Este artículo está escrito por Lina Stankovic, profesora principal y miembro de Ethical AI Network, y Vladimir Stankovic, lector de la Universidad de Strathclyde.

Probablemente nunca haya pensado que su medidor de gas o electricidad está a la vanguardia de la ciencia. Pero, en cierto modo, estos artilugios prácticos y sin pretensiones ofrecen una visión del futuro y pueden enseñarnos lecciones valiosas sobre las trampas y los beneficios del aprendizaje automático .

Los medidores inteligentes son los medidores de electricidad y gas de próxima generación que miden el consumo de energía de los hogares. Lo que hace que los medidores tradicionales y conocidos sean "inteligentes" es que utilizan una red de datos segura para enviar de forma automática e inalámbrica las lecturas de sus medidores a su proveedor de energía al menos una vez al mes, además de ser más fáciles de leer para el consumidor. Esto significa que los clientes reciben facturas precisas y también menos visitas de ingenieros de servicios públicos para leer medidores manualmente.

Con el despliegue a gran escala de medidores inteligentes, que ahora cuenta con más de 16 millones en todo el Reino Unido, y mucho más en todo el mundo, se están llevando a cabo importantes investigaciones e innovaciones para aprovechar al máximo los datos que se recopilan.

Algunos de los objetivos principales para los investigadores y las empresas de servicios públicos es crear una facturación oportuna y precisa, aumentar la comprensión del uso de energía en el hogar, facilitar la transición a la energía renovable y los vehículos eléctricos, y una mejor gestión de la generación y distribución de electricidad.

Esto, a su vez, permite a los hogares y las empresas de servicios públicos reducir los costos y cumplir con los objetivos de cambio climático y eficiencia energética mediante la reducción del uso innecesario de energía.

Pero, ¿cómo hacemos que todo lo anterior suceda? La respuesta está en la inteligencia artificial (IA).

Lo que dice la tetera sobre ti

Hoy tenemos la capacidad de usar el poder de la inteligencia artificial para analizar datos de medidores inteligentes utilizando el aprendizaje automático para mejorar la forma en que consumimos energía. Por ejemplo, es fácil para un algoritmo "aprender" cuánta energía se consume de los datos históricos y predecir patrones de consumo para el futuro utilizando algoritmos de aprendizaje automático de series temporales, lo que ayuda al motor de IA a tomar una decisión sobre la respuesta a la demanda y, por lo tanto, Garantizar la seguridad energética del suministro. El siguiente paso es inferir cuándo y con qué frecuencia se utilizan dispositivos particulares en el hogar a través de algoritmos de desagregación de carga o de monitoreo de carga no intrusiva (NILM).

Estos algoritmos desglosan "cargas" individuales (de su horno, su caldera y su televisor, etc.) que contribuyen a la lectura total del medidor en cualquier momento a través del procesamiento de señales y algoritmos de aprendizaje automático supervisados y no supervisados. Esto a su vez permite que el motor de IA haga recomendaciones sobre actualizaciones de dispositivos, genere una evaluación del ciclo de vida (LCA) por dispositivo o producto alimenticio y cuantifique estadísticamente el tipo de actividad en la que pasamos nuestro tiempo. Sin embargo, esto también plantea desafíos éticos claros.

También se puede usar incorrectamente para publicidad dirigida para café o té, o inferir cuándo un hogar desayuna o cena, lo que nuevamente se puede usar para inferir cuáles son sus horas de trabajo

Por ejemplo, ahora es posible inferir con qué frecuencia un individuo pone la tetera y cuánta agua se usó para llenarla . Esto es útil para proporcionar recomendaciones de ahorro de energía y rastrear el olvido que surge de la vejez o como precursor de la demencia. Sin embargo, también se puede usar de manera incorrecta para publicidad dirigida para café o té, o para inferir cuándo un hogar desayuna o cena, lo que nuevamente se puede usar para inferir cuáles son sus horas de trabajo. Del mismo modo, también es posible inferir cuándo un individuo está cocinando, cuándo y con qué frecuencia lava la ropa, se ducha, etc.

Además de inferir cuándo un individuo está en casa, cuándo está durmiendo, cuándo recibe huéspedes y cuáles son sus patrones diarios de uso de energía, también es posible inferir, a través de algoritmos de desagregación de carga, qué electrodomésticos se están utilizando e, indirectamente, qué actividades domésticas realizan las personas en el hogar, a partir de sus datos de medidores inteligentes.

Por esta razón, debemos asegurarnos de que el uso del aprendizaje automático en medidores inteligentes no infrinja la privacidad y seguridad de los usuarios, y que la tecnología de IA en sí misma sea transparente para los usuarios que incluyen consumidores, gobiernos y empresas que producen la tecnología. Estas partes interesadas deben tener una comprensión clara de quién tiene acceso a las mediciones del medidor inteligente y la información generada a partir del análisis.

