En este escrito, basado en [1], se exponen ideas para que Perú impulse su economía y simultáneamente alcance sus metas ambientales. El objetivo es divulgar los potenciales usos del ML en diferentes sectores con la finalidad de combatir el cambio climático desde 2 frentes: 1) mitigación: cómo reducir las emisiones GEI y 2) adaptación: cómo controlar y resistir a los desastres.
El referido está dividido en secciones según el dominio de aplicación (ver Tabla 1). Adicionalmente, para los potenciales usos de ML se han agregado las siguientes marcas:
- (Alto Impacto) Aplicaciones identificadas por expertos en el tema.
- (Largo Plazo) Los resultados serán observables después del 2040.
- (Impacto Incierto) Pueden haber efectos secundarios negativos.
Los efectos de un clima variante son visibles: sequías, reducción de cosechas, destrucción de infraestructura crítica, desplazamiento de comunidades, e incluso se especula que pandemias como el COVID-19 serán más frecuentes ya que la salud humana y la política climática no están separadas [2]. El cambio climático altera nuestra forma de interactuar con otras especies en la tierra; y esto representa un riesgo porque se crea una oportunidad para que patógenos entren en un nuevo huésped. Situaciones como esas están forzado a diferentes países a repensar en la sostenibilidad de sus modelos económicos (Acuerdo de París)[1] y poner un valor sobre la naturaleza que va mucho más allá del dinero.
El Machine Learning (ML) es una rama de la inteligencia artificial. Consiste en el estudio de algoritmos informáticos que mejoran automáticamente a través de la experiencia y mediante el uso de datos [3]. Los algoritmos construyen un modelo basado en datos de muestra (datos de entrenamiento), con el fin de elaborar predicciones o decisiones sin estar programados explícitamente para hacerlo [4]. El ML es utilizado en una amplia variedad de aplicaciones donde es difícil o inviable desarrollar algoritmos convencionales para realizar las tareas necesarias (ej. visión por ordenador).
La sociedad depende en gran medida de procedimientos industriales como la cadena de suministro (transporte de carga de larga distancia) y de la fabricación de materiales de construcción (acero y cemento) para el desarrollo de su economía; y es por esto que estas industrias son causantes de emisiones de Gases de Efecto Invernadero (GEI) difíciles de eliminar. Afortunadamente, las empresas en este rubro recolectan grandes cantidades de datos a través de sensores; por lo tanto su disponibilidad combinada con el almacenamiento y cálculo en la nube hacen del sector industrial un excelente lugar para generar un impacto climático positivo usando el ML. Sin embargo, según la paradoja de Jevons, una mayor eficiencia en estos procesos manufactureros puede aumentar la producción de bienes y en consecuencia de emanaciones GEI, a menos que se reciban incentivos para reducirlas. Con el uso del ML existe la posibilidad de reducir las emisiones GEI si:
- Los datos de los procesos industriales son accesibles y de alta calidad.
- Las empresas tienen un incentivo para compartir datos y/o algoritmos propietarios con investigadores y otras compañías.
- Los detalles de la producción o suministro de bienes pueden optimizarse fácilmente.
- Los incentivos para las compañías se alinean con la reducción de las emisiones GEI (ej. cumplimiento de normas).
Tabla 1. Soluciones en la industria emparejados con áreas relevantes de AA
1. Optimización de la cadena de suministro
En nuestra sociedad globalizada, los procesos organizacionales y redes de transporte necesarios para llevar un bien del productor al consumidor final, son complejos. Por ejemplo, el 2006 al menos 2 empresas escocesas transportaron (ida y vuelta), desde Escocia hasta China y Tailandia, grandes toneladas de camarones solamente para ser pelados porque les resultaba más económico. Con el ML hay una posibilidad de reducir la emisiones en la cadena de suministro prediciendo la oferta y la demanda, identificando productos bajos en contenido de carbón y optimizando las redes de transporte.
