El sector transporte, referido a la movilidad de pasajeros, emplea técnicas y equipos bien conocidos y muy robustos con el objetivo de garantizar la seguridad de todo el conjunto. Este hecho nos lleva a pensar que los medios de transporte son muy conservadores en cuanto al uso y aplicación de la tecnología y muy reacios al empleo y puesta marcha de sistemas basados en tecnologías emergentes. Un ejemplo claro lo encontramos en el sector ferroviario.

Sin embargo, hoy en día, ciertas tecnologías están marcando un antes y un después en la manera en la que nos enfrentamos y resolvemos los problemas. Una de esas tecnologías es la Inteligencia Artificial (IA).

La IA tiene como objetivo exhibir la inteligencia de las máquinas a lo hora de resolver un problema. En definitiva, un sistema inteligente es aquel que percibe su entorno y actúa en consecuencia con el objetivo de maximizar el beneficio de sus acciones. Cuando hablamos de inteligencia de máquina nos referimos al intento de una máquina por imitar las funciones cognitivas de un ser humano, es decir, percibir, razonar, aprender y resolver un problema. Por tanto, podemos imaginar que la gran apuesta de la IA es que las máquinas sean capaces de resolver problemas relativamente complejos sin que un humano codifique explícitamente todas y cada de las reglas que le permitan alcanzar el objetivo.

Es indudable que la IA, actualmente, está en boca de todos y que su aplicación no parece tener límites. Así, esta rama de la tecnología nos ha permitido desarrollar entes inteligentes que procesan y extraen información muy valiosa y desde fuentes muy dispares, como, por ejemplo, a través de los sonidos o de las imágenes. Aunque este tipo de información ya se procesaba desde hacía algunos años, la IA ha supuesto una revolución en cuanto a la precisión y calidad de la información resultante. Y, si tenemos en cuenta que, hoy en día, disponemos de hardware muy afín para el procesamiento de datos en sistemas basados en IA, además de obtener soluciones precisas y de calidad, obtenemos soluciones en un tiempo más que razonable.

Sin embargo, es necesario poner encima de la mesa y explicar a nuestros lectores que, aunque estemos hablando de IA, de sistemas inteligentes, de aprendizaje y de razonamiento, las máquinas no son para nada inteligentes. Cuando los humanos nos enfrentamosa un problema evaluamos las alternativas (patrones) y luego tomamos la decisión que creemos que va a dar un mejor resultado. Una máquina hace lo mismo que un humano, pero con la diferencia de que es capaz de evaluar miles, cientos de miles o millones de alternativas en el mismo tiempo en el que un humano solo puede evaluar unas pocas. Esa capacidad de procesamiento es lo que hace que una máquina parezca inteligente, aunque con el pretexto de que nunca superará a la mente humana.

Dicho esto, es posible que estemos pensando cosas como ¿por qué no aplicar este tipo de técnicas en el sector transporte?, ¿qué problemas del sector ferroviario se pueden resolver utilizando IA?, ¿qué ventaja aportan este tipo de soluciones con respecto a las que ya se usan hoy día? o ¿cómo se llevan a la práctica este tipo de soluciones?

Pues bien, en este artículo vamos a tratar todas esas dudas tomando el sector ferroviario como referencia.

Con respecto a la aplicación de técnicas basadas en IA al sector transporte la respuesta es rotundamente sí. El sector de la IA ha evolucionado mucho y para bien y, además, disponemos de soluciones hardware muy potentes que son el soporte perfecto para este tipo de aplicaciones. Todo eso nos lleva a pensar que la IA muy probablemente, y en un futuro no muy lejano, se encuentre embarcada en los medios de transporte, muy particularmente en los vehículos ferroviarios.

