Echamos un vistazo a los componentes básicos de la IA y su efecto en el sector AEC.

El concepto de crear máquinas que piensen y actúen como humanos existe desde la antigüedad, como la historia de Talos, un robot gigante de bronce de la mitología griega. El dios Hefesto creó a Talos para proteger la isla de Creta. Esta figura mecánica podía patrullar las costas de la isla y lanzar rocas a los barcos que intentaran invadirla. Talos es uno de los primeros ejemplos de un ser diseñado para hacer un trabajo específico, igual que los modernos sistemas de inteligencia artificial, creados para ayudarnos en distintas tareas.

Después de que la IA tal y como la conocemos empezara a tomar forma a mediados del siglo XX, se convirtió en una parte integral de nuestra vida cotidiana, a menudo trabajando entre bastidores de maneras de las que no siempre nos damos cuenta. Asistentes virtuales como Siri y Alexa nos ayudan a gestionar tareas, establecer recordatorios y responder preguntas utilizando la capacidad de la IA para comprender y procesar el lenguaje natural. Plataformas multimedia como Netflix y Spotify utilizan la IA para analizar nuestras preferencias y adaptar los contenidos a nuestros gustos. La tecnología de reconocimiento facial utiliza la IA para permitirnos desbloquear nuestros teléfonos inteligentes o etiquetar a nuestros amigos en las fotos. La capacidad de la IA para comprender y generar lenguaje humano impulsa a los chatbots que gestionan las consultas de los servicios de atención al cliente o prestan asistencia en sitios web, haciendo que las interacciones sean más rápidas y cómodas. Ya está en todas partes.

Ideas dentro de ideas

Es posible que escuche algunos términos aparentemente intercambiables: inteligencia artificial, aprendizaje automático, aprendizaje profundo, redes neuronales. Puede pensar en estos términos casi como muñecos anidados, con cada término subsiguiente contenido dentro del anterior.

La inteligencia artificial es un término genérico que engloba a las máquinas que resuelven problemas y se comunican como los humanos. El aprendizaje automático es un subconjunto de la IA en el que las máquinas "aprenden" de los datos para tomar decisiones o hacer predicciones sin estar explícitamente programadas. El aprendizaje automático clásico suele requerir cierta interacción humana para ordenar los datos utilizados antes de que las máquinas puedan aprender eficazmente de ellos.

El aprendizaje profundo es un subconjunto especializado de la máquina. Utiliza una técnica matemática de muchas capas llamada redes neuronales para simular la capacidad de procesamiento de un cerebro humano y es especialmente bueno reconociendo patrones en grandes cantidades de datos, como imágenes o habla.

Aunque el aprendizaje automático clásico también utiliza redes neuronales, estas tienden a ser bastante superficiales, utilizando solo una o dos capas computacionales. El aprendizaje profundo, como su nombre indica, utiliza redes neuronales con cientos o miles de capas, lo que le permite participar en complejas...
resolución de problemas, como la automatización de tareas sin intervención humana. El aprendizaje profundo es más autónomo y puede manejar grandes cantidades de datos en bruto, pero también requiere muchos más puntos de datos y potencia de cálculo que el aprendizaje automático clásico.

Cuando los ordenadores contestan

Algunas de las interacciones públicas más comunes con la IA incluyen lenguaje o imágenes, como un chatbot de respuesta a preguntas o un generador de imágenes. Estas funciones utilizan subcampos del aprendizaje automático llamados Procesamiento del Lenguaje Natural (PLN) y Visión por Ordenador para procesar datos del lenguaje y las imágenes.

Como su nombre indica, el Procesamiento del Lenguaje Natural se centra en la interacción entre ordenadores y humanos a través del lenguaje. Creado inicialmente en los años 50 para ayudar en la traducción, el PLN permite a las máquinas entender, interpretar y responder al lenguaje humano. Los grandes modelos lingüísticos (LLM) como ChatGPT dependen de la PNL tanto para analizar la entrada lingüística como para crear una salida legible. La visión por ordenador se centra en la interpretación de la información visual y la toma de decisiones basadas en ella. Gracias a la visión por ordenador, la IA puede reconocer objetos, caras o incluso diagnosticar enfermedades a partir de imágenes. Pero la PNL y la visión por ordenador por sí solas no pueden crear un chatbot o una nueva imagen a partir de un prompt...

Al principio, los modelos lingüísticos se basaban en gran medida en redes neuronales recurrentes (RNN) y redes de memoria a largo plazo (LSTM). Estos modelos estaban diseñados para procesar el texto secuencialmente, es decir, leían y generaban palabras de una en una, manteniendo una memoria de las palabras anteriores. Aunque este método funcionaba razonablemente bien, tenía importantes limitaciones: Los modelos a menudo "olvidaban" el contexto importante de las partes anteriores de una frase o párrafo. Eran lentos y costosos desde el punto de vista informático porque procesaban el texto palabra por palabra, lo que dificultaba su ampliación a conjuntos de datos más grandes.