1.1 Reducción de la sobre-producción (Impacto Incierto)
La producción, el transporte y el almacenamiento climatizado de mercadería es una fuente considerable de emisiones GEI. Con el ML se puede mitigar este problema optimizando el pronóstico de demanda y así distribuir eficientemente el inventario sin dejar que la mercancía no deseada viaje largas distancias solamente para ser almacenada. Sin embargo, pueden haber efectos secundarios negativos según el tipo de producto. Por ejemplo, la manufactura justo a tiempo y las compras en línea suelen ser responsables de envíos rápidos de mercaderías pequeñas por carretera que carecen de la eficiencia energética de otros métodos de carga más lentos como el ferrocarril. Tal es el caso de la tienda de moda española Zara que con su impresionante cadena de suministro ha logrado una manufactura justo a tiempo con la que evita la sobre-producción [5]. Sin embargo, la preocupación actual por la sostenibilidad ambiental ha hecho que la empresa cambie su enfoque. En lugar de responder a las necesidades de la moda, ahora predicen las tendencias de ésta además de la demanda de sus productos más vendidos utilizando el ML [6]. Para el caso de Perú, las tiendas de comida rápida prefieren la compra de papa industrializada debido a su bajo costo; dejando de lado la producción nacional [7]. Esto ocasiona protestas sociales porque los precios del tubérculo bajan a causa de su sobre-producción [8]. Una alternativa es el empleo del ML para predecir su demanda en el mercado interno y poder planificar los cultivos. En la actualidad, el gobierno peruano utiliza encuestas para la predicción [9]; por lo que sería interesante comparar esos resultados con los del ML y evaluar cual es mas rápido, preciso y sostenible. Finalmente, fomentando mejores políticas en favor de la producción nacional se controlaría la compra de papa industrializada; la cual al estar precocida necesita de un almacenamiento climatizado para su transporte, y como se mencionó antes eso es una fuente de emisiones GEI.
1.2 Sistemas de recomendación
El ML, hipotéticamente, puede ayudar a identificar los productos más ecológicos y así recomendarlos a los consumidores y empresas compradoras. Sin embargo, el desafío radica en obtener información relevante sobre las emisiones GEI a lo largo de todo el ciclo de vida de esos artículos. Para esto, habría que convencer a las compañías de compartir sus mejores prácticas y datos propietarios para ayudarse mutuamente. En [10] se muestra la complejidad de modelar el impacto ambiental de todo el ciclo de vida (producción, uso, reciclaje) de los carros eléctricos y de combustión interna. Usualmente se piensa que los vehículos eléctricos son más ecológicos porque no emiten gases cuando circulan. Pero hay otros factores ha tener en cuenta que van desde el material empleado en las baterías y el equipo electrónico, hasta si la infraestructura para la distribución de energía eléctrica depende de fuentes fósiles. En consecuencia, sería necesario incentivar a las empresas para que presenten estudios como ese antes de comercializar sus productos. Empleando el ML se consultarían esas múltiples fuentes de información para recomendar la compra del producto más sostenible.
1.3 Reducción de desperdicio de alimentos (Alto Impacto)
Mundialmente, cada año se desperdician 1.3 billones de toneladas de comestibles. En los países en vías de desarrollo, el desperdicio ocurre entre cosecha y venta al por menor, mientras que en las naciones industrializadas sucede al final de la cadena de suministro (restaurantes y hogares). “En países como el Perú, el 40% de los alimentos son rechazados durante la cosecha, el almacenamiento o el transporte, porque no presentan el tamaño o la calidad exigida por el minorista”[11]. Otras razones son el mal estado de las carreteras y las insuficiencias en la cadena de frío [12]. Con el ML habría una oportunidad para optimizar las rutas de entrega y el pronóstico de demanda en los puntos de comercio, así como mejorar los sistemas de refrigeración, además de potenciar el adelanto en sensores [13] [14] para identificar alimentos que estén a punto de perecer y poder tomar las medidas necesarias. Un ejemplo de uso exitoso de ML es la cadena hotelera Interconental Hotels Group (IHG, por sus siglas en inglés) que utiliza cámaras y balanzas inteligentes para analizar los ingredientes usados en la preparación de comidas y en platos regresados a la cocina. Toda esa información les ayuda a evaluar qué alimentos se desperdician más y en qué cantidades y así pueden tomar mejores decisiones de compra en sus hoteles [15] [16].
