La expresión gestión del carbono con IA puede dar la impresión de que explicará de una vez un entorno complejo. Yo recomiendo empezar preguntando qué decisión ayuda a tomar el modelo. El capítulo 8 de Tecnología y soluciones para demostrar la reducción de carbono distingue las funciones y el ámbito de uso de los modelos de predicción de metano. Un modelo que detecta fallos responde a una pregunta distinta de uno que estima emisiones.
Primero, distingamos los temas que aborda el libro
Al evaluar las alertas, conviene examinar no solo lo que notificaron, sino también las anomalías que pasaron por alto. Hay que revisar también los intervalos sin alertas para poder estimar las omisiones. Compruebe además si el personal responsable puede responder realmente al nivel de alerta previsto. Decida qué hacer si recibe datos de entrada que quedan fuera del ámbito de uso. Quizá sea necesario limitar la salida o derivarla a una persona. Recuerde también que el apoyo de la IA a las decisiones y la verificación externa de la cantidad de reducción tienen propósitos y responsabilidades distintos.
Comprobación funcional. La prueba de respuesta de un detector de seguridad consiste en introducir gas para confirmar la respuesta del sensor y la función de alarma; no sustituye la calibración cuantitativa. Los analizadores de metano para investigación se someten a comprobaciones adecuadas al propósito, como pruebas de cero y de intervalo conforme a las instrucciones del fabricante, comprobaciones de fugas y pruebas de recuperación. El hecho de superar una comprobación funcional no garantiza por sí solo la exactitud de la medición de emisiones.
La cantidad de reducción requiere tanto trazabilidad metrológica de las mediciones como trazabilidad de los cálculos. Los valores medidos se vinculan a referencias mediante una cadena de calibración documentada y la incertidumbre; los datos de actividad, los factores de emisión y los modelos se siguen hasta el resultado final mediante sus fuentes, versiones y condiciones de aplicación. No todas las cantidades de reducción proceden de una sola medición directa. Además de reproducir el cálculo, el revisor debe comprobar que los datos y métodos utilizados sean adecuados para la afirmación.
Una vía de desarrollo realista consiste en acumular conjuntamente observaciones de concentración y mediciones de tasas de emisión de referencia, y vincularlas con información sobre ventilación, meteorología, número de animales y alimentación. Hay que evaluar el error de predicción en granjas y periodos que no se usaron para desarrollar el modelo e indicar el ámbito de aplicación. Aunque aumenten los datos observados simultáneamente, la confianza en el modelo no mejora por sí sola si falta representatividad o existe un sesgo común.
Al comparar sensores, examine conjuntamente el rango de medición, la resolución, la sensibilidad cruzada a otros gases, el tiempo de respuesta y la deriva. También deben revisarse las condiciones ambientales —como temperatura, humedad y polvo— y los requisitos de calibración. Si el propósito requiere distinguir pequeñas diferencias de concentración, compruebe si las unidades mostradas por el equipo y su incertidumbre son adecuadas, según el producto y el modo de operación. El nombre del principio de funcionamiento del sensor no sustituye estas comprobaciones.
La IA puede ayudar a detectar posibles anomalías, estimar faltantes breves bajo condiciones definidas y explorar relaciones entre varias variables. También puede ayudar a organizar datos, revisar su calidad y preparar borradores de informes. Como los objetivos y los costos de los fallos son distintos, no se deben evaluar todas estas funciones con la misma métrica de rendimiento. Hay que declarar qué datos de entrada y supuestos generaron el resultado, y distinguir una estimación de un valor observado directamente.
Así puede examinarlo en terreno
Imagine una situación en la que el sensor presenta un valor distinto de lo habitual. La IA puede señalar posibles elementos para inspeccionar. Pero esa alerta no confirma un fallo del equipo ni demuestra un resultado de reducción. Hay que registrar lo que comprobó el responsable y las medidas que tomó para evaluar qué ayuda aportó el modelo al trabajo.
La IA puede organizar las observaciones y estimar valores faltantes. Su valor no consiste en ocultar que se trata de estimaciones, sino en mostrar con qué datos y supuestos se produjo un valor fiable y hasta qué alcance.
Primero se separan los datos de evaluación. Si se mezclan aleatoriamente datos de momentos contiguos de una misma granja, se puede confundir la capacidad de recordar patrones repetidos del lugar con el rendimiento en granjas nuevas. Si el objetivo es predecir operaciones futuras, se separan cronológicamente; si se busca implementar el sistema en otras granjas, se separan por granja. Distinga los datos de validación usados para seleccionar el modelo de los datos reservados para la comprobación final, y aplique también al preprocesamiento y a la corrección de faltantes las reglas definidas con los datos de entrenamiento.
Los datos para evaluar una IA deben separarse según su uso previsto. Para predecir operaciones futuras, hay que considerar el orden temporal; para desplegar el sistema en otras granjas, conviene separar los datos por granja. También deben distinguirse los datos usados para seleccionar el modelo de aquellos reservados para la comprobación final de rendimiento. Comparar con un modelo de referencia sencillo y revisar no solo el error medio, sino también los sesgos por granja y estación y las condiciones de fallo permite explicar el ámbito real de uso.
¿Qué conviene preguntar también al evaluar una inversión?
En una evaluación de inversión, sería útil preguntar qué mejora en comparación con los métodos existentes, en vez de fijarse solo en el nombre de IA. También hay que decidir si el objetivo es emitir muchas alertas o dejar pasar menos anomalías importantes. Si se tienen en cuenta el personal de respuesta disponible en terreno y el costo de las falsas alarmas, las condiciones de uso quedan más claras.
Si la trazabilidad es insuficiente, al revisor le resulta difícil confirmar cómo se generó una cifra, y la aceptación de los datos puede limitarse según el uso previsto. El periodo de conservación de los datos originales y el historial de cambios debe definirse revisando los requisitos del sistema, del contrato y de privacidad aplicables. No se deben sobrescribir arbitrariamente los datos que hay que conservar, pero tampoco hay que adoptar como principio guardar todos los datos indefinidamente.
Por último, están la privacidad y los derechos sobre los datos. Los datos de una granja pueden estar vinculados a información de animales, resultados productivos y finanzas. Si se reutilizan para finanzas, seguros o marketing más allá de la verificación de reducciones, se pierde la confianza de los productores. Como se mencionó en el capítulo 1, cuando se pierde la confianza también se pierde la calidad de los datos. Por eso la limitación de finalidad, el consentimiento por separado, los permisos de acceso diferenciados y los procedimientos para presentar objeciones son tan importantes como la seguridad técnica. Este diseño se desarrolla en el capítulo 12 sobre contratos y en la recomendación de política número 12.
Una pregunta para llevar consigo antes de cerrar el libro
Describir de forma acotada el papel de la IA no reduce sus posibilidades. Al contrario, permite saber qué se le puede delegar y qué debe verificar una persona. Registre conjuntamente la salida del modelo, la decisión real y el resultado de las medidas adoptadas.
Sobre el autor
Bongjun Lee se graduó de la Escuela de Posgrado de Gestión de Tecnología (MOT) de Sogang University. Trabajó durante 27 años en el campo de la medición de gases, incluidos 7 años en Infitron Co., Ltd. y 20 años en Honeywell, desempeñando funciones de ingeniería de servicio, ventas técnicas y gestión de canales. Actualmente, como fundador de AI Safety Korea Co., Ltd., investiga el monitoreo de metano en la ganadería y los sistemas de medición, presentación de informes y verificación (MRV) mediante sensores, IA y análisis de datos.