Retos de la movilidad eléctrica: ¿cómo puede contribuir el aprendizaje automático a una sociedad más sostenible?

Retos de la movilidad eléctrica: ¿cómo puede contribuir el aprendizaje automático a una sociedad más sostenible? Retos de la movilidad eléctrica: ¿cómo puede contribuir el aprendizaje automático a una sociedad más sostenible?

KV

Konstantina Valogianni

Business Review (Núm. 311) · TIC

Cuando se trata de reinventar el futuro, incluso el presente, hay dos elementos recurrentes que saltan a escena, por separado o incluso combinados: las herramientas de inteligencia artificial y el cuidado del planeta. En este artículo se analiza cómo el aprendizaje automático puede convertirse en uno de los aliados más importantes de la sostenibilidad cuando se emplea en la gestión de la movilidad eléctrica

Casi todos los días aparecen titulares sobre cómo el machine learning (aprendizaje automático)1 resuelve problemas muy variados en las empresas, desde realizar el reconocimiento facial en los aeropuertos de todo el mundo hasta ayudar a encontrar nuestra talla de ropa virtualmente al hacer compras online. Además de las aplicaciones de aprendizaje automático que nos encontramos en nuestra vida cotidiana (por ejemplo, iPhones que distinguen los rostros en las imágenes, o un termostato inteligente que aprende a lo largo del día cuáles son nuestras preferencias en materia de temperatura), también estamos asistiendo a la llegada de otras innovaciones más revolucionarias, que logran asombrar positivamente a la humanidad.

Vale la pena fijarse en AlphaFold, un algoritmo desarrollado por la unidad DeepMind de Google, que logró descifrar cómo las enfermedades se introducen en las células humanas. Se trata de un ejemplo notable de cómo el aprendizaje automático puede servir a la humanidad. Sus capacidades computacionales le permitieron solucionar un “reto que llevaba 50 años sin resolverse en el campo de la biología”2, también conocido como el problema del plegamiento de las proteínas. Los científicos llevaban muchos años intentando comprender la estructura tridimensional de las proteínas, algo extremadamente complejo y computacionalmente muy exigente. La capacidad de comprender la estructura de las proteínas abre puertas inimaginables de cara a entender las enfermedades y diseñar tratamientos más específicos y eficaces. El resultado logrado por AlphaFold sorprendió a la humanidad una vez más, dado que “competidores” humanos habrían necesitado décadas para resolver un problema así.

 

El papel de la sostenibilidad

Mientras que el aprendizaje automático avanza rápidamente, provocando revoluciones en la manera como hacemos negocios y concebimos la creación de valor para nuestros clientes, las sociedades están luchando en otro frente, el de la sostenibilidad; algo que se está introduciendo cada vez más como una variable clave a la hora de tomar decisiones en actividades empresariales de todo tipo3. Desde la cadena de suministro y la gestión de residuos hasta las ciudades inteligentes y la movilidad urbana, la sostenibilidad se ha convertido en una de las variables de decisión dominantes a la hora de diseñar e implementar los modelos de negocio.

Las Naciones Unidas han fijado una serie de objetivos que las empresas y las sociedades deben alcanzar para poder satisfacer las necesidades de las generaciones actuales, sin poner en riesgo las necesidades de las generaciones futuras. Los denominados “Objetivos de Desarrollo Sostenible” están adquiriendo un papel central en todas las empresas, y, en muchos casos, su incumplimiento puede incluso dar lugar a sanciones económicas (por ejemplo, el impuesto sobre las emisiones de CO2).

 

Aprendizaje automático y sostenibilidad

¿Cómo pueden estos dos conceptos aparentemente tan diferentes (aprendizaje automático y sostenibilidad) ser combinados para contribuir a los objetivos empresariales y sociales?