2. Mejoramiento de materiales
2.1 Construcción ecológica (Alto Impacto) (Largo Plazo)
La producción de cemento y acero en conjunto representa más del 10% de todas las emanaciones globales de GEI. Combinando el ML con el diseño generativo[2] pueden crearse nuevos productos estructurales que requieran menor cantidad de estas materias primas y de este modo reducir las emisiones GEI. También, sería interesante combinar el ML con el Método de los Elementos Finitos (MEF)[3] para simular los procesos físicos de técnicas de manufactura como la impresión 3D y así poder crear formas inusuales en acero y cemento que usen poca materia prima pero de alta calidad. Finalmente, el ML se usaría para re-diseñar la estructura química de materiales y hacerlos ecológicos. En el caso de Perú, los residuos de construcción y demolición de casas generalmente terminan en rellenos sanitarios, botaderos y playas [17]. Haciendo uso del ML se podría modificar la estructura química del cemento para hacerlo mas fácil de reciclar o encontrar un reemplazo a los materiales que se usan en su elaboración. Por ejemplo, el uso de la arcilla en lugar de la piedra caliza [18]. Para esto se pueden aprovechar bases de datos abiertas [19] y modelos generadores semi-supervisados[4] para proponer nuevas fórmulas.
2.2 Químicos ecológicos (Alto Impacto) (Largo Plazo)
La elaboración de amoníaco es una reacción que se lleva a cabo lentamente ya que necesita de muchísima energía. Con el fin de hacerla más rápida, se usa un catalizador para aumentar su temperatura. Este proceso reporta 2% de consumo energético mundial. En Perú, el amoníaco se usa en diferentes situaciones: industrias minera, metalmecánica, farmacéutica, como base para fertilizantes agrícolas, entre otras. Con el ML, se predecirían las reacciones químicas y se crearía un amoníaco que requiera de bajas temperaturas en su producción.
3. Producción y energía
3.1 Control adaptativo (Alto Impacto)
El ML puede mejorar la eficiencia de los sistemas de climatización (ventilación, calefacción y refrigeración) y otros procesos industriales si se combina con algoritmos de control. Por ejemplo, DeepMind ha usado el aprendizaje reforzado[5] para optimizar los centros de refrigeración de los servidores internos de Google prediciendo y optimizando la métrica PUE[6] (siglas en inglés para Power Usage Effectiveness), que tuvo como efecto la reducción de emisiones HFC[7] y costos en refrigeración. Perú es un país con diversos tipos de clima (seco tropical, frígido, tropical húmedo, etc), por lo que un sistema para crear condiciones de temperatura, humedad y limpieza de aire son necesarios para la comodidad y salubridad. Entonces algunas infraestructuras que se beneficiarían de un control adaptativo óptimo serían hospitales, mineras y edificios.
3.2 Mantenimiento predictivo
Con el ML se modelaría con precisión el desgaste de las máquinas y al combinarlo con ML interpretable[8] se ayudaría a desarrollar una mejor comprensión sobre cómo minimizar las emisiones GEI de los equipos y sistemas industriales. Por ejemplo, usando un gemelo digital[9] se podrían identificar y prevenir escenarios no deseados en la producción, tales como artículos dañados y fugas de material peligroso debido a maquinarias y tuberías a punto de fallar. La empresa Kaeser [20], gracias al uso de gemelos digitales, pasó de proporcionar dispositivos de compresión de aire a brindar un servicio completamente desarrollado que involucra la instalación, mantenimiento, monitoreo del ciclo de vida de sus aparatos y rastreo de su desempeño. Asimismo, les abrió una oportunidad de renovar por completo su estructura de precios. Pasaron de cobrar por producto comprado a recaudar en función de la cantidad de aire utilizado por sus clientes. Para el caso peruano los gemelos digitales pueden aplicarse en el sector minero no solamente para mejorar la productividad de las operaciones sino para mantener el control total de los equipos en territorio nacional. Dado al hecho que el gemelo digital se basa en el físico y ambos están conectados entre sí, este último puede controlarse a través de la plataforma digital en la que se encuentra su gemelo. Por lo que sería posible reemplazar el manejo de la maquinaria, que necesita de personal, con una automatización completa que se crearía empleando algoritmos que trazan la ruta, el tiempo y la manera en que un equipo debe usarse para ejecutar el trabajo [21].
