El patrimonio cultural y natural, según la definición de la UNESCO, es una fuente irremplazable de vida e inspiración. Las zonas rurales de Europa representan ejemplos extraordinarios de patrimonio cultural, tanto el tangible como el intangible, y patrimonio natural. Pero este patrimonio no solo debe ser salvaguardado sino que se debe promover su uso como motor para el crecimiento, la competitividad y el desarrollo sostenible e inclusivo1. Según el Plan PAHIS 20202, en los últimos años se ha profundizado en la llamada Economía del Patrimonio Cultural, de acuerdo con los criterios actuales que establecen que los bienes patrimoniales no deben percibirse como una carga o un gasto, sino como un recurso capaz de generar desarrollo y cohesión social. Este post intentará explicar brevemente cómo puede aplicarse la tecnología en el modelado y la monitorización del efecto del patrimonio en el desarrollo sostenible de las áreas rurales.
El comunicado de la Unión Europea «Una visión a largo plazo para las zonas rurales de la UE»3 menciona el prometedor Observatorio de las Zonas Rurales de la UE, cuyo principal objetivo es mejorar la recogida y el análisis de datos de las zonas rurales, pero los primeros resultados no llegarán hasta finales de 2022. Este observatorio pretende incrementar la cantidad y calidad de los datos disponibles, ya que esto es esencial para entender las condiciones del medio rural y actuar apropiadamente.
Autor de la foto: Santiago Sierra Durán (Salento, Colombia)
Las zonas rurales se enfrentan a desafíos como el envejecimiento y la despoblación. Los planes de regeneración rural basados en el patrimonio pueden contribuir a contrarrestar estos problemas y fomentar el desarrollo sostenible. Esta es una tarea compleja, pero las técnicas de computación avanzada pueden ayudar a encontrar una solución de compromiso entre los posibles planes de regeneración que se podrían desarrollar en una zona y los limitados recursos disponibles para ello.
Una forma de enfrentarse a este tipo de problemas es mediante el análisis de buenas prácticas o casos de éxito (que en este caso se han denominado Modelos), y cómo las actividades innovadoras y los aspectos transversales interactúan positivamente en estos modelos. Lo siguiente es trasladar esas lecciones aprendidas, convenientemente adaptadas, para que puedan ser replicadas en otras zonas rurales (que se han denominado Replicadores), y sirvan para ayudar en la creación e implementación de las estrategias de regeneración basadas en el patrimonio.
Para poder tener evidencias cuantificables sobre el impacto y la validez de las acciones, que se puedan comparar y valorar su efectividad, es necesario establecer un sistema de monitorización robusto basado en un conjunto seleccionado de indicadores o combinaciones de indicadores, es decir KPI (indicadores clave de rendimiento, por sus siglas en Inglés de Key Performance Indicators) que cubran multitud de aspectos. Además, también se necesita un procedimiento de evaluación que asegure una valoración sólida y fiable del impacto de las estrategias desarrolladas. Los parámetros obtenidos de la situación de partida tanto de los modelos como de los replicadores se han utilizado para definir un conjunto inicial de KPI, que se ha utilizado para la evaluación inicial de la línea base de los replicadores.
La metodología que se ha desarrollado permite analizar un conjunto inicial de indicadores tan grande como sea necesario, y reducirlo mediante una serie de criterios objetivos, hasta dejarlo en un tamaño adecuado y más fácil de gestionar, dejando solo los KPI relevantes. Aun así, lo más probable es que los indicadores seleccionados sean muy diversos y no se puedan combinar o comparar fácilmente. Para tratar de solventar esta dificultad, se pueden aplicar diversas técnicas. Una de ellas está basada en la Toma de Decisiones en Grupo, o cómo alcanzar acuerdos cuando un grupo de personas vota u opina sobre un tema. En este caso, se trata de un grupo de expertos que deben ponerse de acuerdo en cómo tienen que combinarse los indicadores, por decirlo de una manera sencilla, qué peso debe tener cada indicador, para obtener unos KPI significativos.
El impacto de las estrategias se evalúa en términos del Capital Cultural y Natural a través de los KPI, y de acuerdo con el Marco de los Capitales Comunitarios (conocido como CCF por sus siglas en inglés, Communities Capital Framework). Los KPI considerados inicialmente para cada replicador pueden ser adaptados e ir más allá en su análisis aplicando técnicas como la Dinámica de Sistemas, que es una técnica de modelado que permite trabajar con el comportamiento no lineal de los sistemas complejos a lo largo del tiempo, utilizando niveles, flujos, bucles internos de realimentación y retardos temporales.