Sería normal pensar que el aprendizaje automático y la sostenibilidad están orientados en direcciones totalmente diferentes: el primero aspira a mejorar los procesos empresariales para cumplir con objetivos de maximización de beneficios, mientras que la segunda prioriza la conservación de los recursos naturales. Así pues, pensaríamos que es imposible combinarlos para trabajar hacia objetivos comunes. Pero demos un paso atrás y examinemos los fundamentos de estos dos conceptos.

El aprendizaje automático, esencialmente, se refiere a algoritmos adaptativos que procesan u obtienen datos del entorno y mejoran su rendimiento a través de la experiencia. Así, puede tener muchas aplicaciones diferentes y resolver una gran gama de problemas en las empresas. Según su objetivo, el aprendizaje automático puede predecir (por ejemplo, cotizaciones en bolsa), segmentar (clientes), guiar un automóvil autónomo que cruza una zona urbana muy concurrida… y muchas cosas más.

Por otro lado, la sostenibilidad aspira a conservar los recursos naturales utilizados en los procesos empresariales y en las sociedades en general, mitigando el impacto negativo empresarial y social sobre el medio ambiente y logrando que los recursos se repartan de manera más eficiente, al menos, la mayoría de las veces.

A pesar de parecer ortogonales, estos dos conceptos pueden funcionar juntos. Piense, por ejemplo, en cómo el aprendizaje automático puede aprovechar los datos de sostenibilidad para avanzar hacia los objetivos de sostenibilidad. Imagine utilizar en tiempo real los datos de emisiones de CO2 para saber más y poder ajustar los cupos de los coches convencionales que pueden conducir por el centro de una ciudad como Madrid o Barcelona. Este ejemplo y muchos más han demostrado que puede valer la pena plantearse utilizar el aprendizaje automático para alcanzar objetivos sostenibles.

Centrémonos ahora en el caso de la movilidad eléctrica, como ejemplo de un ámbito donde el aprendizaje automático contribuye a la sostenibilidad y al desarrollo empresarial sostenible. El caso de la movilidad eléctrica es muy prometedor para el transporte, el desarrollo de ciudades inteligentes y
la reducción de la huella de carbono.

 

El caso de la movilidad eléctrica

La movilidad eléctrica ha sido caracterizada por los gobiernos y los responsables políticos como una de las soluciones más prometedoras frente al reto social de la sostenibilidad. Los automóviles eléctricos reducen la huella de carbono de las ciudades, dado que no queman gasolina, algo que produce mucha contaminación (como el CO2 y NOx), sino que los impulsa la electricidad. Actualmente, los vehículos de transporte con motores convencionales de combustión interna son los responsables de, aproximadamente, un 28% de las emisiones de gases de efecto invernadero en EE. UU.4 y del 24% a nivel global5. Por lo tanto, los gobiernos y los responsables políticos tienen motivos de peso para promover la adopción a gran escala de los vehículos eléctricos.

Además de su atractivo medioambiental, los coches eléctricos se han convertido en vehículos muy elegantes y eficientes, y están dotados de la última tecnología. Por poner un ejemplo, Tesla fue, a mediados de 2020, el fabricante de automóviles más cotizado en bolsa, cosa que indica la importancia de la movilidad eléctrica entre los fabricantes de automóviles. De hecho, en este momento, cada vez más fabricantes están integrando los coches eléctricos en sus carteras de productos para preservar su relevancia para los clientes.

Por otro lado, los clientes disfrutan de subsidios gubernamentales u otros incentivos económicos para pasarse al coche eléctrico. Estas dos fuerzas casi paralelas (los incentivos gubernamentales y la voluntad de adopción de los clientes) tienen como resultado un número creciente de automóviles eléctricos circulando por las ciudades de Europa, Estados Unidos y Asia.

Según Statista, la tendencia de la adopción de los vehículos eléctricos es de crecimiento exponencial, con 4,8 millones de vehículos eléctricos de batería en uso a nivel mundial en 20196, siendo China, Noruega y California algunos de los pioneros en esta adopción a gran escala de la movilidad eléctrica.

Es evidente que la movilidad eléctrica ha llegado para quedarse, transformando constantemente nuestras
ciudades inteligentes y nuestra percepción de la movilidad.

