La IA como catalizador del ciclo de materiales
La inteligencia artificial (IA) y el aprendizaje profundo están revolucionando el sector del reciclado. Estas tecnologías no solo aumentan la eficiencia, sino que también permiten lograr una clasificación mucho más precisa. Asimismo, su potencial puede desarrollar otras aplicaciones completamente nuevas. Un artículo especializado sobre el potencial de la IA en nuestra industria escrito por el Dr. Volker Rehrmann, vicepresidente ejecutivo y director de TOMRA Recycling.
2 min
Gracias al aprendizaje profundo ahora se puede clasificar PET, PP y HDPE de grado alimentario frente a los de grado no alimentario.
Todos nos esforzamos en lograr una auténtica economía circular, pero para alcanzarla los materiales recuperados deben tener una gran calidad constante y debería poderse reintroducir en el ciclo la mayor cantidad de materiales posibles. Por desgracia, con los procesos actuales estos aspectos no son viables; así que para evitar el infrarreciclaje (o «downcycling») y promover un reciclado de alta calidad, la clasificación debe tener un nivel de granularidad mayor.
La buena noticia es que la IA está haciendo que todo esto sea factible; es más, la IA va a convertirse en un catalizador del ciclo de materiales porque estas tecnologías tan avanzadas mejoran con creces la clasificación del material reciclable y contribuyen a satisfacer la creciente demanda de más contenido reciclado.
Pero antes de analizar cómo la IA está cambiando la recuperación de recursos, conviene aclarar un error muy común: la IA no es algo nuevo que se ha puesto de moda, la IA siempre ha estado en el centro de nuestra industria. Nuestros equipos de investigación y desarrollo llevan años trabajando en soluciones de clasificación basadas en la inteligencia artificial, incluso hace 30 años nuestras primeras máquinas eran capaces de tomar decisiones sobre qué material clasificar en cada contenedor. Y esta capacidad de tomar decisiones como lo haría una persona es la definición de la IA.
Cuando en 2024 hablamos de IA, nos referimos a los últimos avances en el campo del aprendizaje profundo: un subconjunto del aprendizaje automático que ha irrumpido en nuestra industria gracias al perfeccionamiento de la potencia de cálculo en la última década.
La buena noticia es que la IA está haciendo que todo esto sea factible; es más, la IA va a convertirse en un catalizador del ciclo de materiales porque estas tecnologías tan avanzadas mejoran con creces la clasificación del material reciclable y contribuyen a satisfacer la creciente demanda de más contenido reciclado.
Pero antes de analizar cómo la IA está cambiando la recuperación de recursos, conviene aclarar un error muy común: la IA no es algo nuevo que se ha puesto de moda, la IA siempre ha estado en el centro de nuestra industria. Nuestros equipos de investigación y desarrollo llevan años trabajando en soluciones de clasificación basadas en la inteligencia artificial, incluso hace 30 años nuestras primeras máquinas eran capaces de tomar decisiones sobre qué material clasificar en cada contenedor. Y esta capacidad de tomar decisiones como lo haría una persona es la definición de la IA.
Cuando en 2024 hablamos de IA, nos referimos a los últimos avances en el campo del aprendizaje profundo: un subconjunto del aprendizaje automático que ha irrumpido en nuestra industria gracias al perfeccionamiento de la potencia de cálculo en la última década.
Entonces, ¿cómo está cambiando el aprendizaje profundo la recuperación de recursos tal y como la conocemos hoy día?
1. El aprendizaje profundo es garantía de flexibilidad. La composición de los residuos está en constante cambio, así que los sistemas de clasificación deben ser lo bastante ágiles para adaptarse a los nuevos requisitos del mercado. Las tecnologías de aprendizaje profundo entrenadas por nuestros expertos consiguen optimizar el equipamiento existente con actualizaciones periódicas de software en lugar de tener que sustituir componentes de hardware o incluso máquinas enteras. De esta forma, se puede responder en menos tiempo a las necesidades del cliente.
1. El aprendizaje profundo es garantía de flexibilidad. La composición de los residuos está en constante cambio, así que los sistemas de clasificación deben ser lo bastante ágiles para adaptarse a los nuevos requisitos del mercado. Las tecnologías de aprendizaje profundo entrenadas por nuestros expertos consiguen optimizar el equipamiento existente con actualizaciones periódicas de software en lugar de tener que sustituir componentes de hardware o incluso máquinas enteras. De esta forma, se puede responder en menos tiempo a las necesidades del cliente.