El proyecto RURITAGE ha identificado 6 áreas (peregrinación, producción de alimentos locales de manera sostenible, migración, arte y festivales, resiliencia y gestión integrada del paisaje), que se ha denominado Áreas de Innovación Sistemática, en las cuales se está llevando a cabo la demostración del potencial del patrimonio como generador de desarrollo económico, social y ambiental en las zonas rurales. CARTIF se encarga del desarrollo de la plataforma de monitorización que permite evaluar el impacto de los planes de acción para regenerar las zonas rurales. Se han desarrollado varios tableros de mandos integrados, o cuadros de mando4, para mostrar el valor de los KPI y su evolución a lo largo del tiempo. El proyecto RURITAGE ha desarrollado y puesto en marcha todo un esquema de monitorización para evaluar el rendimiento de las acciones de regeneración rural en seis replicadores en diferentes zonas de Europa. La monitorización del rendimiento todavía está en marcha y durará 2 años y medio en el marco del desarrollo del proyecto.
1 RURITAGE, Rural regeneration through systemic heritage-led strategies, 2018. (https://www.ruritage.eu) Horizon 2020, Grant agreement No 776465.
2 Consejería de Cultura y Turismo, Plan PAHIS 2020 del Patrimonio Cultural de Castilla y León, Junta de Castilla y León. Consejería de Cultura y Turismo, 2015.
De todos es sabido que la luna pasa por diferentes fases en función de su posición relativa entre la Tierra y el Sol. Gracias a ello las noches pueden ser un escaparate para ver los cielos estrellados o el entorno perfecto para que los licántropos puedan enfrentarse a los vampiros.
En la ciencia también hay fases, y cambio de fases, en lo relativo al estado en el que se encuentra la materia. Sin embargo, los cambios en este caso tienen que ver con la temperatura y el calor y no con los estados de la luna.
Las transiciones de estado, tienen una ventaja importante y es que se producen a temperatura constante, permitiendo que la materia pueda adquirir y ceder calor sin cambiar de temperatura y por lo tanto reduzcan el impacto sobre el ambiente que las rodea. Son cambios que, a diferencia de la transformación sufrida por David Naughton en «Hombre Americano en Londres» (película que consiguió el Oscar en 1981 al mejor maquillaje), no son visibles, pero sí que se perciben.
La aplicación de materiales de cambio de fase, en particular aquellos que tienen en el interior de las viviendas temperaturas de transición habituales entre los 18ºC-25ºC, pueden ser empleados como recubrimientos en los muros con los que poder conseguir un mayor confort al estabilizar la temperatura radiante interior. No es raro encontrar viviendas que por un mal aislamiento sean como los vampiros térmicos, que nos quitan el calor, disparando la factura energética.
Dentro del proyecto SUDOE-SUDOKET, cuyo objetivo es el desarrollo de tecnologías facilitadoras esenciales (KET) aplicadas a los edificios innovadores, se han estudiado materiales de cambio de fase disueltos en morteros para comprobar su efecto sobre las condiciones en el confort interior, así como el efecto sobre el consumo de climatización.
Los resultados del proyecto han llevado a conclusiones como que se consigue una mayor estabilización de las temperaturas interiores si se mejora la temperatura radiante y, además, una reducción en el consumo de los equipos de climatización, consiguiendo así un ahorro energético, funcionando como si se tratara de un anillo de ajos atados al cuello de nuestro sistema de climatización.
Al igual que nuestro satélite favorito pasa de nueva a llena, los cerramientos de nuestras viviendas evolucionarán a un futuro con un mayor control de la temperatura superficial e incluso con cerramientos adaptativos que cambien de fase en función de las condiciones exteriores.
Agradecimientos
El trabajo se ha realizado dentro del proyecto SUDOKET – Mapeo, consolidación y diseminación de las Key Enabling Technologies (KETs) para el sector de la construcción en el espacio SUDOE, ref: SOE2/P1/E0677 que está cofinanciado por el Fondo Europeo de Desarrollo Regional (FEDER) a través del programa INTERREG SUDOE.
La visión artificial es una disciplina que ha permitido controlar distintos procesos productivos en la industria y otros sectores desde hace muchos años. Acciones tan habituales como el proceso de compra en un supermercado, requieren técnicas de visión como el escaneado de los códigos de barras.
