En la primera sesión, Luis Peña y José María Peña se centraron en la definición de Inteligencia Artificial y en los términos relacionados con esta metodología, como Machine Learning, Deep Learning, Data Science, Data Mining y Big Data, así como su aplicación en la arquitectura y en la ingeniería.

A continuación trataremos una de las principales técnicas que utilizaremos, la optimización, y tras ello veremos cómo se aplica la Inteligencia Artificial a través de varios casos prácticos ¡Comenzamos!

Técnicas de Optimización

Una técnica clave en varios casos es la Optimización. Se define por el espacio de búsqueda de variables (X e Y) y las «funciones objetivo», que representan una métrica de calidad.

La técnica busca el valor óptimo global de la función. Las restricciones son importantes porque no todas las combinaciones de XY son factibles. Un problema común es la composición de estructuras, como parámetros de maquinaria o procesos químicos.

Estructura del Espacio de Soluciones

Los aspectos del Espacio de búsqueda de soluciones que determinan problemas de optimización incluyen:

• Optimización continua: implica variables numéricas.
• Optimización combinatoria: implica valores discretos, como materiales de estructuras.
• Optimización programática: soluciones con estructura variable, como listas de operaciones.
• Optimización dinámica: se usa en sistemas de control cuando la función objetivo cambia con el tiempo.
• Optimización con ruido: problemas con variación aleatoria, como la simulación de Montecarlo.

Técnicas: Optimización

Para poder analizar de qué forma se resuelven estos mecanismos de cálculo, trataremos dos tipos:

1. La Optimización matemática, se basa en que conoces la función, la cual es simple, para poder calcular si es un problema continuo o es un problema discreto.
2. La Optimización de «Caja Negra», que trata de muestrear determinados valores de la función , y con los resultados que obtenga de esos valores, intentará determinar cuál es una buena solución candidata. Un problema que puede tener este tipo de mecanismos es que no te garantiza la optimalidad, ya que no siempre va a encontrar la mejor solución.

Complejidad de la búsqueda

Una de las cuestiones que nos tenemos que plantear es por qué se puede hacer compleja la resolución de problemas de optimización. Debido a que:

• El problema no lo puedes descomponer en variables, por lo cual, no vas a poder llegar a la solución.
• Los problemas de tipo «Deceptive», se presentan cuando se habla de problemas de tipo engañoso. No son muy habituales en el área de la ingeniería. Uno de los problemas más habituales son los de «Aislamiento», en el que la mejor de las soluciones está «rodeada» de soluciones no factibles. Las restricciones van a hacer que sea más difícil encontrar la solución en el espacio de búsqueda.
• Los problemas de Multimodalidad van a representar cuántos óptimos hay, hay un único óptimo global pero también puede haber varios óptimos locales.
• Los de tipo neutralidad son muy habituales. Te vas a encontrar con numerosas soluciones que van a tener el mismo valor objetivo.
• Los problemas de Dimensionalidad, en los que cuanto más dimensiones tengas, más difícil será optimizar el problema.

Soluciones apoyadas en Metaheurística 

Dentro de estas técnicas, hay modelos basados en la probabilística y en la estadística. Podemos clasificarlos en 3 métodos:

1. Métodos de Monosolución o de Trayectoria, que se basan en que parten de un punto de mejora continua en búsqueda de la solución actual mediante la inspección de un vecindario, dónde esa búsqueda finaliza cuando se halla la solución con una calidad aceptable.  Algunos de los algoritmos más utilizados son el «Recocido Simulado» o las búsquedas de vecindario variable.
2. Métodos Poblacionales, generan nuevas soluciones a partir de una, dos o más
   soluciones. En este grupo estarían por ejemplo los algoritmos genéticos o también las estrategias evolutivas.
3. Métodos Híbridos y Enfoques Avanzados, que son los que combinan dos o más algoritmos, diferentes metaheurísticas. Se pueden encontrar algoritmos como los meméticos o de descendencia múltiple.

Optimización Multiobjetivo

Es muy común en el campo de la ingeniería disponer de más de una función objetivo. Se llama a esto problemas Multiobjetivo. Se da cuando no existe una única solución sino una multitud de soluciones, de las cuales, cada una tiene sus ventajas frente a las demás, pero ninguna es mejor en todos los aspectos.

Aplicar técnicas de Optimización

Para ello es primordial definir el espacio de búsqueda, para saber cuáles son las variables libres para poder realizar diferentes combinaciones.

A nivel práctico, el conocimiento del dominio va a ser fundamental porque te va a posibilitar iniciar soluciones e interpretar los resultados de la función objetivo. Además, puede haber soluciones que no se encuentren dentro del rango de factibilidad , ya que infringe alguna de las restricciones.