 

Movilidad eléctrica: los retos sociales y empresariales

La introducción a gran escala de la movilidad eléctrica tiene un precio, especialmente si consideramos el diseño actual de las redes eléctricas, la cadena de suministro de electricidad y el desarrollo urbano. Los desafíos que plantea la movilidad eléctrica son numerosos. En este artículo se examinan los más importantes, junto con las soluciones eficientes que ofrece el aprendizaje automático.

Desafío 1. Si los coches eléctricos no se cargan con energía renovable, es posible que no aporten los beneficios de reducción de CO2 prometidos. Podrían, por el contrario, trasladar parte de la huella de carbono del centro de la ciudad, donde normalmente circulan los vehículos, a los lugares donde se produce la electricidad.

Desafío 2. Los coches eléctricos utilizan la “carga rápida” para resultar más atractivos para los clientes impacientes que quieren que su batería se cargue deprisa. Sin embargo, las estaciones de carga rápida crean picos de demanda de electricidad muy altos en la red, ya que consumen volúmenes importantes de electricidad en intervalos de tiempo muy breves. Esto puede amenazar la estabilidad y la fiabilidad operativa de la red eléctrica, ya que los grandes picos de demanda pueden provocar costosos apagones. Además, la carga de vehículos eléctricos puede ocurrir a diferentes ritmos (también conocidos como “niveles de carga” o “velocidades de carga”), y los proveedores de electricidad deben poder fijar el precio de estos diferentes niveles en función de su valor real para el cliente y para la red. Esto último ha resultado ser una tarea compleja, y la mayoría de los proveedores establecen estos precios sin lograr los máximos beneficios.

Desafío 3. Los propietarios de vehículos eléctricos se ven desbordados por un exceso de información a la hora de decidir cuándo y cuánto cargar su vehículo para ahorrar al máximo sin afectar a su comodidad. Como resultado de esta sobrecarga de información, pueden acabar rechazando los coches eléctricos y pasarse a un coche convencional con motor de combustión interna, cosa que sería desastrosa para la sostenibilidad medioambiental.

Todos ellos son nuevos retos vinculados con la movilidad, para los que el aprendizaje automático puede ofrecer soluciones novedosas y eficientes, posicionándose como un instrumento clave para lograr una movilidad eléctrica sostenible. Analizamos algunas de estas soluciones a continuación.

 

1. Primer desafío: carga de vehículos eléctricos ecológicos asistida por aprendizaje automático

En primer lugar, si los coches eléctricos se cargan con electricidad producida por fuentes de energía convencionales, como, por ejemplo, las centrales eléctricas que queman carbón, situadas en las afueras de una ciudad, entonces no estaremos obteniendo la tan necesaria mitigación de la huella de carbono. En este caso, las emisiones que normalmente producirían los automóviles al circular, ahora se trasladarían a las centrales eléctricas, que necesitarían producir electricidad suficiente para cubrir la demanda de carga de los coches eléctricos. Esto, en la práctica, significa trasladar las emisiones de CO2 desde el centro de una ciudad a las áreas de la periferia urbana donde se ubican las centrales eléctricas. Por lo tanto, una solución así no promueve la sostenibilidad.

Por todo esto, a los stakeholders gubernamentales, así como a los diseñadores urbanos, les interesa una movilidad eléctrica que no traslade la huella de carbono indeseable a otra zona de la ciudad (donde esté la central eléctrica), y aspiran a introducir la movilidad eléctrica como un medio para reducir la huella de carbono. Esto último solo puede suceder si los vehículos eléctricos se cargan con electricidad procedente de fuentes renovables (por ejemplo, energía solar o eólica). En este caso, los coches eléctricos podrían cargar sus baterías con energía renovable, cosa que, combinada con sus motores eficientes y de emisión cero, puede contribuir a mejorar la huella de carbono de la sociedad. Noruega está abriendo el camino para una estrategia así, ya que es uno de los “paladines” de la movilidad eléctrica tanto en Europa como a nivel mundial, y utiliza principalmente energía hidroeléctrica para cargar los vehículos eléctricos. De esta manera, Noruega está logrando una importante reducción en sus emisiones de CO27, evitando desplazar la producción de emisiones de CO2 de un lugar a otro.

