Mitos y realidades de la GeoAI: la inteligencia artificial aplicada a la tecnología geoespacial
Sus aplicaciones son múltiples y su uso supondrá una ventaja competitiva fundamental para las compañías a la hora de desarrollar su actividad, pero también para el sector público
El avance de la inteligencia artificial ha sumido a la sociedad en una vorágine de cambios que, en muchos casos, suponen preocupación sobre su impacto en el empleo, la privacidad o la seguridad. Sin embargo, la IA también ofrece un potencial significativo para el progreso y el bienestar humano, y su irrupción ha permitido optimizar procesos, ser más competitivos y lograr avances que de otra manera no hubiese sido posible conseguir.
La convergencia entre la IA y la inteligencia de localización ha dado lugar a una tecnología revolucionaria: la inteligencia artificial geoespacial o GeoAI, por sus siglas en inglés, pero, ¿qué es exactamente GeoAI y qué tiene de revolucionario?
GeoAI fusiona la IA con datos geoespaciales, ciencia y tecnología para acelerar los flujos de trabajo, descubrir información valiosa y resolver problemas espaciales. Además, posee la capacidad de monitorizar y analizar eventos rápidamente. De esta forma, permite a los usuarios luchar contra la incertidumbre y tomar decisiones informadas más rápido de lo que lo hacían antes.
Sin embargo, esto no es todo, ya que también se vale del aprendizaje automático para analizar datos y resolver problemas espaciales utilizando técnicas de clasificación, agrupamiento, predicción y previsión. Asimismo, emplea el aprendizaje profundo para generar datos espaciales enriquecidos mediante la automatización de la extracción, clasificación y detección de información geoespacial de imágenes, videos, nubes de puntos y texto, lo que permite hacer predicciones y pronósticos.
Debido a las ventajas que aporta, esta solución ha aterrizado en muchas organizaciones y les ha permitido modernizar sus operaciones, tomar decisiones basadas en datos y llevar a cabo medidas proactivas que abordan los desafíos y oportunidades en el dominio espacial, pero ¿qué aplicaciones tiene sobre el terreno?
Realizar el mantenimiento de infraestructuras básicas como las carreteras, por ejemplo, presenta numerosos desafíos para los departamentos de transporte. Las redes de carreteras son vastas, y las grietas y defectos deben detectarse rápidamente. Los métodos tradicionales de inspección manual requieren mucha mano de obra y pueden no identificar las áreas que necesitan reparaciones críticas.
En este contexto, GeoAI permite automatizar la detección de grietas en las vías y posibilita a los departamentos de transporte centrar sus esfuerzos en realizar análisis en puntos clave. Con esta información a mano, la Administración puede promulgar planes de mantenimiento eficientes y proactivos para asegurar el buen estado de las carreteras.
Otro ejemplo. Después de un huracán, los gobiernos locales y las organizaciones de ayuda deben evaluar los daños causados a las estructuras de los edificios en las zonas más afectadas. Realizar evaluaciones de daños rápidamente, justo después de un desastre natural, permite acelerar los esfuerzos de recuperación y reconstrucción.
Estas organizaciones pueden tomar imágenes históricas de un área y usarlas para entrenar un modelo de aprendizaje profundo personalizado que puede identificar de forma rápida y segura edificios dañados y otras características de interés.
Para desarrollar un modelo de aprendizaje profundo personalizado que detecte el alcance de los daños después de un huracán, el equipo de SIG, sistemas de información geográfica, de una organización de ayuda en casos de desastre puede comenzar tomando un archivo de datos de imágenes históricas que muestren el área después de varios desastres naturales. A continuación, se puede entrenar un modelo de aprendizaje profundo personalizado utilizando estas imágenes para aprender a identificar edificios dañados y otras características importantes.
De este modo, cuando se produzcan desastres naturales en el futuro, el equipo puede aplicar este modelo a nuevas imágenes para extraer automáticamente las entidades dañadas. Esto hace que sea más fácil para los equipos de emergencia asignar recursos.
Una vez que el modelo identifica y mapea las estructuras que han sido dañadas por el desastre, el equipo puede cargarlas en flujos de trabajo de aprendizaje automático. A partir de ahí, se puede realizar un análisis de conglomerados en los edificios dañados para identificar las zonas prioritarias para el alojamiento temporal. Además, también se puede emplear este modelo para estimar la cantidad de escombros generados y determinar el impacto acumulativo de la tormenta en las cuencas hidrográficas locales.
Al capitalizar los modelos de aprendizaje profundo, los servicios que antes realizaban, por ejemplo, 100 evaluaciones manuales por hora, gracias a GeoAI pueden completar cientos de miles de evaluaciones automatizadas en la misma cantidad de tiempo. Esto permite focalizar los recursos y sacar el mayor partido a los medios disponibles.
La inteligencia artificial geoespacial ha llegado para quedarse. Sus aplicaciones son múltiples y su uso supondrá una ventaja competitiva fundamental para las compañías a la hora de desarrollar su actividad, pero esto no se queda solo en sector privado, ya que las diferentes Administraciones Públicas han encontrado en GeoAI un nicho de oportunidades en infinidad de ámbitos. Esto se traduce en la toma de decisiones informadas en un menor tiempo, capacidad de pronóstico y predicción y la posibilidad de afrontar los problemas desde un enfoque holístico y 360º.
El siguiente paso en la aplicación de la IA a la geografía, serán los modelos de IA generativas que hagan uno de los grandes modelos de lenguaje (LLMs por sus siglas en inglés). Estos modelos, cada vez más potentes, rápidos y eficientes, podrán ser entrenados y ajustados (proceso conocido como fine-tunning) para entender conceptos geográficos y analítica espacial. A partir de una combinación de datos e imágenes, los modelos del futuro serán capaces de descubrir patrones y relaciones espaciales que hubieran pasado desapercibidas al analista humano.
Precisamente, ese enriquecimiento mutuo entre los modelos de IA y los analistas GIS será lo que marque el futuro de las tecnologías geoespaciales. Solo aquellas organizaciones que sepan explotar la combinación de ambas inteligencias podrán conseguir una mejora significativa en sus procesos de toma de decisiones.
Aitor Calero es gerente del Área de Tecnología e Innovación y CTO de Esri España
Sigue toda la información de Cinco Días en Facebook, X y Linkedin, o en nuestra newsletter Agenda de Cinco Días
