![](https://img.computing.es/wp-content/uploads/2024/09/12134631/PETROLERO.jpg)
Los ingenieros deben consultar constantemente información técnica de fabricantes para ajustar diversos parámetros, que influyen directamente en la calidad del producto final y en la eficiencia del proceso
BEGOÑA LÓPEZ, AYESA
Índice de temas
Petronor y la IA generativa
Petronor, en colaboración con Ayesa, ha impulsado una iniciativa para explorar modelos de inteligencia artificial generativa (GenAI) que optimicen la eficiencia y rentabilidad de sus plantas de producción
Como resultado de esta colaboración, que también ha contado con Repsol y Hackia, Petronor y Ayesa han trabajado conjuntamente en el desafío Gidabot. En este proyecto, ambas empresas han explorado las capacidades de la tecnología para crear un “Agente Experto” que optimice el proceso catalítico en la refinería de Petronor. Este agente está diseñado para ofrecer un soporte rápido y eficiente en la consulta de documentación técnica por parte de los ingenieros químicos y para predecir las condiciones operativas en el proceso de refinado
Un ‘agente experto’ de IA generativa para Petronor
Tal y como explica Begoña López, KAM de la cuenta de Data en Utilities de Ayesa, “los ingenieros deben consultar constantemente información técnica de fabricantes para ajustar diversos parámetros, que influyen directamente en la calidad del producto final y en la eficiencia del proceso. Sin embargo, esta consulta resulta rutinaria y tediosa, ya que implica revisar manuales extensos y redactados en un lenguaje muy técnico, con pocas facilidades de búsqueda. Además, parte de la información se presenta en forma de gráficas, un aspecto que, según pudimos comprobar, aún no ha sido adecuadamente resuelto por los modelos de GenAI”.
“Nuestro desafío”, continúa, “consistió en diseñar un prototipo de asistente virtual experto que permitiera a los técnicos obtener información de manera inmediata, utilizando interacciones simples en lenguaje natural. Finalmente, planteamos una solución híbrida que combina IA Generativa con modelos de Computer Vision para resolver el problema de las gráficas, y se enriqueció con modelos predictivos tradicionales de Machine Learning para ofrecer información adicional basada en la identificación de patrones en los datos históricos de la refinería de Petronor, proporcionando así información valiosa sobre cómo variables externas al modelo teórico de la refinería implican la aplicación de ajustes diferenciales”.
Resolviendo las deficiencias de GenAI
En el ámbito de la Inteligencia Artificial, se ha observado que los modelos de IA Generativa pueden presentar ciertas deficiencias en su comportamiento y en la precisión de sus respuestas. Éstas surgen debido a la naturaleza inherente de estos modelos, que a menudo generan resultados que pueden ser incoherentes o poco realistas. Sin embargo, con esta iniciativa se ha demostrado que la combinación de modelos de IA, junto con una cuidadosa orquestación de la respuesta, puede conducir a resultados más sólidos y confiables. O dicho de otra manera, “podemos lograr una solución válida si proporcionamos una manera sencilla e inmediata de comprobar las respuestas”, afirma López.
Confirma este extremo Marian Aradillas, responsable de Analítica Avanzada de Ayesa, y añade que: “La combinación de modelos de IA Generativa y aprendizaje automático tradicional permite a la herramienta analizar grandes volúmenes de datos y aprender patrones complejos. Además, las técnicas de reconocimiento óptico de caracteres (OCR) y visión por computadora permiten extraer información relevante de los manuales técnicos de la planta, enriqueciendo aún más el conjunto de datos y mejorando la precisión de las predicciones.
Otra de las claves fundamentales radica en comprender tanto el negocio como el proceso, lo cual permite el desarrollo de una solución efectiva que se ajusta de manera precisa a las necesidades específicas”. Por tanto, se consiguen soluciones más inteligentes combinando modelos híbridos de IA Generativa con otras soluciones de Inteligencia Artificial. “Es así como hemos logrado diseñar un prototipo de asistente virtual más inteligente, con potencial para incrementar valor a Petronor”, asegura.
El potencial de la IA generativa en la industria
La capacidad de predecir con precisión las condiciones de operación del cracking catalítico permite transformar por completo la forma en que se gestionan las plantas industriales, optimizando la producción y reduciendo los costos operativos.
Las conclusiones obtenidas en esta colaboración suponen un hito significativo en el camino hacia la digitalización completa de la industria. Al aprovechar el poder de la inteligencia artificial generativa, las empresas pueden tomar decisiones más informadas, optimizar procesos y maximizar la eficiencia operativa, por lo que esta innovación podría impulsar aún más el crecimiento y la competitividad en el sector industrial.
Petronor y Ayesa continuarán trabajando en colaboración para explorar nuevas iniciativas relacionadas con la inteligencia artificial generativa y seguir impulsando la innovación en la industria. Con un enfoque en la excelencia técnica y la creatividad, están comprometidas en impulsar el futuro de la industria hacia nuevos horizontes.