Hasta hace pocos años, muchos problemas no se podían resolver de una manera sencilla con las técnicas de visión clásicas. Identificar personas u objetos situados en diferentes posiciones de las imágenes o clasificar ciertos tipos de defectos industriales no homogéneos resultaban tareas de alta complejidad que, a menudo, no ofrecían resultados precisos.
Los avances en Inteligencia Artificial (IA) han acompañado también al campo de la visión. Mientras que Alan Turing estableció en 1950 el test de Turing, donde una persona y una máquina se situaban detrás de un muro, y otra persona realizaba preguntas intentando descubrir quién era la persona y quién era la máquina, en la visión artificial mediante IA se buscan sistemas capaces de reproducir el comportamiento de los humanos.
Uno de los campos de la IA es el relativo a las redes neuronales. Utilizadas durante décadas, no fue hasta el año 2012 cuando empezaron a jugar un importante papel en el campo de la visión. AlexNet1 , diseñada por Alex Krizhevsky, fue una de las primeras redes que implementó el diseño con filtros de convolución en 8 capas. Años antes se había establecido un campeonato a nivel mundial donde los algoritmos más potentes intentaban clasificar correctamente las imágenes de ImageNet2, una base de datos con 14 millones de imágenes representativas de 1.000 categorías diferentes. Mientras que el mejor de los algoritmos clásicos, que utilizaba SIFT y vectores de Fisher, obtuvo un 50,9% de precisión clasificando las imágenes de ImageNet, AlexNet llevó la precisión a un 63,3%. Este resultado supuso un hito y representó el inicio de la exploración del aprendizaje profundo, también conocido como Deep Learning (DL). Desde el 2012, se ha profundizado mucho en el estudio de las redes neuronales profundas, creando modelos con más de 200 capas de profundidad y llevando la precisión de clasificación de ImageNet a más de un 90% con el modelo CoAtNet3, que integra capas de convolución con capas de atención de una forma inteligente, deepwise.
Volviendo a la relación de los modernos modelos de visión artificial con respecto a la IA, Dodge et al. (2017)4 descubrieron que, las modernas redes neuronales de clasificación de las imágenes de ImageNet cometían menos errores que los propios humanos, algo que muestra que los sistemas informáticos son capaces de hacer tareas mejor y mucho más rápido que las personas.
Entre los problemas más habituales que resuelve la visión artificial mediante IA, podemos encontrar: clasificación de imágenes, detección y segmentación de objetos, reconocimiento de esqueletos (tanto humanos como de objetos), aprendizaje a partir de un caso, re-identificación, etc. Muchos de los problemas se resuelven tanto en dos dimensiones como en 3D.
Diversos problemas de visión resueltos por IA: Segmentación, clasificación, detección de objetos
La clasificación simplemente nos indica a qué se corresponde una imagen. Así por ejemplo, un sistema podría decir si una imagen tiene un gato o un perro. La detección de objetos nos permite identificar varios objetos en una imagen y delimitar el rectángulo en el que han sido encontrados. Por ejemplo, podríamos detectar varios perros y gatos. La segmentación permite identificar los límites del objeto, no únicamente un rectángulo. Hay técnicas que permiten segmentar sin conocer qué se está segmentando, y técnicas que permiten segmentar conociendo el tipo de objeto que segmentamos, por ejemplo un gato.
El reconocimiento de esqueletos permite multitud de aplicaciones, que van desde temas relativos a la seguridad hasta el reconocimiento de actividades y su posterior reproducción en un robot. Adicionalmente, existen técnicas que permiten obtener puntos característicos de imágenes, como pueden ser puntos de la cara de una persona, o técnicas para obtener la orientación tridimensional a partir de imágenes 2D.
Segmentación industrial utilizando MaskRCNN5
El aprendizaje a partir de un caso (One Shot Learning) permite que un modelo clasifique imágenes a partir de una única muestra conocida de la clase. Esta técnica, normalmente implementada con redes neuronales siamesas, evita el problema de la necesidad de obtener miles de imágenes de cada clase para entrenar un modelo. De la misma forma, los sistemas de re-identificación son capaces de volver a identificar una persona u objeto a partir de una única imagen.