En el ejemplo de Noruega, la carga “verde” de los vehículos eléctricos no fue un reto muy difícil de resolver, ya que este país depende principalmente de la energía hidráulica para producir electricidad. En otros países europeos, como, por ejemplo, España, donde la energía solar es abundante, las restricciones temporales de la producción solar pueden ser un impedimento insuperable a la hora de aplicar esa estrategia de carga “verde”. Específicamente, la energía solar tiende a no ser producida con el mismo volumen durante todas las horas del día. Se produce en grandes cantidades al mediodía cuando brilla el sol y, en cambio, no hay producción de electricidad durante la noche. Esto es casi lo opuesto de los horarios de carga de los propietarios de vehículos eléctricos: en general, los conductores cargan sus coches durante la noche, cuando están de vuelta en casa y el coche está estacionado. Así pues, la electricidad producida durante el día podría no utilizarse y quedar desperdiciada, a no ser que se disponga de un sistema de almacenamiento. Y aquí es donde puede intervenir el aprendizaje automático.

Los algoritmos de aprendizaje automático pueden ofrecer un pronóstico preciso de la producción de energía solar, partiendo de la meteorología, el historial de producción y muchos otros datos disponibles para elaborar una predicción. De esta manera, los operadores de la red eléctrica sabrán cuánta energía solar va a ser producida en cada momento y en cada lugar. Esta es una información valiosa, porque usándola se pueden ofrecer incentivos (como precios reducidos) a los propietarios de vehículos eléctricos para que carguen en los momentos y lugares donde hay abundante producción solar. Hemos diseñado un algoritmo de este tipo8, y hemos demostrado que incluso en un escenario invernal donde haya mucha menos producción solar, como resultado de dicha carga “verde” habrá un aumento significativo en el uso de las energías renovables y, en consecuencia, una reducción de la huella de carbono.

 

2. Segundo desafío: reducción de los picos de demanda ajustando los precios a través del aprendizaje automático

Otro desafío que plantea la movilidad eléctrica a gran escala son los picos extremos de demanda, que pueden ser provocados por la carga simultánea de muchos vehículos eléctricos. Las redes eléctricas actuales están diseñadas para satisfacer las necesidades de los clientes, incluyendo principalmente el consumo de electricidad de los hogares. Por lo tanto, la capacidad de la red está diseñada para cubrir el consumo de los electrodomésticos (al menos en lo que se refiere a la red de baja tensión). Si a este consumo doméstico le sumamos la demanda de electricidad correspondiente a la carga de vehículos eléctricos, la demanda resultante puede ser altísima, potencialmente alcanzando niveles peligrosos para la red. Por ejemplo, la mayoría de los propietarios de vehículos eléctricos cargan sus automóviles en horario vespertino, cuando regresan a casa. Este horario coincide con la máxima demanda de los hogares debido a la cocina, limpieza, etc. Así pues, cargar la mayoría de los vehículos eléctricos al atardecer puede generar una demanda muy importante para las redes eléctricas. Si las redes no pueden manejar esta demanda adicional correspondiente a los vehículos eléctricos, es probable que se den apagones debido a un exceso de demanda que no puede ser atendida.