Esto tiene una implicación directa en la confiabilidad de la tecnología y la asignación de responsabilidad.

Abordar las preocupaciones de privacidad

Durante los últimos dos años, se han publicado marcos y pautas sobre protección general de datos y manejo ético de experimentos en individuos y datos personales de organismos gubernamentales y caritativos como los consejos de investigación del Reino Unido, el Instituto de Ingeniería Eléctrica y Eléctrica (IEEE), el Instituto de Ingeniería y Tecnología (IET), British Computer Society (BCS), AI4People y grupo de expertos de alto nivel de la UE sobre IA responsable.

Es muy difícil generalizar el tipo y el nivel de privacidad y responsabilidad de un sistema de IA, ya que el contexto es absolutamente crítico: las pautas para manejar experimentos en pruebas con animales no son exactamente las mismas que las pautas para algoritmos de IA en línea que recomiendan productos basados en el de una persona Historia de compras.

Perteneciente al contexto de medición inteligente, la Evaluación de Impacto y Protección de Datos (DPIA) es un paso importante hacia la privacidad de los datos. Desarrollado por la Comisión Europea Smart Grid Task Force y la Oficina de Comisionados de Información del Reino Unido, dos organismos que se dedican a identificar escenarios regulatorios apropiados y recomendaciones para el manejo de datos, seguridad de datos y protección de datos, el DPIA ofrece una plantilla para Smart Grid y Smart Metering Sistemas dentro de un marco de privacidad y seguridad de datos que protege y permite la privacidad.

La clave de todo esto es la identificación de riesgos, esperados e inesperados, para los datos particulares disponibles.

El DPIA es un paso en la dirección correcta, ya que establece procesos para construir y demostrar el cumplimiento de GDPR. En primer lugar, el DPIA establece tipos de operaciones de procesamiento de datos y pone un fuerte énfasis en la identificación de riesgos para la privacidad y los datos personales en múltiples etapas de un proyecto, es decir, durante el diseño del sistema, antes del uso del nuevo sistema y durante todo el uso. del sistema. Esto garantiza que se capturen todos los riesgos, incluidos los tipos de uso esperados e inesperados del sistema.

La clave de todo esto es la identificación de riesgos, esperados e inesperados, para los datos particulares disponibles. Los expertos están logrando avances significativos en qué tipo de información se puede inferir sobre un hogar y las personas a partir de los datos de su medidor inteligente.

Se desarrollan constantemente nuevas aplicaciones que superan los límites de lo que pueden hacer los medidores inteligentes. Algunos de estos incluyen:

Con la creciente popularidad de las tecnologías para el hogar inteligente, como el Asistente de Google, Alexa de Amazon y Siri de Apple, es más fácil hacer inferencias adicionales sobre un individuo en su hogar y proporcionar una funcionalidad de control avanzada sobre los electrodomésticos y la calefacción de espacios que podrían ser perjudiciales para el individual.

En conclusión, se necesita un mayor esfuerzo para identificar claramente los beneficios y riesgos que abren los motores de IA que aprovechan los algoritmos de aprendizaje automático antes de adoptarlos para la toma de decisiones. Los algoritmos de aprendizaje automático deben hacerse transparentes para los usuarios para garantizar la confianza. Se necesita investigar las herramientas de transformación de datos apropiadas para alterar los datos, de modo que sean útiles pero no dañinos, y se pueden inferir recomendaciones, dependiendo del nivel de consentimiento individual para compartir sus datos. También es importante explicar claramente a las personas cuáles son los beneficios y los riesgos cuando se comparten sus datos personales para su análisis.

A medida que la tecnología evoluciona, se pueden inferir más datos de medidores inteligentes, por lo que la revisión de beneficios y riesgos es un proceso continuo

A medida que la tecnología evoluciona, se pueden inferir más datos de medidores inteligentes, por lo que la revisión de beneficios y riesgos es un proceso continuo. Esto debe ser realizado por una variedad de partes interesadas y competencias, incluidos aquellos que comprenden los elementos de detección del medidor y las señales de medición a aquellos que hacen inferencias utilizando el aprendizaje automático y aquellos que administran y ofrecen los servicios.

Si bien la tecnología de aprendizaje automático abre el riesgo de mal uso y mala interpretación de los datos, esta tecnología también es la solución para proporcionar responsabilidad a medida que los datos del medidor personal fluyen desde el hogar, donde se capturan a la nube, a los proveedores de tecnología y finalmente terminan -usuario. - Lina Stankovic y Vladimir Stankovic

(Crédito de la imagen: Unsplash)