En cuanto a los resultados que se van a obtener al aplicar esta técnica, será la de encontrar valores del espacio de búsqueda que sean óptimos. No te van a solucionar un problema en concreto sino que van a solucionar familias de problemas, y estas técnicas se usan mucho con combinaciones de otros elementos , como el Machine Learning, con simulaciones (sobre todo en la ingeniería) o con técnicas de búsqueda.

Casos prácticos en la Inteligencia Artificial: cómo afrontarlos

A través de una serie de ejemplos prácticos, se van a mostrar cuáles van a ser las mejores técnicas, estrategias y recomendaciones para tratar este tipo de problemas, aplicados en la Inteligencia Artificial.

Para poder afrontar un problema en la Inteligencia Artificial, tenemos que hacernos dos preguntas: ¿Qué debemos hacer? (como parte funcional de lo que estamos intentando resolver) y la otra pregunta sería: ¿Cómo lo hacemos? (búsqueda de la solución técnica).

Además, de tener una solución técnica, tenemos que introducir una parte de digitalización o de modelado de nuestro problema: la Inteligencia Artificial. Para ello, tendremos que hacernos esta pregunta: ¿Cómo aplicar la Inteligencia Artificial?, y cuando esto se tenga claro, podremos buscar cuál es la mejor forma de poder resolver nuestro problema.

También hay que tener en cuenta otras preguntas clave para poder resolver estos problemas, ¿Qué esperas conseguir o qué impacto se espera de aplicar la Inteligencia Artificial?, ¿Qué se considera un éxito? y ¿Quién está liderando este proyecto? Es recomendable que quién lidere este proyecto sea alguien interno de la empresa, porque se necesita a alguien que conozca la terminología específica o el funcionamiento de la empresa o el sector.

Ejemplo de Procesamiento de Documentación

El Procesamiento de Documentación es una tecnología que está basada en la Inteligencia Artificial y en el Procesamiento del Lenguaje Natural, cuyo objetivo es transformar la información no estructurada de documentos (de diferentes formatos) en datos que sean útiles para poder gestionar los documentos/datos de una empresa.

En este ejemplo real se trabajó en un modelo de normativas de construcción, cuyo objeto era el poder extraer normativas locales, es decir, poder extraer los términos necesarios para poder trabajar en un proyecto de construcción, conllevando la evaluación de cómo eran los formatos que se podían hallar.

Nos enfrentamos en este caso con varios tipos de problemas, uno de ellos y que hay que tener en cuenta, es que van a ser dependientes del idioma y del Corpus (son los términos relevantes y adecuados para el texto en particular). Para ello, se requiere un entrenamiento específico y tener presente una necesidad lógica de negocio.

• Lo primero que tendríamos que hacer sería una extracción de datos o términos, para ello tendríamos que buscar un formato uniforme.
• Después, habría que hacer un análisis sintáctico, a través de un análisis de texto que conllevaría a la división de las frases en determinados formatos (tokens). Por lo que habría que limpiar el texto (eliminando los stop words) y se haría un pre etiquetado de las partes del lenguaje. Esto va a ser muy útil para detectar determinados formantes que para ti van a ser relevantes.
• Por último, tenemos el procesamiento semántico, que es el de identificar aquellas palabras que tienen sentido o que forman sentido a una frase.

Las estrategias que vamos a necesitar para construir ese conocimiento o esa información, van a ser:

• Realizar un Pre etiquetado, que lo que va a hacer será catalogar el texto. Se podrá hacer a través de herramientas de auto-tagger. Y también es importante disponer de un catalogador manual (persona que pertenezca a ese área o sector para que pueda hacer ese proceso de catalogar el texto).
• Otra estrategia sería la jerarquización del texto, porque cuanto más separado tenga el texto en secciones, podrá hacerse una clasificación de párrafos,  con lo cual podré extraer mejor la información más relevante.
• Hay que tener en cuenta qué tipo de texto tienes (formato de los textos). Ya que por ejemplo en un texto de un tema específico va a haber mucha variabilidad.
• Y que son modelos que requieren de una mejora continua, para evitar que se produzcan desviaciones.

En cuanto a los problemas que se pueden producir, pueden ser:

• Falta de texto etiquetado.
• Difícil encontrar modelos del lenguaje específico, por lo que se va a necesitar que tengas un conocimiento del entorno específico.
• Ser consciente del umbral de error admisible.

Ejemplo de Diseño de Estructuras 

Este segundo ejemplo es sobre cómo poder optimizar el resultado de una simulación, minimizando estrés, desplazamiento, coste, peso… En el que puedas jugar con diferentes parámetros: geometrías, materiales, configuraciones de diseño o parámetros constructivos en la construcción de los muros de una presa.

Estaríamos ante un problema de jugar con esos parámetros asociados a las frecuencias, a los tipos de materiales, y de la evaluación de la calidad. Se resolvió este problema con un algoritmo genético.