Para abordar este desafío, los operadores de redes inteligentes pueden expandir la infraestructura de la red, pero esto requiere consumir recursos naturales adicionales (por ejemplo, cobre), lo que lo hace muy insostenible, costoso y, en consecuencia, generalmente indeseable. Otra solución más sostenible sería incentivar a los clientes que carguen en momentos en los que no haya tanta demanda, cuando la generación de electricidad sea mayor que el consumo. En esos intervalos de tiempo es deseable consumir electricidad que de otro modo se perdería. Para lograr este diseño adecuado de incentivos para el cliente, los operadores de la red pueden recurrir al aprendizaje automático para ajustar los precios, adaptándose a la población de propietarios de vehículos eléctricos y ofreciendo incentivos a quien cargue cuando la demanda es baja, y no ofreciéndolos si la demanda es alta. De esta manera, solo los propietarios de vehículos eléctricos que realmente necesiten cargar durante los períodos de máxima demanda estarán dispuestos a pagar un precio alto por cargar su automóvil.

En esta solución, la parte más complicada es descubrir cómo reaccionarán a los precios los propietarios de vehículos eléctricos, ya que se trata de información privada, que cambia con el tiempo y que puede ser difícil de obtener. Es decir, independientemente de los precios que se ofrezcan a los clientes, puede ser que opten por cargar sus coches en un momento dado, simplemente, porque quieren tener la batería de su vehículo eléctrico cargada. En cambio, en otras poblaciones, los clientes tal vez sean muy sensibles a los precios y reaccionen de inmediato ante cualquier cambio en las tarifas. Por lo tanto, es fundamental comprender cómo reaccionan los clientes antes de diseñar cualquier sistema de incentivos. Utilizando el aprendizaje automático, hemos diseñado un algoritmo para esto9, donde averiguamos la reacción de los propietarios de vehículos eléctricos a los distintos precios de la electricidad y los adaptamos para alcanzar nuestros objetivos de reducción de picos. Hemos visto que dicho método puede ser útil tanto en escenarios de generación convencional como renovable, ofreciendo un rendimiento superior al de todas las estrategias convencionales que se usan para fijar precios.

Una solución de este tipo puede ser útil para quienes gestionan la red eléctrica (operadores, etc.), porque les permite modificar la demanda generada por la carga de vehículos eléctricos. Esto último es de inmensa importancia para un funcionamiento fiable de la red. Un apagón puede conllevar costes económicos astronómicos; por ejemplo, el National Lawrence Laboratory, en EE. UU., ha calculado que un apagón de dos días del suministro de PG&E puede costarles 2.600 millones de dólares10. Por tanto, la prevención de tales incidencias conlleva importantes ahorros.

Más importante aún, las compañías eléctricas se enfrentarán al reto de suministrar electricidad a sus clientes que son propietarios de vehículos eléctricos. Es de recibo que, si todos ellos cargan sus vehículos a la vez con la carga rápida, la capacidad de generación de la compañía eléctrica podría no ser suficiente para cubrir esa demanda. Por lo tanto, la compañía eléctrica podría tener que recurrir a costosos “mercados de reserva” (mercados donde se vende electricidad para cubrir necesidades de última hora) para adquirir electricidad para cubrir esta demanda adicional y satisfacer a sus clientes. Esta decisión puede ser muy costosa, ya que estos mercados tienden a ser el último recurso de los proveedores de electricidad en su búsqueda por adquirir electricidad para sus clientes y, en consecuencia, resultan muy caros. Así pues, recurriendo a un sistema de precios fijados con ayuda del aprendizaje automático, las compañías eléctricas pueden desincentivar a los propietarios de vehículos eléctricos para que no carguen en períodos de alta demanda, y ahorrarles a las compañías eléctricas el problema y el coste de recurrir a los carísimos mercados de última hora.

