El papel de la inteligencia artificial (IA) en la construcción es cada vez mayor, pero los problemas de parcialidad exigen soluciones bien pensadas. Catrin Jones habla con Karoliina Torttila, directora de IA de Trimble, sobre algunas de estas soluciones.

Fuente: Construction Briefing

La inteligencia artificial (IA) ha transformado industrias en todo el mundo, y el sector de la construcción no es una excepción. Desde la optimización de la logística hasta la mejora de los controles de conformidad, la IA está configurando el entorno de la construcción de formas antes inimaginables.

Por ejemplo, las herramientas de diseño basadas en IA pueden automatizar los flujos de trabajo, acelerando los plazos de los proyectos y reduciendo los errores. Los sistemas de mantenimiento predictivo aprovechan la IA para identificar posibles fallos de los equipos antes de que se produzcan, garantizando la seguridad de los trabajadores y minimizando el tiempo de inactividad. Además, la IA está transformando la gestión de recursos, ayudando a las empresas de construcción a asignar materiales de forma más eficiente y sostenible.

Sin embargo, estos avances van acompañados de retos, sobre todo en lo que respecta a la parcialidad. Para analizar esta cuestión, Construction Europe habló con Karoliina Torttila, directora de IA de Trimble. Gracias a su amplia experiencia en el desarrollo de IA, Torttila nos ofrece su visión sobre las causas de la parcialidad, sus implicaciones para el sector y las posibles soluciones.

Karoliina Torttila, directora de IA de Trimble (Foto: Trimble)

Comprender el sesgo en la IA

«El sesgo es un concepto esencial en el desarrollo de la IA», comienza Torttila. «Mientras que las discusiones sociales a menudo retratan el sesgo negativamente, en la IA, cierto nivel de sesgo inductivo es necesario para que funcionen los modelos de aprendizaje automático». Explica que el sesgo inductivo permite a los modelos de IA hacer suposiciones basadas en datos de entrenamiento, lo que les permite centrarse en escenarios plausibles en lugar de verse abrumados por infinitas posibilidades.

Sin embargo, el problema surge con los sesgos perjudiciales derivados de datos de formación incompletos o sesgados. «Por ejemplo, la cartografía geoespacial. «Si los datos de entrenamiento carecen de representación de zonas remotas o de determinados continentes, los modelos de IA pueden producir mapas de menor calidad, lo que conduce a una planificación inadecuada de las infraestructuras o a una asignación errónea de los recursos».

También señala los algoritmos de cumplimiento como otro ejemplo. Si se entrenan con datos de una sola jurisdicción, estos modelos podrían señalar incorrectamente o pasar por alto problemas debido a discrepancias normativas regionales, advierte.

Sesgo en los modelos lingüísticos

Torttila profundiza en los matices del sesgo en los grandes modelos lingüísticos (LLM), que se utilizan cada vez más en todos los sectores. «El sesgo puede aparecer en múltiples etapas de desarrollo, desde la fase de preentrenamiento, en la que los modelos aprenden patrones lingüísticos, hasta la fase de ajuste, en la que la aportación humana introduce preferencias subjetivas».

Por ejemplo, la tarea humana de clasificar los resultados de los modelos en función de su calidad introduce un sesgo inherente. «Incluso las directrices más estrictas para los anotadores se basan en la interpretación de alguien», señala. Torttila también destaca los retos de la alineación de seguridad, en la que los esfuerzos por evitar resultados perjudiciales pueden a veces corregir en exceso. Ha habido ejemplos de modelos de generación de imágenes que han producido resultados inesperados debido a estas correcciones.

El contexto de la industria

En la construcción, las implicaciones de la parcialidad pueden ser significativas. Las aplicaciones de IA de Trimble suelen incluir datos sobre activos del entorno construido, como edificios y puentes, en lugar de información personal. Esta distinción no elimina el sesgo, pero cambia su naturaleza. «Los datos inadecuados sobre materiales nuevos o regiones subrepresentadas pueden dar lugar a errores que afecten a proyectos enteros», explica Torttila.

Torttila insiste en que el sector debe abordar los sesgos con una mentalidad constructiva. «Buscar prejuicios y castigar los fallos no fomenta la mejora», afirma. En cambio, fomentar la colaboración entre las partes interesadas puede impulsar el progreso.

«Una novedad positiva en el sector de la construcción, tanto en Europa como en el resto del mundo, es el creciente número de consorcios que reúnen a distintas partes. Esto refleja una comprensión compartida de que los retos a los que nos enfrentamos son demasiado grandes para que una sola entidad los aborde por sí sola».

Cuando se le pregunta por las soluciones, Torttila lo tiene claro: la calidad de los datos y la transparencia son fundamentales. «Incluir conjuntos de datos diversos y de alta calidad es una parte importante para mitigar los sesgos», afirma. También subraya la importancia de crear sistemas en torno a los modelos de IA que incluyan salvaguardias como la supervisión humana o comprobaciones secundarias de la IA.

La regulación es otra área en la que cree que desempeñará un papel clave. «La Ley Europea de IA es un paso importante, pero es crucial encontrar el equilibrio adecuado», aconseja.

Una regulación excesiva podría ahogar la innovación, limitando el desarrollo de la IA únicamente a las empresas más grandes y mejor financiadas. «Sólo empresas como Microsoft, Google, OpenAI y algunas otras que desarrollen esta tecnología serán capaces de gestionarla. Las startups más pequeñas, las organizaciones sin ánimo de lucro o incluso las universidades podrían entonces no ser capaces porque la carga regulatoria es muy pesada».

«Creo que se corre el riesgo de obstaculizar el progreso si la regulación no se aborda con reflexión. Por eso, legislar y regular al nivel adecuado -sea cual sea ese nivel- debe ser el punto de partida», afirma.

La dinámica hombre-máquina

Torttila subraya la importancia de la interacción entre humanos y máquinas para mitigar los prejuicios. La IA no funciona de forma aislada. La mayoría de los sectores, incluido el de la construcción, aún no se sienten cómodos con sistemas totalmente autónomos que tomen decisiones. La supervisión humana sigue siendo esencial, ya sea como punto de control final o como parte de un circuito de retroalimentación más amplio.

También aborda la responsabilidad, un tema polémico en la ética de la IA. «La responsabilidad es compartida entre los desarrolladores, los usuarios y la sociedad en general», afirma. La transparencia y el establecimiento de expectativas realistas son vitales. «La perfección es inalcanzable, pero vamos a empezar por algún sitio, aportar valor y luego, con suerte, vamos a mejorar las cosas colectivamente».

Las ideas de Torttila revelan tanto los retos como las oportunidades de abordar el sesgo de la IA en el sector de la construcción. A medida que la IA se integre cada vez más en el entorno de la construcción, será fundamental adoptar enfoques reflexivos sobre los datos, la regulación y la interacción hombre-máquina. Aunque el camino por recorrer es complejo, el fomento de la colaboración y el mantenimiento de una mentalidad constructiva pueden garantizar que la IA siga aportando beneficios transformadores a la sociedad y a la construcción.

Ver Anterior

Se construyen en Europa las primeras viviendas sociales de hormigón impresas en 3D, se imprimieron en solo 12 días

Ver Siguiente

Software de automatización de edificios y su papel en la gestión de infraestructuras

1 estrella2 estrellas3 estrellas4 estrellas5 estrellas (Ninguna valoración todavía)
Cargando...

Comentar Publicación