Su naturaleza secuencial dificulta la paralelización de los cálculos mediante la división de cada tarea en subtareas, que pueden ejecutarse simultáneamente, lo que limita aún más su rendimiento en tareas a gran escala.

La introducción del modelo transformador en 2017, a través del artículo "Attention is All You Need" de Vaswani et al., marcó un punto de inflexión en el desarrollo de los LLM. El modelo transformador abordó muchas de las deficiencias de los modelos existentes mediante el uso de un mecanismo de atención que le permitió procesar secuencias enteras de texto a la vez, en lugar de palabra por palabra. Un año después, OpenAI empezó a introducir una serie de transformadores generativos preentrenados (GPT) capaces de generar texto. Estos transformadores se preentrenaron en un conjunto de datos masivo que contenía una amplia variedad de textos de Internet, incluidos libros, artículos y páginas web.

Aunque los transformadores y los LLM han avanzado mucho, sigue siendo difícil garantizar que los modelos sean precisos, estén actualizados y sean capaces de realizar tareas más complejas. Aquí es donde entran en juego innovaciones como la generación mejorada por recuperación (RAG) y los sistemas multiagente. Una de las limitaciones de los LLM es que, una vez entrenados, se basan únicamente en los datos que se les proporcionaron durante el entrenamiento. Esto significa que a veces pueden proporcionar información obsoleta o incorrecta. RAG soluciona este problema combinando las capacidades generativas de los LLM con la posibilidad de recuperar información relevante de fuentes externas, como bases de datos o la web, en tiempo real. Los LLM también se ven limitados cuando se les pide que realicen tareas que requieren prestar atención a múltiples fuentes: pueden empezar a "alucinar", dando respuestas inventadas o incorrectas.

Aquí es donde resulta interesante el enfoque de los sistemas multiagente. La idea es utilizar varios agentes de IA para que trabajen juntos en la consecución de un objetivo. Cada agente de un sistema multiagente puede especializarse en distintas tareas, como la toma de decisiones, la resolución de problemas o la percepción. Al colaborar, estos agentes pueden realizar tareas más complejas que las que podría llevar a cabo un agente por sí solo.

IA y automatización en el sector de la construcción

El sector de la construcción y la ingeniería es relativamente nuevo en lo que respecta al uso de la IA. Según el Índice de Digitalización Industrial más reciente, publicado por McKinsey Global Institute Findings en 2016, el sector de la construcción de Estados Unidos es uno de los menos digitalizados, solo por delante de la agricultura y la caza. Hay algunas barreras difíciles para la adopción de la IA en la construcción: las empresas pueden tener una aversión a los enfoques de inversión reactivos y de alto riesgo o desconfiar de la falta de estándares, las brechas de habilidades, la resistencia cultural y la complejidad general del segmento. Pero cuando se trata de seguir las tendencias, basta con seguir el dinero: entre 2020 y 2022, las inversiones mundiales en tecnologías AEC aumentaron a $50 mil millones, lo que sugiere un inminente repunte en la adopción.

Estudios y artículos académicos muestran aplicaciones útiles de la IA en todas las fases del ciclo de vida de un proyecto. Marzouk y Abubakr investigaron la aplicación de algoritmos genéticos para identificar el posicionamiento más eficiente de las grúas en una obra de construcción; el estudio de Edirisinghe utilizó sensores de localización en tiempo real para investigar la ergonomía de los trabajadores de la construcción, centrándose en el análisis de su comportamiento durante la manipulación de materiales para identificar posibles peligros. Jiang et al. presentaron una metodología para utilizar la IA en la detección y clasificación de daños en el hormigón.

Los avances económicos y científicos son necesarios para la transformación digital
pero no son el único obstáculo en el camino. Ningún cambio masivo puede producirse sin una aceptación generalizada, y la reacción humana a la IA es una montaña rusa llena de baches.

Al principio, la gente está encantada con los avances tecnológicos y las posibilidades, pero ese entusiasmo inicial a menudo se ve sofocado por la preocupación de ser sustituidos. La gente puede sentirse consternada o desesperada hasta que se da cuenta de que las herramientas de IA aún no han madurado lo suficiente como para sustituir a un ser humano. Con el tiempo, la mayoría puede aceptar y adaptarse a la nueva realidad de la IA, dándose cuenta de que es una herramienta que puede facilitar nuestro trabajo sin eliminar por completo el elemento humano.

Ciberseguridad en la era de la IA

En el panorama digital actual, la ciberseguridad es una preocupación crítica, con
Según Cybersecurity Ventures, se prevé que los costes de la ciberdelincuencia alcancen los $10,5 billones anuales en 2025. Esta asombrosa cifra pone de manifiesto la creciente frecuencia y sofisticación de los ciberataques. A medida que los sistemas de IA se generalizan, conllevan riesgos de ciberseguridad específicos, como el envenenamiento de datos, los modelos maliciosos, la evasión de modelos y el robo de modelos. El envenenamiento de datos se produce cuando los atacantes introducen datos perjudiciales en los conjuntos de entrenamiento de la IA, lo que provoca decisiones erróneas. Los modelos maliciosos se diseñan intencionadamente para producir resultados perjudiciales o sesgados. La evasión de modelos implica manipular las entradas para engañar a la IA y hacer que tome decisiones incorrectas, mientras que el robo de modelos se produce cuando un atacante roba o replica un modelo de IA, arriesgándose a perder propiedad intelectual y a poner en peligro las defensas. Comprender y mitigar estos riesgos es esencial a medida que la IA desempeña un papel más importante en los sistemas críticos.

