A pesar de los avances recientes en Machine Learning (ML), el objetivo de diseñar sistemas de control capaces de explotar completamente el potencial de estos métodos para aprender del entorno y lograr especificaciones complejas de manera segura sigue siendo difícil de alcanzar. Los métodos modernos de ML pueden aprovechar grandes cantidades de datos para aprender poderosos modelos predictivos, pero dichos modelos no están diseñados para operar en lazo cerrado. Los resultados recientes sobre el aprendizaje por refuerzo (Reinforcement Learning) ofrecen una visión tentadora del potencial de un acercamiento entre el control y el aprendizaje, pero hasta ahora las pruebas de desempeño están restringidas a casos limitados (por ejemplo, horizonte finito LQR/LQG). Por lo tanto, en la mayoría de los casos, los elementos de aprendizaje se utilizan como cajas negras dentro del lazo, con propiedades que no son completamente entendidas. El progreso futuro depende del desarrollo de una comprensión teorica de las propiedades y limitaciones de los algoritmos de ML cuando se usan en un contexto de sistemas de control.

Esta charla presentará algunos resultados iniciales que revelan las limitaciones fundamentales de algunos algoritmos y arquitecturas de aprendizaje populares cuando se usan para controlar un sistema dinámico. Por ejemplo, muestra que, aunque las redes neuronales prealimentadas (feedforward NN) son aproximadores universales, no pueden estabilizar algunos sistemas simples. En este sentido, también mostramos que una red neuronal recurrente con funciones de activación diferenciables que estabiliza un sistema no fuertemente estabilizable debe ser inestable en lazo abierto, y discutimos las implicaciones de este hecho para el entrenamiento con datos finitos y ruidosos. Finalmente, presentaremos un sistema simple en el que cualquier controlador basado en la optimización sin restricciones de los parámetros de una estructura dada no puede hacer que el sistema en lazo cerrado sea estable en el sentido «entrada-a-estado» (ISS). En todos los casos, mostraremos cómo la teoría de sistemas es fundamental para comprender y superar estas limitaciones, y discutiremos brevemente algunas arquitecturas nuevas motivadas por la teoría de operadores de Koopman.

En la segunda parte de la charla, presentaremos ejemplos de cómo los conceptos de la teoría de control pueden ayudar a resolver problemas que surgen en el aprendizaje automático y la visión artificial, como el reconocimiento de actividades, la predicción y comprensión de videos, la imputación y la segmentación de movimiento. En todos los casos, el uso de conceptos de la teoría de control conduce a algoritmos simples que superan las técnicas existentes.

PRESENTACIÓN AQUÍ

El aumento del consumo de energía a nivel global genera interrogantes acerca de cómo satisfacer la demanda en las próximas décadas sin empeorar el problema del cambio climático. Por tal motivo, el aumento de la eficiencia energética está en el tope de la agenda energética mundial. El despliegue de Redes Eléctricas Inteligentes podría dar respuesta a este complejo escenario mediante el uso de tecnologías de la información y comunicaciones, sistemas de generación distribuida y dispositivos de almacenamiento de energía. Sin embargo, su implementación conlleva otros desafíos, de la mano del incremento en la complejidad de la red y por la necesidad de monitorear en tiempo real múltiples puntos de medición y control. En el curso de esta charla se pretende mostrar la importancia de las Redes Eléctricas Inteligentes como herramienta para contribuir a un futuro sustentable. Debido a la gran variedad de temas incluidos dentro de este tópico, se hará especial énfasis en los sistemas de medición inteligente. Se presentarán algunos de los antecedentes más importantes, producto del despliegue de estos sistemas en los países más desarrollados, y se describirá un panorama general de la situación en el país. Se analizarán cuáles son las oportunidades y riesgos del despliegue de estas redes, con el foco puesto en la eficiencia energética y el desarrollo nacional.

PRESENTACIÓN AQUÍ

De los datos al conocimiento: Aplicaciones de Inteligencia Artificial al control de procesos.

Esta presentación cubre algunas de las actividades bajo investigación en el Laboratorio de Process Systems Engineering del Department of Chemical Engineering de Louisiana State University. La atención se centrará en los desarrollos recientes en el área de la Inteligencia Artificial (IA) con aplicaciones a los procesos químicos. En concreto, sobre las tres grandes áreas de Machine Learning (ML): aprendizaje no supervisado, supervisado y reforzado. En términos de aprendizaje no supervisado, veremos la extracción de conocimiento de los datos de la planta para evaluar en particular su estado operativo. En el aprendizaje supervisado, nos centraremos en el desarrollo de sistemas de monitoreo inteligente, el desarrollo de modelos predictivos y el uso de ML para sensores basados en imágenes. Finalmente, tocaremos brevemente las ideas de aprendizaje reforzado para el control de sistemas complejos y la optimización operativa. Se dará énfasis a las aplicaciones industriales para demostrar el poder de estas técnicas.

PRESENTACIÓN AQUÍ