Finalmente, las compañías eléctricas se enfrentan actualmente al desafío de decidir cuánto deberían costar los distintos niveles de carga. Al hablar de niveles de carga, nos referimos a las diferentes “velocidades de carga” a las que el propietario de un vehículo eléctrico puede cargar su automóvil. Intuitivamente, los niveles de carga más altos permiten a los propietarios de vehículos eléctricos cargar sus baterías más rápido. Sin embargo, los niveles de carga más altos pueden ser más peligrosos para la red y las compañías eléctricas, dado que los niveles de carga más altos (como la “carga rápida”) consumen mucha electricidad en un período de tiempo muy breve. Por lo tanto, es necesario que exista una manera de asignarles un precio a estos servicios (velocidades de carga) de manera diferenciada, de modo que los propietarios de vehículos eléctricos no utilicen la carga rápida cuando no sea necesaria. Una vez más, los diferentes tipos de aprendizaje automático pueden ayudar a comprender el valor de los diferentes niveles de carga para las redes y para los propietarios de vehículos eléctricos, proponiendo precios que serán aceptables tanto para los gestores de la red como para los clientes, beneficiando a ambas partes. Hemos creado algoritmos para esto, y hemos visto que, con estas estrategias, las compañías eléctricas pueden fijar el precio de los diferentes niveles de carga de manera adecuada, a la vez que los propietarios de vehículos eléctricos aceptan dichos precios y se comportan de la manera deseada11. Además, hemos puesto a prueba este algoritmo en un experimento en el mundo real, y descubrimos que el algoritmo propuesto generó ahorros en los costes de electricidad para los clientes y aportó estabilidad a la red.

 

3. Tercer desafío: la carga inteligente y el aprendizaje de preferencias

Cuando se habla de la movilidad eléctrica, los gestores de la red y los proveedores de electricidad se enfrentan a numerosos desafíos, pero también los propietarios de vehículos eléctricos. Concretamente, ¿cuándo cargar?, ¿cuánto cargar?, ¿cuál es el mejor momento para cargar sin pagar de más?, ¿cuánto se debe cargar para poder hacer un viaje largo?, ¿cómo cargar la batería con energía más renovable? Todas estas son preguntas a las que se enfrentan los propietarios de vehículos eléctricos, y están obligados a contestarlas en tiempo real. Sin embargo, los propietarios suelen ser personas atareadas con muy poco tiempo disponible para buscar respuestas a estas preguntas. Además de sus apretadas agendas, también reciben mucha información acerca de cómo los precios de la electricidad pueden cambiar con el tiempo (por ejemplo, por la noche). Todo ello se traduce en una sobrecarga cognitiva que les lleva a tomar decisiones basándose en la intuición, en vez de analizar todas las opciones disponibles. Al final, ellos quieren el coche para desplazarse, no para resolver acertijos financieros…

Cuando se trata de cargar el automóvil, esta estrategia basada en la intuición podría resultar problemática por dos motivos:

En primer lugar, los clientes no seleccionan los precios más beneficiosos para ellos y, por lo tanto, no disfrutan de ciertos beneficios económicos. Esto puede convertirlos muy rápidamente en clientes bastante descontentos.

En segundo lugar, la sobrecarga de información respecto a la planificación de la carga del vehículo eléctrico puede ser un obstáculo de cara a comprar un automóvil eléctrico. Esto último puede aumentar la resistencia a la adopción de la movilidad eléctrica.

Por lo tanto, es importante que los propietarios de vehículos eléctricos reciban ayuda en sus decisiones de carga. Y, una vez más, el aprendizaje automático puede ayudar a ofrecer dicha ayuda.

La carga inteligente es el concepto de proporcionar ayuda a los propietarios de vehículos eléctricos utilizando inteligencia tecnológica a la hora de cargar. Por ejemplo, se puede instalar un algoritmo de carga inteligente en el controlador del vehículo y recopilar las preferencias de conducción del usuario (con su consentimiento). Supongamos que el usuario inicia un recorrido de unos 10 km de promedio todos los lunes a las 9 de la mañana. El algoritmo de carga inteligente puede sugerir cargar el automóvil para que, el lunes a esa hora, la batería del automóvil tenga suficiente electricidad para conducir una distancia de 10 km como mínimo.

Igualmente, el algoritmo de carga inteligente puede aprender progresivamente cuándo el usuario puede cargar y combinar esta información con los precios de la electricidad disponibles. De esta manera, el algoritmo puede ayudar al propietario a programar su carga durante los períodos adecuados para él y con los precios más bajos.

