Cierta utopía tecnológica habla de sensores en todas partes, enviando ingentes cantidades de datos para que conozcamos mejor y podamos predecir comportamientos y tendencias (desde las que involucran a seres humanos, hasta las atmosféricas). El costo de los sensores es cada vez menor, y los servicios de nube ayudan a escalar rápidamente. La cuestión menos discutida de este abordaje es la infraestructura (de conectividad y energía, pero también de seguridad) que debe dar soporte a todos esos sensores.
Frente a esta disyuntiva, surgió otra clase de abordaje a la Internet de las Cosas (IoT), denominado “single-point sensing” (algo así como sensado o detección de punto único), que gira en torno a la idea de desplegar una infraestructura de red relativamente más chica y con menos sensores estratégicamente ubicados, acoplados a analíticas de nube en el backend. Así, muchos ya están reemplazando dispositivos de monitoreo de una red de energía con un único dispositivo en las inmediaciones del tablero de alimentación. Lo mismo se plantea para el reemplazo de una red de sensores IoT que usa micrófonos para detectar la rotura de vidrieras. Un único micrófono reduciría la necesidad de basarse en sensores dedicados en cada ventana en términos de seguridad. Esto es lo que los investigadores llaman detección mediada por infraestructura.
A través de la detección de un solo punto, un único sensor en una ubicación estratégica puede medir las señales de presión en las salidas de aire y las líneas de agua, así como las señales eléctricas en las líneas de energía. Las tecnologías de aprendizaje de máquina (ML) se utilizan para correlacionar eventos físicos, como encender una luz, limpiar un inodoro o abrir una puerta, con las diferentes señales que ese sensor detecta.
En su artículo de IoT Agenda, el periodista especializado en tecnología George Lawton, advierte que este sistema trabaja bien en los hogares que se utilizaron en la investigación, pero que no hubo como resultado ningún producto comercial. Al menos no inmediatamente. La tecnología principal se incorporó a una nueva empresa, llamada Zensi, que se vendió a Belkin en 2010 como parte de su división de gateways hogareños. Belkin mejoró los algoritmos centrales, e incluso patrocinó una competencia en el sitio web de la comunidad de ciencia de datos Kaggle para proporcionar a los desarrolladores incentivos para elaborar algoritmos más precisos. Pero no ha lanzado ningún producto comercial basado en la detección mediada por infraestructura.
Un competidor llamado Energy Detective, que fabrica un dispositivo de monitoreo de energía, siguió un enfoque similar de detección de un solo punto “antes de declarar que el monitoreo de un dispositivo individual desde un punto centralizado es un mito”, reccuersa el cronista. De acuerdo con las preguntas frecuentes de la compañía, «si bien funcionó bien para electrodomésticos grandes como un calentador de agua o aires acondicionados de potencia, fue extremadamente inconsistente y frustrante para electrodomésticos más pequeños”. La compañía finalmente optó por un enfoque alternativo para medir cada salida desde la caja de servicios públicos.
Los nuevos jugadores del “single-point sensing”
Con todo, el interés en este abordaje está de regreso. Eso sí: los algoritmos primitivos de detección mediada por infraestructura fueron mejorados utilizando redes neuronales o algoritmos de aprendizaje automático que ejecutan PC individuales. Pero el desarrollo de cadenas de herramientas de IA por parte de Google, y posteriormente otras, ha facilitado mucho la implementación de redes neuronales masivas en la nube. Además, el crecimiento de los dispositivos IoT y los mejores protocolos de comunicación hacen que sea mucho más fácil recopilar más datos de los consumidores y usuarios empresariales para mejorar aún más estos algoritmos.
En dicho contexto, un startup llamado Neurio desarrolló Neurio Home Energy Monitor y el software asociado para monitorear el uso de energía en el hogar desde el tablero de interruptores. “La compañía adoptó un enfoque mucho menos agresivo al caracterizar únicamente los patrones de uso de energía de los aparatos que consumen más energía, como el aire acondicionado, los calentadores y los secadores. Las señales eléctricas de los aparatos grandes tienden a ser mucho más fáciles de descifrar, y hay menos de ellas. Estos representan la fruta de baja altura en términos de medición, pero también tienen un impacto más significativo en el consumo de energía que los aparatos individuales o la luz”, explica el periodista.
Otra empresa joven llamada Sense y dedicada al monitoreo de hogares eligió un enfoque mucho más agresivo, al crear una aplicación para cuantificar el uso de energía a nivel del dispositivo en el hogar. El módulo Sense se enchufa a la caja del interruptor en la casa de un usuario. El dispositivo se encuentra en el fondo, aprendiendo el comportamiento de los aparatos de alguien. Cuando ve una firma eléctrica (patrón de señal eléctrica) para un dispositivo que no reconoce, simplemente la registra. Los usuarios pueden nombrarlo después del hecho, y continuará rastreando el uso de este dispositivo a lo largo del tiempo. Sense también desarrolló Network Device Identification, una nueva herramienta de recopilación de datos que escucha la comunicación de dispositivos en el hogar a través de Bluetooth y redes Wi-Fi que se envían a través de Simple Service Discovery Protocol y Universal Plug and Play, Zeroconf y ARP protocolos utilizados para las comunicaciones IoT. Estos mensajes son utilizados por los dispositivos para transmitir su conocimiento sobre su estado. El dispositivo Sense también envía periódicamente un ping para avisar a los dispositivos que pueden no estar transmitiendo activamente su estado. Esto permite a Sense correlacionar mejor los cambios en el estado de un dispositivo con los cambios en las señales eléctricas que recibe para mejorar sus algoritmos.
https://www.youtube.com/watch?v=ZTslnxmxreY
En el artículo se especula sobre otros usos prometedores de este abordaje, como podrían ser las aplicaciones industriales. “La detección mediada por la infraestructura no es un sistema perfecto. Si bien los mejores algoritmos pueden mejorar en gran medida la precisión de la detección de un solo punto, este enfoque tiende a limitarse al depender de una única señal de medición. En el futuro, los investigadores y las empresas tendrán que ver cómo utilizar la información de diferentes tipos de sensores para aumentar significativamente la precisión y la precisión de las mediciones de eventos de los sensores únicos utilizados en las arquitecturas de detección tradicionales mediadas por infraestructura”, concluye Lawton.
