The Predictive Company: “Usando IA podemos conseguir que un edificio ahorre un 20% de energía”

  • Esta 'start-up' utiliza la inteligencia artificial para analizar los consumos no residenciales. Han ganado el Premio BBVA a la Innovación en Sostenibilidad

  • Su CEO, Alonzo Romero, explica los orígenes de los proyectos, su investigación y los objetivos que tienen como empresa

El equipo de The Predictive Company, con Alonzo Romero a la izquierda.

El equipo de The Predictive Company, con Alonzo Romero a la izquierda.

Se lee en minutos
Víctor Fúser

-¿Qué supone para la evolución de la empresa haber ganado el Premio BBVA a la Innovación en Sostenibilidad?

El premio organizado por la FACC y BBVA es muy importante para nosotros por varios aspectos. En primer lugar, tiene un valor simbólico respecto al hecho de que vamos por el buen camino y no estamos solos, sino que hay instituciones que nos apoyan y comparten nuestros valores y apoyan nuestros objetivos. También tiene un valor respecto al reconocimiento, ya que otros expertos ven que nuestra solución tiene mucho potencial y es fácilmente escalable. Finalmente hay un claro valor monetario del premio, ya que para una start-up cada céntimo cuenta…

-Su proyecto busca soluciones al exceso de consumo energético y de recursos de los edificios no residenciales, empezando por algo básico: el análisis previo para definir los márgenes de mejora. ¿Cómo funciona?

Nuestra solución se puede aplicar oficinas, escuelas, universidades, centros comerciales… Lo que hacemos es utilizar datos para tomar decisiones más inteligentes; el personal gestor de los edificios o los propios usuarios no pueden analizar constantemente todas las variables internas y externas que influyen sobre el clima de un edificio, mientras que la inteligencia artificial puede hacerlo por nosotros.

Además, nuestro funcionamiento se basa en hacer una previsión de las necesidades del edificio; ya que solo previendo lo que va a pasar en el futuro puedes identificar el mejor camino para llegar a tu objetivo; y esto es justo lo que lo aplicamos a la gestión de las maquinarias de calor, frío y ventilación de edificios no residenciales.

La gran ventaja es que no necesitamos instalar ningún tipo de dispositivo, los datos que utilizamos son los que ya se utilizan para el funcionamiento de la maquinaria de clima que los edificios tienen, por lo que nuestra solución se encarga de explotar estos datos para extraer valor, y eso permite implementar nuestra solución sin ningún tipo de inversión o instalación inicial, y asumir el coste a través de ahorros obtenidos.

-¿Qué tipos de ahorros se pueden conseguir y en dónde suelen estar los principales excesos?

-Con nuestros proyectos estamos confirmando que cada edificio es un mundo, y según su maquinaria y uso específico, los ahorros pueden variar entre un 10% hasta más de un 40%. De media podemos decir que nos situamos en una reducción del 20% respecto los costes energéticos asociados al sistema de clima.

Uno de los habituales excesos de consumo energético es algo tan sencillo conceptualmente, pero al mismo tiempo tan complicado de ejecutar, como el encendido y apagado dinámico de las maquinarias en función de las necesidades. El ‘facility manager’ generalmente enciende y apaga siempre a la misma hora las maquinarias (dependiendo de la estación del año), mientras que cada día se podrían encender y apagar en momentos diferentes para ser más eficientes. Esta decisión se transmite en tiempo de maquinaria encendida y consumo en ‘standby ‘que puede ser ahorrados y, en consecuencia, una prolongación de la su vida útil ya que se usa solo cuando realmente es necesaria.

-Utilizan inteligencia artificial para hacer las predicciones. ¿Cómo lo logran?

-La tecnología se ha desarrollado en el centro de investigación MCIA de la Universidad Politècnica de Catalunya, liderado por Luis Romeral, uno de los co-fundadores, y los aspectos más innovadores son los conocimientos de ingeniería en sistemas y maquinaria. En este sentido, el uso de IA en nuestra solución está ligado al conocimiento específico de los sistemas de clima, y esto marca la diferencia en términos de interpretación de los datos, calidad de la predicción y, en la capacidad de poder incluso detectar fallos de las maquinarias en estados iniciales, otro valor añadido de nuestra solución.

Nuestra tecnología se basa en algoritmos de auto-aprendizaje, es decir, que aprenden y se adaptan al edificio de aplicación, su maquinaria y su uso, con el máximo grado de personalización en términos de predicción y toma de decisiones.

-A la hora de formar la empresa, ¿qué importancia tuvo el propósito medioambiental más allá del económico?

-Aunque pueda haber discrepancias (por suerte pocas en nuestro caso), entre la visión científica y la de ‘business’ durante la toma de decisiones en aspectos específicos sobre del proyecto, en este aspecto, el impacto medioambiental, coincidimos al 100%. Las ganas de tener un impacto positivo han sido y siguen siendo el factor motivador principal, valor compartido también por nuestro Venture Builder (Mobile World Capital), nuestra socia, la Universidad Politécnica de Cataluña, y los recién incorporados Pol Bassas y Laia Pinyol.

Noticias relacionadas

-¿Qué previsiones de crecimiento tienen a partir de ahora?

-Por un lado, seguimos en conversaciones con ESEs y empresas de Facility Management con las que crear alianzas estratégicas, a nivel internacional. Por el otro, nos han seleccionado recientemente en el proyecto EU4CITIES, una alianza entre grandes ciudades como Paris, Helsinki, Ámsterdam, etc.. para usar tecnologías basadas en IA para resolver sus retos ambientales. Esto nos ha abierto los ojos sobre el segmento de Smart Cities, sobre el número de ciudades a las que podemos ayudar a resolver sus desafíos y las dimensiones del impacto que podemos tener sobre la sociedad y el medioambiente.

Temas

BBVA