El alto coste computacional de los modelos de DL llevó desde los primeros momentos a buscar alternativas de cómputo respecto a las CPUs, los procesadores principales de los ordenadores. Las GPU, o unidades de procesamiento gráfico, que originalmente se desarrollaron para llevar a cabo cálculos en paralelo de cara a generar imágenes de aplicaciones gráficas o videojuegos de manera fluida, mostraron que se ajustaban perfectamente a la paralelización del entrenamiento de las redes neuronales. En el entrenamiento de las redes neuronales hay dos etapas principales, el paso hacia adelante (forward) y la propagación hacia atrás (back-propagation). Durante el proceso hacia adelante, las imágenes entran en la red y van pasando a través de sucesivas capas que van aplicando distintos filtros con el fin de extraer las características más destacadas y reducir la dimensionalidad. Finalmente, una o más capas son las responsables de la propia clasificación, detección o segmentación. En la propagación hacia atrás, se actualizan los distintos parámetros y pesos que utiliza la red, en un proceso que va desde la salida, comparando la salida obtenida y esperada, hasta la entrada. El proceso hacia adelante se puede paralelizar creando lotes de imágenes. Dependiendo del tamaño de la memoria de las GPU, se crean copias del modelo que procesan todas las imágenes de un lote en paralelo. Cuanto mayor es el tamaño de lote que podemos procesar, más rápido será el entrenamiento. Este mismo mecanismo es el utilizado durante el proceso de inferencia, proceso que también permite utilizar paralelización. En los últimos años, algunos proveedores de cloud computing han empezado a utilizar Unidades de Proceso Tensorial (TPUs), con ciertas ventajas respecto a las GPU. Sin embargo, el coste de utilización de estos servicios suele ser alto cuando se realiza procesamiento masivo.
Obtención de esqueleto, reconocimiento de actividad y reproducción en un robot Pepper6
CARTIF dispone de importantes sistemas de entrenamiento de redes neuronales profundas, algo que permite resolver problemas de alta complejidad computacional en un tiempo relativamente bajo. Además, hemos perfeccionado diversos algoritmos de entrenamiento utilizando las mas recientes redes neuronales7. También hemos perfeccionado sistemas de aprendizaje a partir de un solo caso mediante redes siamesas8. Así mismo, utilizamos los modelos más avanzados en tareas tales como el reconocimiento, segmentación y detección de objetos y personas, clasificación de imágenes, incluyendo defectos industriales, y sistemas de interacción persona-robot mediante algoritmos avanzados de visión.
1 Krizhevsky. A, Sutskever.I & Hinton.G.E. (2012) Imagenet classification with deep convolutional neural networks, Advances in neural information processing systems, 25
2Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., … & Fei-Fei, L. (2015). Imagenet large scale visual recognition challenge. International journal of computer vision, 115(3), 211-252.
3 Dai, Z., Liu, H., Le, Q., & Tan, M. (2021). Coatnet: Marrying convolution and attention for all data sizes. Advances in Neural Information Processing Systems, 34.
4 Dodge, S., & Karam, L. (2017, July). A study and comparison of human and deep learning recognition performance under visual distortions. In 2017 26th international conference on computer communication and networks (ICCCN) (pp. 1-7). IEEE.
5 He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask r-cnn. In Proceedings of the IEEE international conference on computer vision (pp. 2961-2969).
6 [1] Domingo, J. D., Gómez-García-Bermejo, J., & Zalama, E. (2021). Visual recognition of gymnastic exercise sequences. Application to supervision and robot learning by demonstration. Robotics and Autonomous Systems, 143, 103830.
7Domingo, J. D., Aparicio, R. M., & Rodrigo, L. M. G. (2022). Cross Validation Voting for Improving CNN Classification in Grocery Products. IEEE Access.
8Duque Domingo, J., Medina Aparicio, R., & González Rodrigo, L. M. (2021). Improvement of One-Shot-Learning by Integrating a Convolutional Neural Network and an Image Descriptor into a Siamese Neural Network. Applied Sciences, 11(17), 7839.
Voy de camino al trabajo y escucho en la radio el anuncio de una bebida refrescante; durante mi descanso veo que mi cantante favorito me anima a probarla en redes sociales, me dice que está buenísima; por la tarde voy al supermercado y me encuentro con una promoción de dicha bebida refrescante en la que me permiten probarla gratis y además hay una promoción 3X2; por la noche estoy viendo una serie con mi familia y veo cómo el protagonista se toma esa misma bebida refrescante con la marca bien visible y muestra una satisfacción increíble después de bebérsela…¿dónde está el limite entre la publicidad y la influencia?
Yo soy una persona adulta y con sentido crítico que puede tomar la decisión de consumir un producto o no, pero… ¿y un niño o niña? ¿Podemos considerar que teniendo en cuenta todo el ambiente de publicidad que nos rodea, la población infantil es libre para tomar elecciones saludables?
