IA EXPLICABLE (eXplainable AI – XAI) PARA SERIES TEMPORALES EN SISTEMAS ELÉCTRICOS Rehana: El concepto de «explicabilidad» en sí mismo es una cuestión fundamental. Si bien se pueden utilizar métricas de evaluación para valorar el rendimiento de los sistemas de IA comparando las predicciones con la verdad de referencia, la explicabilidad aún carece de una definición universal. Esta es la base del campo de investigación de la XAI. Los diversos enfoques metodológicos constituyen otro reto clave. Los datos abarcan desde mediciones de campo hasta simulaciones y referencias públicas, con resolución y volumen de series temporales variables. Los pasos de preprocesamiento se describen de forma inconsistente, y se combinan diferentes modelos base con distintos métodos de explicabilidad. Además, la investigación en XAI se enfrenta a una laguna crítica: la falta de una evaluación centrada en el usuario. Pocos estudios evalúan el poder explicativo basándose en los comentarios de las partes interesadas, como operadores, ingenieros o reguladores de redes eléctricas. Estos factores combinados dificultan la comparación de los métodos de XAI y la evaluación de su valor en el mundo real. Rehana: La revisión reveló que, desde 2020, se ha producido un fuerte aumento de la investigación sobre XAI para series temporales en el sector energético. Un corpus sustancial de investigación tiene como objetivo identificar e interpretar características importantes, utilizando explicaciones aditivas de Shapley (SHapley Additive exPlanations – SHAP) y mecanismos de atención. Veamos cómo funciona el algoritmo SHAP. Imaginemos que tenemos una red neuronal que pronostica la carga con un día de antelación para una gran zona urbana utilizando datos de series temporales de temperatura, humedad, información del calendario y generación fotovoltaica (PV). El modelo nos ofrece un pronóstico de alta carga para las 18:00 horas de mañana. Con SHAP, podemos descomponer esta predicción singular en sus componentes: cuánto de ese pico previsto se explica por las siguientes variables: › Temperaturas inusualmente altas › Es un día laborable en lugar de un domingo › Baja producción fotovoltaica durante esa hora › Acontecimientos únicos, como un día festivo Podemos visualizar esto como un gráfico de barras o un gráfico alineado en el tiempo, tal y como hacemos cuando examinamos los diferentes componentes con una descomposición de la carga. SHAP tiene sus raíces en la teoría de juegos y ofrece un análisis sobre la importancia de las características y las interacciones entre variables. Sin embargo, la conclusión clave para los profesionales es que indica «en qué medida cada dato hizo que la previsión aumentara o disminuyera» en un intervalo de tiempo determinado. La desventaja es que SHAP a menudo necesita ejecutar el modelo en segundo plano varias veces, lo que puede suponer un gran coste computacional, especialmente en el caso de series temporales largas o modelos de gran tamaño. Bertram: ¿Qué tendencias principales ha observado? 32
RkJQdWJsaXNoZXIy NTkxNzY=