Fig. 1. Oportunidades de reducción de emisiones GEI en la industria,
desde la fase de diseño hasta la distribución de productos.
Conclusión
Como se ha visto, hay una serie de aplicaciones de impacto (ver Fig. 1) en las que el ML ayudaría a reducir las emisiones GEI en la industria, con varias salvedades. Primero, los estímulos para una producción y distribución ecológica no siempre están alineados con un bajo costo. Pero aquí las políticas del país pueden desempeñar un rol en alinear estos incentivos. En segundo lugar, a pesar de la proliferación de datos industriales, gran parte de éstos es propietaria, de baja calidad o muy específica de máquinas o procesos individuales. Entonces, antes de invertir en una investigación de ML, los investigadores deben asegurarse de poder acceder y limpiar la información necesaria para sus algoritmos. Asimismo, los algoritmos deberán ser robustos para garantizar rendimiento y seguridad, además de resultados interpretables y reproducibles, con la finalidad de no generar una aversión por tratarse de una tecnología relativamente nueva en el sector industrial. Por último, es conveniente resaltar que el ML no es una bala de plata, puesto que dependiendo de la técnica aplicada puede requerirse de muchas iteraciones y en consecuencia de bastantes recursos energéticos [22] que probablemente no garanticen un incremento considerable en productividad. En consecuencia, es recomendable evaluar inicialmente otros métodos más simples. Por ejemplo, para el caso de la industria de acero, se puede reutilizar los residuos del horno eléctrico en actividades de construcción civil y asfaltado de carreteras [23].
Referencias
[1] D. Rolnick et al., “Tackling climate change with machine learning.” 2019, [Online]. Available: https://arxiv.org/abs/1906.05433.
[2] C-Change, “Coronavirus, climate change, and the environment.” 2019, [Online]. Available: https://www.hsph.harvard.edu/c-change/subtopics/coronavirus-and-climate-change/.
[3] T. Mitchell, Machine learning. McGraw-Hill Education, 1997.
[4] A. L. Samuel, “Some studies in machine learning using the game of checkers,” IBM Journal of Research and Development, vol. 3, no. 3, pp. 210–229, 1959, doi: 10.1147/rd.33.0210.
[5] S. Globe, “Zara clothing company supply chain | SCM globe.” SCM Globe. Accessed April 28, 2021, 2020, [Online]. Available: https://www.scmglobe.com/zara-clothing-company-supply-chain.
[6] V. Gosselin, “How can zara maintain its leadership thanks to AI?” Heuritech. Accessed April 28, 2021, 2020, [Online]. Available: https://www.heuritech.com/blog/company-analysis/zara-leadership-artificial-intelligence.
[7] M. Radio, “¿POR QUÉ IMPORTAMOS PAPA EN EL PERÚ ? | MINERIA radio & tv.” Minería Radio. Accessed April 28, 2021, 2018, [Online]. Available: https://www.mineriaradio.com/por-que-importamos-papa-en-el-peru.
[8] R. Jordán, “Paro de productores de papa deja 2 muertos en perú | HISPANTV.” HispanTV. Accessed April 28, 2021, 2018, [Online]. Available: https://www.hispantv.com/noticias/peru/367372/crisis-huelga-productores-papa-muertos.
[9] B. Consulting, “Perú: Ordenamiento del agro evitará la sobreproducción en el sector.” Blueberries Consulting. Accessed April 28, 2021, 2018, [Online]. Available: https://blueberriesconsulting.com/peru-ordenamiento-del-agro-evitara-la-sobreproduccion-en-el-sector.
[10] T. R. Hawkins, B. Singh, G. Majeau-Bettez, and A. H. Strømman, “Comparative environmental life cycle assessment of conventional and electric vehicles,” Journal of Industrial Ecology, vol. 17, no. 1, pp. 53–64, 2013, doi: https://doi.org/10.1111/j.1530-9290.2012.00532.x.