En España un 40,6% de los niños y niñas entre 6 y 9 años padecen sobrepeso y obesidad1, cifras alarmantes y similares a las de otros países como Estados Unidos o México. La prevalencia de obesidad infantil en España se sitúa entre las más altas de Europa según la OMS.
El estilo de vida actual ha cambiado drásticamente en las últimas décadas y se cree que es el responsable del aumento del sobrepeso y la obesidad en todos los grupos de edad y especialmente en la infancia: los niños consumen ahora más comida rápida y bebidas azucaradas, comen fuera de casa con más frecuencia y pasan menos tiempo comiendo en familia que las generaciones anteriores. Además, los alimentos preparados y procesados son más accesibles que nunca y están disponibles en porciones más grandes. Por otra parte, el uso de la televisión e Internet han conducido a un estilo de vida más inactivo y sedentario, así como a una mayor exposición a la comercialización de productos con alto contenido en grasa, azúcar y/o sal (conocidos como HFSS, por sus siglas en inglés).
Está claro que para revertir esa alta prevalencia de sobrepeso y obesidad en niños, no existe una única solución sino que debe ser un conjunto de acciones dirigidas a reducir el sedentarismo y aumentar el gasto energético sumado a mejorar las decisiones de consumo hacia productos más saludables, pero, vuelvo a hacer la pregunta de antes, ¿podemos pretender que un niño o niña tome decisiones de consumo saludable cuando en su vida diaria tiene tantos impactos de productos insanos específicamente dirigidos al público infantil? Según un estudio de la OCU (Organización de Consumidores y Usuarios) nueve de cada diez anuncios de alimentos dirigidos a niños son de productos con un perfil nutricional poco saludable: galletas, cereales de desayuno, bollería industrial, chocolates, bebidas energéticas2. Y muchos de ellos, publicitados por personajes influyentes o dibujos animados, acompañados de regalos promocionales o cromos coleccionables que instan a una compra recurrente y que captan el interés de los más pequeños, o avalados por ciertas asociaciones sanitarias.
En materia de publicidad, existen ciertos consensos que indican que hasta los cinco años los menores son incapaces de percibir las diferencias entre programación y anuncios o que hasta los ocho años aproximadamente no comienzan a identificar en la publicidad un interés en persuadir. Ni siquiera a partir de los ocho años está garantizado que los menores puedan identificar los mensajes como tendenciosos, en cuanto que, como sabemos los adultos, suelen enfatizar los aspectos positivos y obvian los negativos del producto.
En España, en 2005 se firmó el Código PAOS con el fin de establecer un conjunto de reglas que regularan las acciones publicitarias y promocionales dirigidas al público infantil y guiaran a las compañías adheridas a cumplirlo. Sin embargo, la realidad muestra que los niños continúan siendo objetivo de una marea de publicidad de alimentos no saludables y las cifras de sobrepeso y obesidad continúan siendo alarmantes.
Por ello, el Ministerio de Consumo pretende aprobar un Real Decreto que regule la emisión de publicidad de alimentos y bebidas no saludables cuando se dirija al público infantil y adolescente hasta 16 años.
La regulación que se empezará a aplicar en este año 2022 afectará a cinco categorías de productos que no podrán hacer publicidad a menores de 16 años independientemente del contenido de nutrientes: productos de confitería de chocolate y azúcar, barritas energéticas y coberturas dulces y postres; productos de pastelería y galletería; zumos; bebidas energéticas y helados. Para el resto de categorías de productos, se establece un límite de contenido en nutrientes por cada 100 gramos. En este caso, se podrán anunciar siempre y cuando las grasas totales y saturadas, el azúcar total y añadido y los niveles de sal se mantengan por debajo de los límites establecidos para cada producto. Estos límites se corresponden con los perfiles nutricionales fijados por la Organización Mundial de la Salud.
Se regulará la publicidad en televisión, radio, salas de cine e internet, redes sociales, webs o app móviles y habrá limitaciones en la publicidad de medios impresos. Habrá horarios de protección reforzada en los canales de televisión generalista fijados de lunes a viernes, entre las 08:00 y las 09:00 de la mañana y de 17:00 a 20:00 horas de la tarde, y los sábados y domingos, entre las 09:00 y las 12:00 horas, mientras que la prohibición en los canales infantiles de televisión será permanente.
Fuente: Ministerio de Consumo
La intención de Real Decreto va en consonancia con las recomendaciones de la Comisión Europea en su Plan de Acción contra la Obesidad Infantil y que ya se aplica en países como Noruega, Portugal o Reino Unido. En 2017, la Comisión Europea publicó un informe4 sobre la exposición de niños a la publicidad y marketing de alimentos HFSS. Algunas de las conclusiones de este estudio fueron:
El 64% de los anuncios de alimentos y bebidas para niños menores de 18 años fueron de productos HFSS.
