La Ingeniería Química es un área que produce y maneja gran cantidad de datos. Como ingeniero, recolectas y analizas datos para comprender patrones de flujo, para desarrollar modelos empíricos, para diseñar y optimizar reacciones químicas y hasta para monitorear y controlar procesos químicos. En la medida que el área se desarrolla, los datos que produces se vuelven más complejos y difíciles de manejar.

Por lo mismo, siempre ha sido un área idónea para el uso de tecnologías computacionales que puedan ayudar a procesar esos datos. Sin embargo, la tecnología se tardó en desarrollar suficiente capacidad de procesamiento como para generar un cambio significativo. Hoy, sin embargo, la velocidad con que se procesan los datos ha aumentado vertiginosamente. Actualmente existen hardware y algoritmos capaces de generar modelos complejos de gran tamaño, correr simulaciones y entregar sistemas para acumular y manejar tus datos como nunca se ha hecho.

¿Qué son el data science y el machine learning?

El data science es un campo en el que se aplican principios científicos y técnicas analíticas avanzadas para extraer información a partir de datos y, con ella, poder tomar decisiones de negocio mejor informadas. Tiene que ver con el manejo, procesamiento y uso de datos científicos.

Machine learning, por otra parte, es el nombre que se le ha dado a la rama de la inteligencia artificial dedicada al desarrollo de máquinas capaces de aprender a partir de datos en lugar de a partir de programación directa. 

Para desarrollarte en el área de la ingeniería química, estas dos áreas del conocimiento resultan fundamentales. 

¿Qué utilidades tienen para la Ingeniería Química?

Por una parte, como señala David Beck, gracias a la proliferación de instrumentos de medición, la cantidad de datos de los que dispone un ingeniero en una planta química es abrumadora. El data science te permite administrar esos datos para extraer información importante.

Otra utilidad importante de estas herramientas es la capacidad de aproximar relaciones complejas y no lineales entre variables de input y de output, es decir, entre los datos que podemos recolectar de los procesos industriales y las decisiones que debemos tomar. La complejidad de trabajar con esas variables es un problema que afecta al rubro en diferentes facetas, como en la predicción de propiedades moleculares de ciertas estructuras o en la identificación y reconstrucción de patrones de flujo, aspectos que se analizan gracias al machine learning.

Más aún, algunos marcos de trabajo del machine learning, como el aprendizaje activo, pueden ser útiles para los procesos de toma de decisiones en la ingeniería química, incluyendo proyectos de diseño experimental iterativo, así como la optimización y control de procesos. El aprendizaje activo hace posible, a bajo costo, ampliar el rango de aplicación de diferentes experimentos científicos.

Por otro lado, la posibilidad de sustentarse en datos físicos puede aportar mucho a la capacidad de interpretar y aproximar del machine learning. Estos métodos se han vuelto cada vez más útiles, en la medida que los procesos de desarrollo de ingeniería química han comenzado a entregar datos más complejos, incluyendo imágenes de patrones de flujo de cámaras de alta velocidad o imágenes de estructuras moleculares de microscopios electrónicos, entre otros.

Estudia en UTEM

Entrando hoy a UTEM puedes hacerte parte de estos desafíos. Estudiando Ingeniería Química en la UTEM, puedes aprender sobre los procesos de transformación de la materia y ganar experiencia activa en laboratorios para poner la tecnología al servicio de la gestión, control y solución de los problemas del futuro.