RETOS y RETO SEMANA (2-7/12)

[MOD-Georgina]

¡Buenas tardes a todos!

Soy Georgina, una de las moderadoras de este proyecto.

Espero que estéis avanzando notablemente en vuestras investigaciones. Para echaros una mano, cada semana subiré un reto relacionado con el tema que estamos tratando para que podáis inspiraros y profundizar en algunos ámbitos.

El reto de esta semana es...

¡Bienvenidos al reto 1!
Hoy nos adentraremos en un tema fascinante: los modelos de predicción multimodal para recursos renovables. Este tipo de modelos combinan diferentes enfoques para prever la generación de energía renovable, integrando datos y técnicas que permiten mejorar la precisión y adaptabilidad.

La pregunta principal de este reto es... ¿Qué tan efectivas son las redes neuronales profundas frente a los modelos híbridos (que combinan IA con simulaciones físicas) para prever recursos renovables variables, como la energía solar o eólica?

Una vez hayáis contestado esta pregunta, podéis contestar las que os dejo a continuación: (estas preguntas son optativas) *Podéis no responderlas o bien, responder la que os apetezca

1. ¿Cuál de los dos enfoques (redes neuronales profundas o modelos híbridos) puede adaptarse mejor a entornos cambiantes, como las fluctuaciones climáticas?
2. Si los datos históricos son limitados o incompletos, ¿cómo se puede diseñar un modelo eficiente?
3. ¿Los modelos híbridos podrían compensar estas limitaciones con simulaciones físicas?
4. Como bien sabéis, los patrones climáticos están cambiando debido al calentamiento global. ¿Qué tan bien podrían los modelos híbridos prever cambios futuros comparados con las redes neuronales profundas?

Muchas gracias,
Os deseo una buena semana,

Georgina

[Pilar-1863-0Don8R]

Buenos días,
Soy Pilar Solanas y esta es mi respuesta a la pregunta planteada para el reto de esta semana.


¿Qué tan efectivas son las redes neuronales profundas frente a los modelos híbridos (que combinan IA con simulaciones físicas) para prever recursos renovables variables, como la energía solar o eólica?

Para responder la pregunta principal hay que tener en cuenta diversos factores:

-Las redes neuronales profundas, también conocidas como "Deep Neural Network" (DNN), se basan en una cantidad limitada de datos, y por tanto, aunque pueden llegar a ser muy efectivas, pueden tener problemas de base o no tener en cuenta ciertas situaciones menos documentadas y  de las cuales hayan menos datos y la DNN no lo tenga en cuenta. En resumen, por falta de cantidad de datos o fiabilidad de los mismos puede llegar a conclusiones erróneas. También es verdad que tal automatización facilitaria muchos procesos y  la rapida gestión de datos a la que puede llegar una DNN.

-Los modelos híbridos (aquellos que usan la IA y simulaciones físicas) tienen una mayor interpretabilidad teniendo en cuenta la naturaleza y un mayor fundamento físico, es decir, incorpora de cierta forma datos que una DNN no tendría en cuenta. Pero también es verdad que consta de una mayor complejidad y, por tanto, una mayor dificultad de implementación, por no decir la facilidad que hay de cometer errores y que el más mínimo error puede hacer que nos dé resultados erróneos. Las simulaciones físicas pueden ser imprecisas y caras dependiendo de la calidad.


   En conclusión, la efectividad de las DNN es menor que la de un modelo híbrido, ya que las DNN no pueden tener en cuenta posibles catástrofes. Un modelo híbrido tiene menor precisión pero es funcional con datos limitados, gracias a los modelos físicos; más adaptativo a cambios climáticos por su fundamento físico; y tiene una mayor explicabilidad gracias a la física subyacente. Por lo tanto, aunque las redes neuronales profundas son muy efectivas, para la previsión de recursos variables es más efectivo usar los modelos híbridos por su fundamento y simulaciones físicas.


PREGUNTAS OPTATIVAS
1. ¿Cuál de los dos enfoques (redes neuronales profundas o modelos híbridos) puede adaptarse mejor a entornos cambiantes, como las fluctuaciones climáticas?
   El enfoque de un modelo híbrido podría adaptarse mejor a un entorno cambiante ya que, como se ha mencionado anteriormente, gracias a los fundamentos y simulaciones físicas puede reaccionar más fácilmente a fluctuaciones climáticas.

2. Si los datos históricos son limitados o incompletos, ¿cómo se puede diseñar un modelo eficiente?
   Usando un modelo híbrido, porque este con datos limitados puede ser funcional igual, gracias a los modelos físicos.

3. ¿Los modelos híbridos podrían compensar estas limitaciones con simulaciones físicas?
   Generalmente sí, lo que más dificultad podría llegar a suponer es la precisión de los mismos.

4. Como bien sabéis, los patrones climáticos están cambiando debido al calentamiento global. ¿Qué tan bien podrían los modelos híbridos prever cambios futuros comparados con las redes neuronales profundas?
        Serían mucho más efectivos con diferencia, ya que gracias a sus modelos físicos tiene una mayor adaptabilidad, mientras que las redes neuronales profundas solo pueden prever según sus datos, y por tanto serían menos efectivas debido a no contar  con datos  recientes y no poder hacer predicciones muy fiables.


   Fuentes usadas para llegar a tal conclusión:
-Botpress, https://botpress.com/es/blog/deep-neural-network
-Atlas Renewable Energy, https://es.atlasrenewableenergy.com/la-ia-y-su-impacto-en-las-energias-renovables/
-IEEE, https://ieeexplore.ieee.org/document/9276090

Gracias.

[Valentin-1895-0edA1X]

¿Qué tan efectivas son las redes neuronales profundas frente a los modelos híbridos (que combinan IA con simulaciones físicas) para prever recursos renovables variables, como la energía solar o eólica?:

Las redes neuronales (DNN) son capaces de aprender patrones complejos de datos, que nos podrían ayudar a tener una idea más clara sobre estos recursos, como también serían de gran utilidad para hacer predicciones basadas en datos históricos, como la velocidad del viento o el clima, además de poder trabajar con una gran cantidad de datos al mismo tiempo.
El problema de las DNN es que no especifican cómo llegaron a la conclusión de estas predicciones, además de ser costosas y necesitar una cantidad de datos muy grande, al contrario que los modelos híbridos, que no necesitan una cantidad tan extensa de datos, y generalizan mejor que las DNN pudiendo añadir más datos a lo largo del proceso, además de explicar las predicciones de estos fenómenos naturales, aunque hay que destacar que estos procesos son lentos y también costosos. Para que los modelos híbridos y la IA trabajen adecuadamente en equipo, se necesita un diseño muy cuidado.
En conclusión, las redes neuronales son más eficientes al tener una gran cantidad de datos complejos o tener la necesidad de saber cómo estos mismos fenómenos naturales pasaron en un momento histórico. Los modelos híbridos pueden llegar a ser más útiles en proyectos donde se pretende añadir más datos a lo largo de este, y se necesite una idea más generalizada de la información.

1. ¿Cuál de los dos enfoques (redes neuronales profundas o modelos híbridos) puede adaptarse mejor a entornos cambiantes, como las fluctuaciones climáticas?
-Los modelos híbridos se adaptan mejor a condiciones cambiantes o datos nuevos, pudiendo dar predicciones más estables y precisas aún con información nueva.