Otro ejemplo podría ser que el algoritmo de carga inteligente encuentre las estaciones de carga que están cerca del usuario. Dada la inteligencia de dicho algoritmo, se puede combinar más información del usuario para ofrecer recomendaciones de carga que serán beneficiosas para él o ella.

Ampliando esta lógica, combinamos un algoritmo de carga inteligente con un hogar inteligente, intentando almacenar electricidad en la batería del automóvil para usarla para cubrir el consumo doméstico cuando hubiera excedente (vehículo-a-red)12. Vimos que aquí los beneficios son mayores, porque el cliente disfruta, además, de las sugerencias personalizadas y de ahorros en su factura de la luz, como consecuencia de su uso de energía almacenada para cubrir las necesidades del hogar.

 

Mirando hacia el futuro: nuevos modelos de negocio basados en el análisis de datos

Además de afrontar los desafíos existentes, la combinación del aprendizaje automático y la movilidad eléctrica puede dar lugar a nuevos modelos de negocio y crear nuevos actores en el panorama de la movilidad. Por ejemplo, los propietarios de flotas de vehículos eléctricos pueden ahora utilizar el aprendizaje automático para ver cuándo no se utilizan las baterías de los vehículos eléctricos de la flota o cuándo hay un excedente de electricidad, y se puede obtener un beneficio vendiéndola en los distintos mercados. Este modelo de negocio13 expone las condiciones bajo las cuales resulta rentable para un propietario de una flota de vehículos eléctricos recurrir a dicha estrategia.

No obstante, las decisiones en problemas de este tipo pueden estar interconectadas y pueden entrar en conflicto. Por ejemplo, si el propietario de la flota es una empresa de alquiler de automóviles que posee vehículos eléctricos, tendrá que optar entre alquilar los automóviles o usar su batería para comercializar esa electricidad. Esta decisión pasa, principalmente, por predecir de forma precisa la demanda de alquiler de coches en esa ciudad, pero también por una previsión fiable de los precios en los diferentes mercados eléctricos. Así pues, el aprendizaje automático puede tener un valor real en este caso, ya que ofrece más información sobre la demanda y los precios a quien deba tomar esa decisión.

Y, por supuesto, a medida que la tecnología evoluciona y su adopción se hace más prevalente, surgirán más oportunidades de negocio en el campo de la movilidad eléctrica basadas en el aprendizaje automático y el Big Data.

 

Conclusiones

El aprendizaje automático y la sostenibilidad parecen ser dos conceptos muy diferentes, con objetivos ortogonales y que tal vez no tengan nada en común. Sin embargo, cuando se trata de la movilidad eléctrica, el aprendizaje automático puede convertirse en uno de los aliados más importantes de la sostenibilidad.

En primer lugar, el aprendizaje automático puede ayudarnos a cargar los vehículos eléctricos usando energías renovables, haciendo que la movilidad eléctrica sea realmente “verde”. Esto está alineado con el objetivo de desarrollo sostenible número 11: Ciudades y comunidades sostenibles.

En segundo lugar, el aprendizaje automático puede facilitar un mejor encaje entre el consumo de electricidad y el suministro de las energías renovables, contribuyendo nuevamente a acercarnos a las “ciudades y comunidades sostenibles”.

Además, el aprendizaje automático puede ayudar a mitigar la necesidad de expandir la infraestructura para cubrir las necesidades de la demanda de electricidad. Contribuye a hacer un mejor uso de la infraestructura de la red actual, ahorrando recursos naturales y generando ahorro económico.

Esta tecnología también puede ayudar a los propietarios de vehículos eléctricos a tomar mejores decisiones acerca de cuándo cargar sus automóviles mediante algoritmos de carga inteligentes. De esta forma, pueden disfrutar de beneficios económicos, así como de la facilidad de uso y carga de su coche eléctrico, algo importante para incentivar la adopción de la movilidad eléctrica en nuestras ciudades.