Un niño menor de 12 años puede estar expuesto a un total de 732 anuncios de HFSS en un mes.
El 80% de los anuncios on-line de HFSS se publicitan en YouTube y el 20% en páginas web tradicionales.
La categoría más promocionada son los snacks dulces.
Los niños ven aproximadamente 10 veces más anuncios de HFSS que de alimentos saludables en Rumanía, 6 veces más en Suecia y 3,5 veces más en Lituania e Italia.
A nivel de la industria alimentaria, también existen iniciativas para adaptarse y mejorar esta situación. Es el caso de la iniciativa EU Pledge que promueve entre sus miembros el compromiso, para el 1 de enero de 2022, en relación con las restricciones del marketing de productos HFSS, de o bien no publicidad alguna de alimentos y bebidas dirigida a los menores de 13 años, o bien solo publicitar productos que cumplen con los criterios nutricionales de EU Pledge. A ella están actualmente adheridas 23 empresas que ocupan el 80% de los gastos en publicidad de la UE.
La necesidad de una reglamentación que regule la publicidad y promoción de alimentos no saludables a través de todos los medios que llegan a la población infantil es una realidad. No se trata únicamente de poner límites a las elecciones alimentarias que puedan desencadenar en un perjuicio para la salud, se trata también de limitar la influencia, la incitación o sugerencia de productos de forma desleal, ocultando su condición nociva, especialmente cuando el consumidor no puede razonablemente identificarla.
La industria alimentaria también tiene un papel fundamental en esta tarea, tanto a nivel de la regulación de la publicidad, como en la reformulación de productos existentes y en la investigación de otras opciones saludables y atractivas para el público infantil. Desde CARTIF, colaboramos continuamente con la industria alimentaria con este propósito, como en los proyectos PROBIOMIC (Diseño de nuevos productos de cereales con probióticos adaptados a una óptima nutrición infantil mediante tecnologías ómicas) o TOLERA (Desarrollo de ingredientes y alimentos más eficaces y seguros, dirigidos a población con alergias e intolerancias alimentarias), entre otros.
Las cavernas fueron nuestro primer hogar pero, ¿nos hemos parado a pensar cómo se sentían nuestros antepasados en las frías mañanas de invierno? ¿Y en los calurosos veranos? Quizá nos sorprendamos…
La humanidad ha tenido múltiples y diversos hogares. Desde los tipis de los indios americanos hasta los rascacielos que inundan hoy en día la ciudad de Nueva York. En la actualidad, los edificios representan el 40% de la energía consumida y el 36% de los gases de efecto invernadero. Muchos de ellos, además, datan de los años 70. Definitivamente, necesitamos un cambio si queremos atajar el cambio climático.
En el Paleolítico, las primeras viviendas, en forma de cabañas hechas de pieles de animales y troncos, protegían a nuestros antecesores del frío y viento. Durante el Neolítico, las construcciones de poblados con casas de adobe otorgaban a nuestros antiguos pobladores de condiciones de habitabilidad. Y todo ello sin consumir ni un solo kilovatio hora y empleando los recursos que la naturaleza les ofrecía para obtener ciertas condiciones de confort.
Si miramos la evolución de las edificaciones a lo largo de la historia, ésta nos indica que las casas de adobe dejaron espacio a las viviendas del antiguo Egipto, fabricadas a base de paja y madera. Por su parte, la Antigua Roma introdujo el hormigón y la piedra, así como tecnologías como el arco de medio punto, la arcada, la bóveda y la cúpula. Dando un salto hasta el Renacimiento, esta época supuso una ruptura arquitectónica, incluyendo materiales como el mármol, estuco y azulejos. Hasta la evolución hacia el ladrillo que componen la mayor parte de la edificación existente. Pero, a pesar de la evolución en el empleo de materiales… ¿realmente estamos mejorando nuestras condiciones de confort y la eficiencia energética de los edificios?
La respuesta a día de hoy es que necesitamos edificios más eficientes y más inteligentes, pero, ¿ qué nos impide cambiar nuestra forma de utilizar los edificios? Platón, en su mito de la caverna, nos indica que es la falta de conocimiento lo que nos oculta la realidad. Extrapolado a la actualidad, la carencia de información útil y valiosa nos limita a la hora de tomar decisiones más objetivas, desde el conocimiento y reduciendo la subjetividad.