Más allá de la ciberseguridad, el uso de la IA también plantea importantes implicaciones jurídicas, en particular en relación con la privacidad de los datos. Reglamentos como el GDPR y la CCPA imponen normas estrictas sobre cómo se gestionan los datos personales. Los modelos de IA también pueden perpetuar involuntariamente sesgos, lo que da lugar a problemas legales. Proteger la propiedad intelectual de las innovaciones de IA y garantizar la transparencia en las decisiones de IA son cruciales para mantener la confianza y el cumplimiento legal. Para hacer frente a estas preocupaciones, los equipos de IA y Legal en DG están trabajando activamente en políticas integrales de IA y Datos, que estarán disponibles en breve para guiar nuestras prácticas y garantizar el cumplimiento normativo.

---

La ciberseguridad puede parecer compleja, pero unas pocas reglas de sentido común pueden ayudar a mantenerte a ti y a tu información a salvo. Aquí tienes algunos consejos de Ryan MacGillivary, de DG IT, que te ayudarán a mantenerte seguro:

• No compartas información personal. Evita compartir datos sensibles como nombre completo, dirección, número de teléfono o información financiera. No sabes con qué seguridad se almacenan los datos ni quién puede acceder a ellos.
• Cuidado con los plug-ins y aplicaciones falsos¡! Las aplicaciones de IA falsas pueden robar datos confidenciales cuando se instalan. Un complemento falso de ChatGPT en la tienda web de Google robó credenciales de Facebook y se descargó millones de veces antes de ser retirado.
• No facilites información comercial a la IA. No cargue flujos de procesos, diagramas de red o fragmentos de código. El siguiente usuario puede obtener tu información como salida de ChatGPT. Cualquier dato confidencial proporcionado a AI es susceptible de ser filtrado.
• ¡Cuidado con las falsificaciones! Los delincuentes utilizan la IA para falsificar cartas, correos electrónicos o incluso llamadas telefónicas con el fin de estafar y extorsionar a sus víctimas. Presta atención a los signos reveladores de IA en las fotografías, como extremidades que no coinciden o sombras e iluminación que no tienen sentido.
• Sé amable con la IA Si tratas a la IA con respeto, puede que lo consigas cuando Skynet tome el control.

---

IA en la DG

¿Cómo participa DG en la revolución de la IA? Actualmente estamos centrados en dos proyectos, ambos destinados a acelerar y mejorar la calidad de nuestro trabajo.

Durante la generación de propuestas y las fases preliminares del diseño, elaboramos estimaciones de horas/hombre y costes del proyecto, un procedimiento a menudo complicado, sobre todo para los empleados con menos experiencia. Para ayudarnos en esta tarea, estamos trabajando en una base de datos de proyectos y en una herramienta de estimación preliminar de costes y horas/hombre. La herramienta comparará el nuevo proyecto con los de la base de datos, teniendo en cuenta parámetros como tamaño, cliente, ubicación, etc., para mejorar y optimizar nuestras estimaciones. Nuestro segundo proyecto, "Expertos en códigos", se centra en desarrollar un chat que ayude a investigar los códigos internacionales, acelerando así el proceso de diseño y la confirmación de requisitos.

Hay muchas más formas de utilizar la IA para ayudarnos y mejorar nuestro trabajo, pero primero tenemos que superar uno de los mayores retos de la implantación de la IA: la calidad y disponibilidad de los datos. Los modelos de IA dependen de grandes cantidades de datos limpios y bien organizados. Tenemos que limpiar nuestros datos actuales y utilizar un sistema de gestión de datos antes de poder utilizar herramientas de IA.

La IA tiene el potencial de aportar importantes beneficios a nuestra empresa. Sí, puede aportar velocidad, calidad y apoyo al diseño, pero también puede mejorar nuestros procesos internos, flujos de trabajo e incluso ayudarnos en la toma de decisiones. La IA y la automatización están remodelando nuestro sector, impulsando la eficiencia, mejorando la seguridad y abriendo nuevas posibilidades en el diseño y la construcción.

A medida que estas tecnologías siguen evolucionando, es crucial que todos nosotros aceptemos los cambios y veamos cómo pueden mejorar tanto nuestras funciones individuales como el rendimiento general de la empresa. La innovación a menudo comienza con una simple idea, y su perspectiva podría ayudar a dar forma al futuro de la IA en nuestra empresa. Juntos, podemos aprovechar el poder de la IA para lograr un impacto duradero tanto en nuestra empresa como en el sector.