Ejemplo de Optimización de Estructuras

Este ejemplo está asociado al desarrollo de técnicas para el diseño de motores del sector de la aeronáutica, que junto a la Universidad de Oxford, se participó para diseñar motores del Rolls Royce.

Problema: Estamos ante un problema que está orientado a la parametrización de los procesos de impresión en 3D de piezas, que depende cómo se configure este proceso de impresión, porque puedes tener una pieza que tenga una respuesta mecánica diferente en un caso o en otro. Por tanto, tienes que apostar por cuáles son los pasos del proceso de impresión, qué parámetros corresponden, para que al final obtengas la pieza con la respuesta mecánica que tú quieres.

Ejemplo de Diseño de Metamateriales

El diseño de metamateriales, que se utiliza mucho en la producción eléctrica, cuyo objetivo es el de poder obtener un considerable desplazamiento como salida, para que después se pueda producir una conversión a energía eléctrica.

Problema: se va a partir en esta cuestión de un mallado completo, del cual se eliminan las conexiones. El objetivo que se va a tener será el de maximizar el desplazamiento resultante de salida por un desplazamiento de entrada.

La solución que se planteó para este problema fue el de cambiar el algoritmo que se estaba utilizando, usando un algoritmo híbrido, el cual te permite combinar más de un algoritmo a la vez. También se utilizó un algoritmo de Machine Learning, que se entrena durante el proceso de optimización, y que lo que hace es cuando quiero comprobar una posible configuración candidata, se lo paso al algoritmo, para que me estime cuál será el resultado. Si el resultado es óptimo, entonces procedo a la simulación, pero si es un resultado peor de los que tengo, lo descarto, y busco otras simulaciones.

Estrategias aplicadas en la Inteligencia Artificial

Las estrategias que se pueden utilizar para atacar este tipo de problemas serían:

• Muchos de estos problemas tratan sobre las geometrías, por lo que hay que intentar evitar las redundancias (puede implicar que dos configuraciones diferentes representen la misma geometría) por lo que cuantas más redundancias tengas, hace que tengas más codificación que no sirva para nada. Por otra parte, gestionas las soluciones no factibles: corrigiéndolas o directamente se descartan. Y utilizas subrogados cuando sea un problema pesado.
• En cuanto a seleccionar las técnicas de optimización, hay que saber que ninguna funciona mejor que las demás, por lo que lo mejor es probar varias o alternar. Dos características que tiene estas técnicas son la capacidad de exploración y de explotación, que se basan en encontrar soluciones muy diferentes de las que estás trabajando, y cuando estés cerca de una solución buena, afinar cuál es el valor concreto: las heurísticas de dominio.
• En cuanto a cómo acometer un problema que es muy pesado o costoso (descomposición del problema), hay varias técnicas, como simular diferentes niveles de detalle, uso de algoritmos de inyección, modelos agregativos o haciendo una evaluación anticipada para realizar descartes.
• Cuando ya tengas soluciones, que son más o menos factibles, puedes iniciar directamente el proceso de evaluación de las mismas.

En cuanto a los riesgos que se pueden producir, uno de ellos sería la neutralidad (dependiendo de cómo se defina su función objetivo), o problemas de estabilidad, estos últimos son muy habituales, que se da casos de encontrar una solución óptima que funciona bien, y que cambias algún parámetro, y ya esa solución deja de funcionar.

Ejemplo práctico de Reconocimiento de objetos en la Inteligencia Artificial

El reconocimiento de objetos es un problema que procede de distintas mecánicas relacionadas con la estimación de nube de puntos o de análisis volumétrico del entorno.

Vamos a tener aquí dos problemas que tienen que ver con la visión computacional, que es cuando quieres reconocer determinados objetos, o quieres etiquetar esos objetos, que son representados o extraídos de algún mecanismo óptico o del escaneo del entorno. Lo que quiere decir esto, es que se quiere reconocer objetos o extrapolar medidas, y del que sacaré información de mi entorno a través de un elemento con componente de visión computacional.

Nos enfrentamos a dos problemas principales: clasificación (saber qué se está viendo) y autoetiquetado (identificar objetos y sus características específicas). Los problemas de clasificación y localización son más fáciles de resolver con un corpus etiquetado lógico, como el reconocimiento de gatos.

Sin embargo, problemas más complejos, como escenas con múltiples objetos, requieren técnicas avanzadas basadas en redes neuronales profundas. Se necesita una gran cantidad de datos, incluyendo generación de datos sintéticos y etiquetado. Las estrategias varían dependiendo si se trabaja con imágenes o nubes de puntos. Los riesgos incluyen la variabilidad del entorno y la limitada disponibilidad de imágenes.