Para dar respuesta a la pregunta de cómo mejoramos el conocimiento de los edificios; entra en juego el concepto de edificios inteligentes. Según la Comisión Europea, un edificio inteligente es aquel que está conectado, es capaz de interactuar con los sistemas que le rodea, incluidos los usuarios, y puede gestionarse de manera remota. Es decir, tiene que comportarse de manera interactiva tanto con los sistemas energéticos del edificio como con otros edificios e inclusive los propios usuarios. Además, cambia su comportamiento de reactivo a pro-activo para hacer un uso eficiente y efectivo de sus propios recursos.
Los principales habilitadores de los edificios inteligentes son las nuevas tecnologías. En primer lugar, el IoT (Internet of Things o Internet de las cosas) que, en pocas palabras, se define como la conectividad a través de la Internet de elementos comunes como electrodomésticos, coches, teléfonos móviles, etc. Esta tecnología es la que permite convertir un edificio tradicional en un edificio conectado, capaz de proveer de datos gracias a los sensores IoT. En segundo lugar, la Inteligencia Artificial, que utiliza los datos para extraer el conocimiento; el mismo conocimiento que, siguiendo el mito de Platón, nos guiará hacia la salida de la caverna. La Inteligencia Artificial es una técnica capaz de aprender de los datos, extraer patrones de comportamiento y predecir situaciones futuras. Consiguiendo así, anticiparse a acontecimientos y permitir la actuación del edificio de manera pro-activa. En otras palabras, se está acercando el razonamiento humano a los edificios, pero tomando decisiones en base a información objetiva.
Desde CARTIF, llevamos años trabajando en la línea de investigación para la transformación de los edificios actuales en más inteligentes, más confortables y amigos del medio ambiente. Proyectos como BRESAER son un claro ejemplo de dicha transformación. En este proyecto, se ha desarrollado un sistema de toma de decisiones basado en Inteligencia Artificial. Dicha solución permite que el edificio pueda determinar con una hora de antelación las necesidades energéticas para cumplir con las condiciones de confort y elegir las fuentes disponibles para calefactar o refrigerar el edificio.
Todo esto sin olvidarnos que los edificios son para nosotros y, por tanto, los usuarios debemos ser los protagonistas. Los consumidores deben estar mejor informados del comportamiento del edificio, así como éste debe adaptarse a las preferencias del habitante. Por ejemplo, termostatos inteligentes que aprenden nuestros hábitos para asegurar una temperatura agradable sin necesidad de configurarlo. O incluso, detectar cuándo nos vamos para apagarse y dejar de consumir gas o electricidad, cobrando aún más sentido con los precios actuales. El ejemplo de esta tecnología se enmarca en el proyectoCOMFOStat.
En conclusión, los edificios inteligentes representan la perfecta solución que combina las mejores condiciones de vida actuales con la reducida emisión de gases de la antigüedad. Los datos y la Inteligencia Artificial generan el conocimiento necesario que nos habrá guiado hacia la salida de la caverna. Si aun así no encuentras el camino, nuestra puerta siempre estará abierta para ayudarte.
Sólo hay un bien: el conocimiento. Sólo hay un mal: la ignorancia.
Desde el comienzo de los tiempos existen muy pocas cosas que sepamos que van a ocurrir con total seguridad. El mundo está plagado de acontecimientos y eventos aleatorios muy difíciles de predecir, incluso para nuestra compañera la inteligencia artificial que muchas veces parece que es una especie de panacea que todo puede solucionar.
Sin embargo, existe algo que os garantizo que va a ocurrir, y de cierta manera, está ocurriendo en este mismo momento. Nos hacemos mayores. Dentro de nuestro ciclo de vida, el tiempo va pasando a medida que vivimos experiencias, cumplimos etapas y alcanzamos objetivos. Este tiempo, aunque no lo queramos, poco a poco nos conduce a una disminución de habilidades tanto físicas como psicológicas, hasta el punto de que el hecho de realizar las tareas cotidianas dentro del hogar supone un verdadero reto, y a veces incluso algo peligroso. En este momento surge la duda, ¿busco una persona que me ayude o, por el contrario, busco un centro residencial donde vivir?
Para muchas personas, su hogar es su símbolo de independencia. Su casa es ese sitio donde puede imponer sus propias reglas y donde no tiene que rendir cuentas a nadie. Según un estudio realizado en 2020, existen en España alrededor de 4.849.900 personas que viven solas, y dentro de esta cifra, más de 2 millones tienen 65 años o más. Esto supone un 43,6% del total. Sin embargo, lo curioso de esta estadística no es sólo el importante número de gente mayor que vive sola, sino que este porcentaje ha aumentado un 6,1% con respecto al año anterior. Por lo tanto, se entiende que la tendencia de la sociedad es la de vivir en solitario una vez que se superan los 65 años.
