Google y AWS aprovechan el poder del aprendizaje automático para predecir inundaciones e incendios
¿Puede el aprendizaje automático de los gigantes tecnológicos ayudar al mundo a responder mejor a desastres ambientales como inundaciones repentinas e incendios forestales?
Esta es una ventana modal.
Inicio de la ventana de diálogo. Escape cancelará y cerrará la ventana.
Fin de la ventana de diálogo.
Esta es una ventana modal. Este modal se puede cerrar presionando la tecla Escape o activando el botón cerrar.
Esta es una ventana modal. Este modal se puede cerrar presionando la tecla Escape o activando el botón cerrar.
Google y Amazon Web Services (AWS) han destacado su trabajo respectivo en modelos de aprendizaje automático (ML) que pueden ayudar a las naciones a lidiar con las crisis ambientales que ocurren con creciente regularidad en todo el mundo.
Las empresas señalaron sus esfuerzos para abordar los efectos del cambio climático, como inundaciones e incendios forestales, cuando concluye esta semana la Conferencia de las Naciones Unidas sobre el Cambio Climático en el Reino Unido 2021 (COP26).
Inundaciones
Google ha publicado un artículo no revisado por pares sobre su sistema de pronóstico de inundaciones con modelos de aprendizaje automático que, según afirma, proporcionan "advertencias de inundaciones precisas en tiempo real a las agencias y al público, con un enfoque en inundaciones fluviales en ríos grandes y medidos". El artículo fue escrito por investigadores de Google Research y la Universidad Hebrea de Jerusalén en Israel.
VER: Un informe encuentra un sorprendente desinterés en el uso ético y responsable de la IA entre los líderes empresariales
La iniciativa de previsión de inundaciones de Google, lanzada en 2018, envía alertas a los teléfonos inteligentes de las personas en las zonas afectadas por las inundaciones. Es parte del programa Crisis Response de Google, que trabaja con trabajadores de primera línea y de emergencia para desarrollar tecnología.
Desde 2018, el programa se ha ampliado para cubrir gran parte de India y Bangladesh, abarcando un área poblada por unos 220 millones de personas. A partir de la temporada de monzones de 2021, esto se ha ampliado aún más hasta cubrir un área donde viven 360 millones de personas.
"Gracias a una mejor tecnología de predicción de inundaciones, enviamos más de 115 millones de alertas, eso es aproximadamente el triple de la cantidad que enviamos anteriormente", dice Yossi Matias, vicepresidente de ingeniería y respuesta a crisis de Google, en una publicación de blog.
Las alertas de Google no sólo indican cuántos centímetros crecerá un río. Gracias a sus nuevos modelos de aprendizaje automático que utilizan redes neuronales profundas de memoria a corto plazo (LTSM), ahora puede proporcionar "mapas de inundaciones" que muestran la extensión y profundidad de las inundaciones como una capa en Google Maps.
Los investigadores sostienen que "los modelos LSTM funcionaron mejor que los modelos conceptuales que fueron calibrados para registros de datos largos en cada cuenca".
"Si bien estudios anteriores proporcionaron resultados alentadores, es raro encontrar sistemas operativos reales con modelos ML como componentes principales que sean capaces de calcular advertencias de inundaciones oportunas y precisas", dijeron los investigadores de Google.
Incendios
Mientras tanto, AWS ha estado trabajando con AusNet, una empresa de energía con sede en Melbourne, Australia, para ayudar a mitigar los incendios forestales en la región.
AusNet tiene 54.000 kilómetros de líneas eléctricas que distribuyen energía a alrededor de 1,5 millones de hogares y empresas en Victoria. Se estima que el 62% de la red se encuentra en zonas de alto riesgo de incendios forestales.
AusNet ha estado utilizando automóviles equipados con cámaras LiDAR estilo Google Maps y aprendizaje automático Amazon SageMaker para mapear las áreas de vegetación del estado que deben podarse para frenar las amenazas de incendios forestales. Su sistema anterior se basaba en un SIG (Sistema de Información Geográfica) y utilizaba herramientas personalizadas para etiquetar puntos LiDAR.
AusNet trabajó con AWS para automatizar la clasificación de puntos LiDAR mediante el uso de modelos de aprendizaje profundo administrados, instancias de GPU y almacenamiento S3 de AWS.
AusNet y AWS crearon un modelo de segmentación semántica que clasificaba con precisión datos de nubes de puntos 3D para conductores, edificios, postes, vegetación y otras categorías, señala AWS en una publicación de blog.
VER: ¿Qué es la transformación digital? Todo lo que necesitas saber sobre cómo la tecnología está transformando los negocios
"El equipo pudo entrenar un modelo a una velocidad de 10,8 minutos por época en 17,2 GiB de datos sin comprimir en 1571 archivos por un total de aproximadamente 616 millones de puntos. A modo de inferencia, el equipo pudo procesar 33,6 GiB de datos sin comprimir en 15 archivos en total 1.200 millones de puntos en 22,1 horas. Esto se traduce en inferir un promedio de 15.760 puntos por día. segundo, incluido el tiempo de inicio amortizado", afirma AWS.
"Poder etiquetar de forma rápida y precisa nuestros datos de reconocimiento aéreo es una parte fundamental para minimizar el riesgo de incendios forestales", afirma Daniel Pendlebury, director de producto de AusNet.
"Al trabajar con el Laboratorio de soluciones de aprendizaje automático de Amazon, pudimos crear un modelo que logró una precisión media del 80,53 % en el etiquetado de datos. Esperamos poder reducir nuestros esfuerzos de etiquetado manual hasta en un 80 % con la nueva solución".