De la misma forma que los coches autónomos son ya una realidad, ¿por qué no pensar en un tren inteligente? Los coches autónomos utilizan, entre otras cosas, imágenes para percibir el entorno. Esas imágenes se procesan en un sistema embarcado aplicando redes neuronales convolucionales, un tipo de red neuronal para el procesamiento de información visual. La información resultante del procesamiento se utiliza para la toma de decisiones en tiempo real, como, por ejemplo, acelerar, frenar o decidir en qué momento girar.

Los trenes incorporan desde hace años sistemas de protección que velan por el cumplimiento de la señalización ferroviaria, evitando que un error humano ponga en peligro al conjunto. Estos sistemas son costosos de instalar y de mantener, ya que se componen de un gran número de elementos activos y pasivos. En la vía se instalan unas balizas que, utilizando radiofrecuencia, anticipan el aspecto de la próxima señal para que el operario pueda tomar la decisión correcta. Una antena ubicada en el chasis del tren permite capturar las señales emitidas por las balizas de vía y muestran la información de interés para el operario. En caso de que el operario no reaccione y el conjunto no respete la señalización de vía, se aplicará el freno de emergencia con el objetivo de garantizar la seguridad.

Imaginemos que en lugar de instalar un número considerable de balizas de vía utilizamos un sistema embarcado dedicado al procesamiento de las imágenes de las cámaras del tren. Este procesamiento podría estar basado en redes neuronales convolucionales que nos permitan detectar y clasificar las señales de vía con una precisión suficiente para actuar en consecuencia. Seguro que todos estamos pensando en el ahorro económico que supondría eliminar balizas a lo largo de cientos de miles de kilómetros de vía férrea. Como ya hemos comentado unas líneas más arriba, el coche autónomo es una realidad y, en este caso, el problema no es más complicado, por lo que es una aplicación más que real a tener en cuenta. Pero no es el único ejemplo, ya que podríamos pensar en aplicaciones de seguridad y confort centradas en el usuario o, incluso, predecir el volumen de pasajeros y los destinos más frecuentes en las estaciones ferroviarias para gestionar la flota de vehículos de la manera más óptima.

Actualmente, las arquitecturas vectoriales, como las GPU, nos permiten implementar un paralelismo de datos de grano fino que se traduce en cientos de miles de millones por segundo y, por consiguiente, en una reducción considerable del tiempo de ejecución de los algoritmos (aceleración). Las redes neuronales convolucionales, y cualquier otro tipo de red neuronal, son buenos candidatos para ser ejecutados en una arquitectura vectorial. Esto es posible gracias a la propia arquitectura de la red neuronal y a la naturaleza intrínseca del problema. A nuestro favor está que cada vez más aparecen plataformas más potentes y de tamaño más reducido, lo que ratifica la viabilidad técnica de las soluciones embarcadas que toman como base la Inteligencia Artificial.

Pero no es oro todo lo que reluce. Entre otras cosas (es un punto muy interesante para reflexionar sobre los posibles problemas que pueden surgir con este tipo de soluciones), los sistemas basados en IA, en este caso basados en redes neuronales e imágenes, necesitan una cantidad de datos de entrenamiento considerables antes de ponerlos en producción. Así, para que un sistema de reconocimiento de señales ferroviarias sea realmente preciso es necesario disponer de una colección de imágenes muy dilatada, con distintos puntos de vista, condiciones de luz muy variadas e, incluso, bajo situaciones de oclusión parcial de las señales.  Esta parte es, sin duda, la más determinante en el resultado final de este tipo de soluciones y también, desde luego, la más costosa.

Para terminar, las conclusiones que obtenemos de esta pequeña pincelada de cómo los sistemas inteligentes pueden ser aplicados en el entorno ferroviario son claras: son candidatos reales, técnica y económicamente viables y, siempre y cuando se utilice un conjunto de datos de entrenamiento rico y variado, y las condiciones lo permitan, se convierten en soluciones muy a tener en cuenta y que casi sin ninguna duda muy pronto veremos aplicadas e implantadas en el panorama ferroviario. 

Alejandro Hidalgo Paniagua

Consultor / Capgemini Engineering