mucho más ambiciosos en sólo unos minutos.

Alcanzar el nivel de producción con la IA requiere un largo, exigente y altamente estructurado viaje. Grandes cantidades de buenos datos, un etiquetado de alta calidad y la experiencia de la industria, combinados con un excepcional trabajo algorítmico y de ingeniería, son algunos de los ingredientes clave para construir un modelo de rendimiento. Pero al final, si no se puede adaptar a las diferentes realidades de los clientes y tipos de infraestructuras eléctricas, no hay una aplicación escalable de la solución.

En el creciente y cambiante mercado de la energía, vender una tecnología revolucionaria ya no es suficiente para esforzarse. El verdadero valor se agrega cuando se resuelven las necesidades de los clientes.


Oops! Algo salió mal al enviar el formulario.

"Hace 3 años, nuestros primeros proyectos piloto de Inteligencia Artificial con empresas de energía solían tardar entre 6 y 8 semanas en ser entregados. Hoy en día, somos capaces de hacer exactamente lo mismo, pero en sólo 4 días y aún menos a finales de 2020! "

Geoffrey Vancassel