[11] D. Macera, “El desperdicio de alimentos en el perú empieza desde la cosecha.” El Comercio. Accessed April 28, 2021, 2019, [Online]. Available: https://elcomercio.pe/economia/dia-1/desperdicio-alimentos-peru-empieza-cosecha-noticia-636330-noticia.
[12] Redacción, “Perú desperdicia 12.8 millones de toneladas de alimentos cada año.” Agraria.pe. Accessed April 28, 2021, 2021, [Online]. Available: https://agraria.pe/index.php/noticias/peru-desperdicia-12-8-millones-de-toneladas-de-alimentos-cad-23953.
[13] L. Magloff, “Silk-needle sensor detects food spoilage - springwise.” Sping Wise. Accessed April 28, 2021, 2020, [Online]. Available: https://www.springwise.com/sustainability-innovation/food-drink/microneedle-patch-spoilage.
[14] L. Magloff, “A food label that changes colour and price as expiration date nears - springwise.” Sping Wise. Accessed April 28, 2021, 2020, [Online]. Available: https://www.springwise.com/sustainability-innovation/food-drink/barcodiscount-colour-changing-stickers-waste-expiration-date.
[15] Winnow, “Cutting-edge tech that can halve food waste and reduce costs in just a few clicks.” Winnow Solutions. Accessed April 28, 2021, [Online]. Available: https://www.winnowsolutions.com/en/product.
[16] M. Caswell, “IHG uses artificial intelligence to reduce food waste - business traveller.” Business Traveller. Accessed April 28, 2021, 2019, [Online]. Available: https://www.businesstraveller.com/business-travel/2019/06/18/ihg-to-use-artificial-intelligence-technology-to-reduce-food-waste.
[17] “Noticias sobre playa carpayo.” El Comercio. Accessed April 28, 2021, 2020, [Online]. Available: https://elcomercio.pe/noticias/playa-carpayo.
[18] “Calcinación de arcilla: Novedosa técnica para producir cemento y evitar la contaminación -PerúConstruye.” Revista Perú Construye. Accessed April 28, 2021, 2020, [Online]. Available: https://peruconstruye.net/2021/02/26/calcinacion-de-arcilla-novedosa-tecnica-para-producir-cemento-y-evitar-la-contaminacion.
[19] “The materials project.” Accessed March 15, 2021, [Online]. Available: https://www.materialsproject.org.
[20] “Sigma air utility: Kaeser compressed air as a service.” Kaeser. Accessed April 28, 2021, 2020, [Online]. Available: https://us.kaeser.com/services/compressed-air-as-utility-service.
[21] C. Miskinis, “The impact of digital twins technology in mining and mineral extraction.” Challenge Advisory. Accessed April 28, 2021, 2018, [Online]. Available: https://www.challenge.org/insights/digital-twin-in-mining/.
[22] R. Schwartz, J. Dodge, N. A. Smith, and O. Etzioni, “Green AI.” 2019, [Online]. Available: https://arxiv.org/abs/1907.10597.
[23] “Minam, produce y SIDERPERU firman acuerdo de producción limpia.” Revista Perú Construye. Accessed April 28, 2021, [Online]. Available: https://peruconstruye.net/2021/03/01/minam-produce-y-siderperu-firman-acuerdo-de-produccion-limpia.
Notas
[1] Acuerdo París: Convenio que compromete a los países signatarios a alcanzar 0 emisiones netas de GEI antes del 2100.
[2] Método para generar formas automáticamente.
[3] Método numérico usado en el diseño y mejora de productos y aplicaciones industriales complejas.
[4] Técnica para aprender la distribución de cualquier tipo de datos y generar nuevas muestras. Se usa una pequeña porción de datos etiquetada junto a una grande sin etiquetar.
[5] Área del ML en la que se buscan las acciones adecuadas para maximizar la recompensa en una situación particular.
[6] Variable para medir la eficiencia en energía de los centros de datos.
[7] Hidrofluorocarburos.
[8] Técnicas para comprender cómo el modelo llegó a una decisión específica.
[9] Es la representación virtual de un objeto o sistema físico a lo largo de su ciclo de vida, que utiliza datos en tiempo real.
