El ejercicio de la ingeniería se ha vuelto cada vez más complejo y, por qué no decirlo, más gratificante, abriendo oportunidades para la integración de disciplinas, difuminando las fronteras entre las distintas especialidades. El área de la ingeniería química y de la biotecnología, en su calidad de ingenierías de procesos, no es excepción.
La instrumentación de las plantas de procesos ha desplegado un gran abanico de oportunidades y desafíos. Contar con medios y tecnología apropiada para almacenar la información de los instrumentos desplegados en las distintas líneas productivas puede parecer un problema menor, pero dependiendo del número de sensores, las frecuencias de muestreo y la complejidad de la operación industrial en la que han sido instalados, se puede pasar rápidamente desde una escala de planilla Excel a un problema de big data.
Es cada vez más frecuente que las y los estudiantes de ingeniería de plan común de la FCFM tengan un acercamiento en su primer año con hardware como los de la familia de placas tipo arduino o esp32, que me permite introducir muy temprano en el proceso formativo la noción de que los procesos, independiente de la disciplina principal a la que pertenecen, deben ser monitoreados, ya que los datos obtenidos contienen información.
En el contexto de big data existen múltiples herramientas que permiten el análisis de grandes conjuntos de datos y la extracción de información. Estas herramientas van desde el uso de algoritmos clásicos de clustering o de reducción de dimensionalidad, como k-means o PCA (Principal Component Analysis), hasta el uso de técnicas de reconocimiento de patrones basados en machine learning.
Una de las desventajas que tienen estas técnicas es que funcionan como caja negra y la interpretación de los resultados o de los modelos desarrollados es difícil. En ese sentido son herramientas que usualmente responden preguntas como: ¿cuándo? ¿con quién? ¿dónde? Pero no responden preguntas de mayor profundidad (o es más difícil que las respondan) como: ¿por qué? o ¿cómo?
Frente a tales interrogantes, los ingenieros e ingenieras, científicos y científicas suelen recurrir a otra clase de herramientas más cercanas al modelamiento matemático que, a partir de conocimiento fundamental del fenómeno, permiten relacionar las variables principales del problema. La construcción de estos modelos es parte del entrenamiento básico de cualquier ingeniero o científico de la FCFM y su naturaleza específica depende fuertemente de la disciplina primaria a la que pertenece el profesional y de la profundidad del conocimiento disponible acerca del fenómeno en estudio.
Los modelos, finalmente, se materializan como expresiones matemáticas de distinta clase, como ecuaciones lineales, no lineales, ecuaciones diferenciales ordinarias, ecuaciones diferenciales parciales, etc. Si a este modelo se suma una infraestructura computacional que permita su simulación numérica se contará con una herramienta de gran valor, la cual podrá ser utilizada con fines explicativos o predictivos tanto en aplicaciones científicas como industriales.
Sin embargo, esta elaboración puede realizarse en condiciones de alta incertidumbre o con conocimiento parcial del fenómeno a modelar. En estos casos se pueden utilizar herramientas de machine learning que nos ayuden a construir estos modelos mediante un proceso de symbolic regression donde los modelos son evolucionados o construidos usando algoritmos, como el algoritmo de programación genética o de colonia de hormigas o abejas.
Finalmente, es importante destacar que los profesionales de Ingeniería de la Universidad de Chile deben incorporarse al ejercicio profesional conocedores de que hay información valorizable y herramientas para analizar estos datos, y así poder extraer, evaluar y utilizar la información que estos contengan.