Asimismo, el aprendizaje automático, combinado con la movilidad eléctrica, puede crear nuevos modelos de negocio para los distintos stakeholders, como los propietarios de flotas de automóviles, que así también pueden convertirse en comerciantes de electricidad y obtener beneficios adicionales.

Todo esto puede ayudarnos a darnos cuenta de que el potencial de la tecnología que emplea la inteligencia algorítmica va más allá de los dominios tradicionales. Todos los días vemos ejemplos de nuevos sectores que se ven sometidos a una disrupción por la adopción del aprendizaje automático. Como hemos visto aquí en el caso de la movilidad eléctrica, la innovación tecnológica, como el aprendizaje automático, puede ser un factor clave para hacer posibles modelos de negocio nuevos, pero también sostenibles.

 
 
Referencias
1. El aprendizaje automático abarca los algoritmos que mejoran automáticamente con la experiencia, con el fin de resolver un problema claramente especificado. Para saber más: Mitchell, T. M. The discipline of machine learning (vol. 9). Pittsburgh: Carnegie Mellon University, School of Computer Science, Machine Learning Department, 2006.
2. Thomson, A. “DeepMind Breakthrough Helps to Solve How Diseases Invade Cells”. Bloomberg, www.bloomberg.com, 30 de noviembre de 2020.

DeepMind. “AlphaFold: a solution to a 50-year-old grand challenge in biology”, www.deepmind.com, 30 de noviembre de 2020.
3. Kleindorfer, P. R., Singhal, K. y Wassenhove, L. N. “Sustainable operations management”. Production and Operations Management, 14 (4), 2005.
4. EPA. United States Environmental Protection Agency. “Sources of Greenhouse Gas Emissions”, www.epa.gov.
5. Ritchie, H. “Cars, planes, trains: where do CO2 emissions from transport come from?”. Our World in Data, https://ourworldindata.org, 6 de octubre de 2020.
6. Wagner, I. “Worldwide number of battery electric vehicles in use from 2012 to 2019”. Statista, www.statista.com, 25 de junio de 2020.
7. Henley, J. y Ulven, E. “Norway and the A-ha moment that made electric cars the answer”. The Guardian, www.theguardian.com, 19 de abril de 2020.
8. Valogianni, K., Ketter, W., Collins, J. y Zhdanov, D. “Sustainable electric vehicle charging: A data-driven approach”. En el 25th Annual Workshop on Information Technologies and Systems, WITS 2015.
9. Valogianni, K., Ketter, W., Collins, J. y Zhdanov, D. “Sustainable Electric Vehicle Charging using Adaptive Pricing”. Production and Operations Management, 29 (6), 2020.
10. Baker, R. y Chediak, M. Bloomberg News. “Massive California Blackout Could Prevent Fires but at Big Cost”. Transport Topics, www.ttnews.com, 9 de octubre de 2019.
11. Valogianni, K., Ketter, W. y Collins, J. “A multiagent approach to variable-rate electric vehicle charging coordination”. En Proceedings of the 2015 International Conference on Autonomous Agents and Multiagent Systems, 2015.

Valogianni, K., Ketter, W., Collins, J. y Adomavicius, G. “Heterogeneous Electric Vehicle Charging Coordination: A Variable Charging Speed Approach”. En
Proceedings of the 52nd Hawaii International Conference on System Sciences (HICSS 2019). Maui, 2019.
12. Valogianni, K., Ketter, W., Collins, J. y Zhdanov, D. “Enabling Sustainable Smart Homes: An Intelligent Agent Approach”. En Proceedings of the International Conference on Information Systems (ICIS 2014). Auckland, Nueva Zelanda, Association for Information Systems (AIS), 2014.
13. Kahlen, M., Valogianni, K., Ketter, W. y Van Dalen, J. “A profitable business model for electric vehicle fleet owners”. En 2012 International Conference on Smart Grid Technology, Economics and Policies (SG-TEP), IEEE, 2012.

Konstantina Valogianni

Profesora de Sistemas y Tecnologías de la Información en IE Business School ·

expand_less