2. La clasificación en sí mejorará en gran medida. Los sistemas de clasificación convencionales ya han alcanzado un grado de precisión y eficacia relevantes, por ejemplo al separar envases fabricados con PET monocapa y multicapa. Pero si combinamos los sistemas ya existentes basados en sensores de infrarrojo cercano o VIS con tecnologías de aprendizaje profundo (como es el caso de nuestra solución AUTOSORT™ con GAINnext™) conseguimos la mayor granularidad de clasificación disponible a día de hoy. Este nivel de granularidad en combinación con el aprendizaje profundo hace posible clasificar el material por tipo, color, forma, tamaño, dimensiones y otros detalles. Gracias a ello, se pueden realizar tareas que hasta ahora eran inalcanzables, como clasificar PET, PP y HDPE de grado alimentario frente a los que no lo son. Estamos frente a un hito para nuestra industria, sobre todo porque GAINnext™ alcanza niveles de pureza superiores al 95 % que exige la normativa sobre seguridad alimentaria en Europa.
3. El aprendizaje profundo impulsará todavía más la automatización de los sistemas. El valor del aprendizaje profundo reside en el reconocimiento de objetos con la ayuda de cámaras a todo color. En otras palabras, GAINnext™ ve lo que el ojo humano no puede; por lo que consigue automatizar tareas de clasificación que antes tenían que hacerse manualmente y procesar grandes cantidades de material reciclable con rapidez y eficiencia.
Dr. Volker Rehrmann, vicepresidente ejecutivo y director de TOMRA Recycling
4. Y no menos importante es el gran paso hacia la optimización del proceso con la ayuda de los datos. Los sistemas de clasificación basados en IA generan cantidades ingentes de datos sobre la composición del material, la eficiencia de la clasificación y el rendimiento de la instalación. Al analizar estos datos, los operarios identifican oportunidades de optimización y pueden actuar en consecuencia. No obstante, las posibilidades van más allá de los sistemas de clasificación. Se pueden colocar cámaras basadas en aprendizaje profundo en puntos clave del proceso de clasificación para tener una visión de conjunto de todo el proceso y el flujo de materiales y que los operarios puedan llevar un seguimiento continuado de la calidad de los flujos clasificados y la pérdida de material, e incluso garantizar que se cumple con la normativa sobre reciclaje de alimentos.
AUTOSORT™ con GAINnext™ .
Con todo lo dicho, nuestro sector se encuentra en un punto de inflexión fascinante. Estamos convencidos de que el uso de la IA impulsará la economía circular en el momento en que más se necesita: las normativas son cada vez más estrictas y la demanda de soluciones tecnológicamente avanzadas por parte de los clientes no deja de aumentar. Al mismo tiempo, ya va siendo hora de que surjan nuevos mercados con productos de mayor calidad que potencien todavía más nuestra industria. ¡Y en TOMRA nos entusiasma formar parte de la revolución de la IA!
¿Qué es el aprendizaje profundo?
El aprendizaje profundo es una área específica dentro de la IA que imita la forma en la que el cerebro humano procesa la información. Se trata de una técnica especial dentro del aprendizaje automático que utiliza redes neuronales artificiales que se entrenan con inmensas cantidades de datos para reconocer y almacenar determinados patrones y aplicarlos después a nuevos datos. Los expertos en IA de TOMRA introducen en la red entre miles y millones de imágenes como material de entrenamiento hasta que la IA aprenda a distinguir determinadas características ópticas en cuanto a tipo de material, como tapones de botellas o formas específicas de envases. De este modo, el aprendizaje profundo puede realizar algunas de las tareas de clasificación más complejas cuando se combina con el sistema de sensores existente.
¿Qué es el aprendizaje profundo?
El aprendizaje profundo es una área específica dentro de la IA que imita la forma en la que el cerebro humano procesa la información. Se trata de una técnica especial dentro del aprendizaje automático que utiliza redes neuronales artificiales que se entrenan con inmensas cantidades de datos para reconocer y almacenar determinados patrones y aplicarlos después a nuevos datos. Los expertos en IA de TOMRA introducen en la red entre miles y millones de imágenes como material de entrenamiento hasta que la IA aprenda a distinguir determinadas características ópticas en cuanto a tipo de material, como tapones de botellas o formas específicas de envases. De este modo, el aprendizaje profundo puede realizar algunas de las tareas de clasificación más complejas cuando se combina con el sistema de sensores existente.
El artículo técnico se publicó en Kunststoff Magazin en agosto de 2024.