Sin embargo, tal y como comencé explicando al principio de este post, llega un momento en el que acordarse de ciertas tareas sencillas, como puede ser tomar las medicinas en el horario correspondiente, puede resultar algo difícil e incluso frustrante, y el hecho de no acordarse puede suponer una situación de peligro. Con todo esto, sería interesante contar con una persona o un sistema que nos recordase tomar las medicinas a tiempo si no lo hemos hecho, o recordarnos que tenemos que comer si se nos ha pasado la hora, pero sin que nos «moleste» mucho en nuestro día a día. Para esto podría entrar en juego un tema que está muy de moda hoy en día, la domótica.
Podríamos decir que comenzamos a hablar de domótica en la década de los 70, con distintas pruebas piloto de automatización de edificios, pero no fue hasta la década de los 80 cuando se inició el desarrollo a nivel comercial para distribuirlos por hogares urbanos. A día de hoy, sin entrar mucho en temas de estándares y aspectos tecnológicos, se puede hacer el siguiente desglose dentro de una rama tan grande como es la domótica:
Sensorización y recogida de datos (Si ocurre esto): Se trata de la primera etapa a tener en cuenta dentro de nuestro sistema domótico. Lo que queremos hacer es recoger datos y eventos dentro de nuestro hogar. Queremos saber si se ha abierto la puerta de la calle para saber si nos han entrado a robar, la temperatura de nuestra casa por si hay que encender la calefacción o la presencia en una determinada estancia para que se encienda la luz de forma automática. Todo esto se puede conseguir gracias a la tecnología, que monitoriza los estados de nuestra casa a través de una red de sensores que miden parámetros físicos, como la temperatura, la humedad o la luminosidad.
Actuadores y ejecutores de acción (Entonces haz esto): Una vez que ya sabemos lo que ha ocurrido dentro de casa, entraría en juego esta segunda etapa, le indicamos a un enchufe que encienda un electrodoméstico, por ejemplo, o a un motorcillo que nos abra una puerta o ventana.
Con todo esto, se entiende que una persona realiza sus tareas diarias siguiendo unos patrones más o menos establecidos. Por ejemplo, una persona que entra en su cuarto de baño, cierra la puerta y acto seguido la humedad dentro de esa estancia comienza a elevarse a unos niveles por encima de lo normal, se puede deducir que se está duchando. Otro ejemplo puede ser que sea la hora de comer y que la temperatura en la zona donde se encuentra la vitrocerámica comienza a aumentar, al mismo tiempo que se abre el frigorífico y los cajones donde se encuentran las especias. Entonces se puede deducir que la persona está cocinando. Por lo tanto, es posible realizar el seguimiento de las tareas que realiza una persona mayor que vive sola utilizando una red domótica que recoja los eventos que van ocurriendo por la casa y una inteligencia artificial (como puede ser una red neuronal) que se encargue de procesar estos datos. Una vez que se ha cumplido la etapa de adquisición de datos, sería interesante la integración de esta información con los distintos sistemas de teleasistencia de la región. De esta manera, en función de las actividades diarias que se van detectando (o que, en su defecto, no se han detectado), el sistema de teleasistencia puede brindar sugerencias a la persona o, si se detecta una situación de peligro como puede ser una caída, intervenir de forma presencial.
Desde el área de Bienestar y Salud del Centro Tecnológico CARTIF buscamos ofrecer soluciones para que las personas mayores puedan vivir de una forma plena y autónoma el mayor tiempo posible. Por esta razón, una de nuestras líneas de investigación se está centrando en el contenido de este post para que las personas mayores puedan permanecer en su casa de una forma totalmente operativa y segura. El tema que se ha tratado respecto a la domótica servirá para prestar un apoyo frente a la disminución de habilidades tanto físicas como sensoriales. Sin embargo, también estamos trabajando en soluciones para mejorar la autonomía en los hogares frente al deterioro físico mediante el desarrollo de asistentes tecnológicos para el uso de inodoro y andadores inteligentes.
En resumen, quiero enfatizar que es muy importante cuidar el bienestar de nuestros mayores y proporcionar soluciones que les permitan estar plenamente activos y que gocen de una mente sana. Queramos o no, el tiempo pasa para todos.