Ejemplo práctico de Diseños de parcela

En este apartado, abordaremos los problemas de diseño de parcelas. Desde un punto de vista estimativo, se trata de estimar datos como el coste del proyecto, el presupuesto y la edificabilidad. Este es un problema de Machine Learning que busca obtener una estimación de valor. Desde un enfoque constructivo, se considera la orientación y el tipo de construcción viable en la parcela.

Estimación de costes del proyecto

Las estrategias pueden ser de varios tipos: modelos explicativos (Bayesianos, árboles de Decisión) y representación del conocimiento del dominio o información externa. Se utilizarán herramientas como Prism, comúnmente utilizada en Londres, que proporciona información sobre registros de parcelas, ubicaciones y estimaciones de distribuciones y grado de ocupación.

Otra herramienta similar es Envelope´s 3D, la cual hace estimaciones y tiene configuraciones de la edificación como la masa o un bloque, el grado de ocupación que puede tener un residencial o una construcción comercial, y reportarlo en metros cuadrados.

Por otro lado, está el BIMBOT, un asistente de diseño inteligente para la industria AEC. Utiliza un software de modelado BIM para producir soluciones de diseño optimizadas. Recopila información del catastro para realizar estimaciones sobre edificabilidad y devuelve datos como costos, grado de ocupación e iluminación. También proporciona un modelo para evaluar la calidad del proyecto.

Existen diferentes estrategias, como el análisis preliminar, que da respuestas estimativas sobre costos, duración del proyecto y precisión. Luego, mediante un enfoque estimativo, se comprueba la disponibilidad de datos mediante visualización de datos y Data Science. Los enfoques constructivos requieren técnicas de optimización «ligeras» con interactividad entre el arquitecto o el promotor y las propuestas de diseño.

Continúa tu formación con el Máster AEC 4.0 de butic

Este workshop es solo una introducción al Máster AEC 4.0: IA Generativa, Automatización BIM y Colaboración Cloud.

El Máster está diseñado para profesionales que desean aplicar estas metodologías en proyectos reales de arquitectura, ingeniería y construcción, combinando diseño paramétrico, BIM avanzado y herramientas de IA generativa. Se imparte en modalidad online, con clases en directo, grabaciones disponibles y tutorías personalizadas, garantizando un aprendizaje flexible y siempre actualizado.

El programa sigue una metodología colaborativa, simulando un entorno empresarial real desde el primer día, lo que potencia la preparación y la competencia de los participantes.

El director del área de Inteligencia Artificial, Programación para BIM y Data Science, y principal instructor del Máster, es David Moreira, arquitecto con más de 10 años de experiencia en entornos BIM. Especializado en transformación digital y automatización de procesos, David ha impulsado soluciones innovadoras en sectores como retail, minería, infraestructuras y arquitectura. Su enfoque busca democratizar la tecnología, aplicar una visión integral del ciclo de vida de los proyectos y alinear la estrategia tecnológica con los objetivos corporativos. Es invitado frecuente en distintos forums de BIM y recientemente ha sido nombrado embajador de Speckle, una de las compañías más innovadoras en Inteligencia Artificial aplicada a BIM.

A continuación, tienes a tu disposición el Open Day, una oportunidad perfecta para conocer el programa, resolver tus dudas y descubrir cómo este Máster puede impulsar tu perfil profesional al siguiente nivel.

Con una metodología colaborativa, el programa simula un entorno empresarial real desde el primer día, potenciando la preparación y la competencia de los participantes.

¡Expertise de primer nivel: Sergio Manes llega al Máster AEC 4.0!

Nos complace anunciar que Sergio Manes, referente arquitecto, profesor universitario, ponente internacional y creador de arqMANES en YouTube, con más de 670K suscriptores. Ha trabajado con figuras destacadas de la arquitectura como Miguel Ángel Roca, Jorge Morini, César Pelli y Nicholas Grimshaw, aportando una perspectiva única al programa. se une al claustro del Máster AEC 4.0: IA Generativa, Automatización BIM y Colaboración Cloud de butic. En el siguiente vídeo le puedes ver anunciando su incorporación al claustro del Máster AEC 4.0:

Su incorporación refuerza el compromiso del Máster de ofrecer una enseñanza de vanguardia, combinando innovación tecnológica con aplicaciones prácticas en proyectos reales de arquitectura, ingeniería y construcción. Con expertos como Sergio, los estudiantes podrán aprender de profesionales que lideran la transformación digital en el sector AEC, preparándolos para afrontar los desafíos actuales y futuros del diseño y la gestión de proyectos.

Conclusión

En esta última entrada, analizamos la Inteligencia Artificial con casos reales en arquitectura e ingeniería. José María y Luis Peña explicaron los pasos para resolver estos problemas y las técnicas utilizadas. Compartimos la grabación de la sesión y material gráfico útil.