¿Puede un edificio aprender a autoregular su temperatura de forma inteligente, reduciendo
el consumo energético sin comprometer el confort?
En esta charla exploraremos cómo aplicar Deep Reinforcement Learning (DRL), una
técnica de inteligencia artificial que combina redes neuronales profundas con aprendizaje por
refuerzo para tomar decisiones óptimas mediante prueba y error en entornos complejos. Para
lograrlo, a través de un caso real de investigación y transferencia tecnológica desarrollado entre
Georg Fischer Building Flow Solutions y la Universidad de Granada.
Utilizando la herramienta open-source Sinergym, basada en Python y acoplada al simulador
EnergyPlus, mostraremos cómo entrenar agentes inteligentes que aprendan políticas de
climatización sostenibles. Pero vamos más allá del modelo: enseñamos la arquitectura completa
que permite lanzar experimentos en paralelo, evaluar resultados y desplegar automáticamente los
mejores modelos en producción mediante CI/CD.
Mostramos no solo cómo funciona este enfoque, sino también como puede integrarse de
forma práctica en sistemas reales, abriendo la puerta a edificios más sostenibles e inteligentes.
Aprenderás:
• Cómo diseñar recompensas multiobjetivo que equilibran confort térmico y eficiencia
energética.
• Qué retos plantea entrenar agentes estables y generalizables en ambientes complejos.
• Cómo llevar un modelo desde la simulación hasta su integración en edificios reales, con
todas las consideraciones de latencia, fallos y datos ruidosos.
Una charla pensada para quienes quieren llevar la IA aplicada a sostenibilidad un paso más allá:
desde el laboratorio hasta el mundo real.