Fiabilidad

Por qué IBM y la NASA están aplicando la IA geoespacial a los mayores problemas del mundo

Resumen

El modelo de IA geoespacial de IBM y la NASA mejora la respuesta ante catástrofes, la supervisión medioambiental y la acción climática. El procesamiento rápido de datos mejora la planificación, democratiza los conocimientos y aborda los retos que plantean los datos. Esta innovación sostenible fomenta la toma de decisiones informadas y hace avanzar la ciencia climática para un futuro resiliente.

Tras el terremoto de 1906, George Lawrence empleó cometas para captar una vista aérea de la devastación, lo que supuso el primer intento de observar catástrofes a vista de pájaro.

Aunque la tecnología pasó de las cometas a los aviones y, con el tiempo, a los satélites, el objetivo esencial sigue siendo el mismo: captar imágenes geoespaciales para comprender las características de la Tierra con fines de evaluación de catástrofes, vigilancia del medio ambiente y mucho más.

A medida que el mundo empieza a centrarse en la escalada del cambio climático y los retos medioambientales, la fusión de la tecnología y los datos ofrece vías de solución.

Ahora, una colaboración basada en la inteligencia artificial (IA) entre dos gigantes de sus industrias – IBM y la NASA – busca dar un paso significativo para redefinir nuestra capacidad de comprender y responder a la dinámica de nuestro planeta, con el potencial de remodelar la gestión de catástrofes, la vigilancia del medio ambiente y la adaptación.

 

Cuándo y dónde utilizar datos geoespaciales

Los datos geoespaciales desempeñan un papel fundamental en la gestión de catástrofes, abarcando las fases de preparación, respuesta y recuperación. Durante sucesos como terremotos, inundaciones e incendios forestales, los datos geoespaciales en tiempo real facilitan la evaluación de daños, la identificación de las regiones afectadas y la planificación eficaz de la ayuda.

En la vigilancia del medio ambiente, las imágenes geoespaciales actúan como centinelas del cambio al rastrear la deforestación, el crecimiento urbano y las alteraciones inducidas por el clima.

Estos datos facultan a los responsables políticos para formular estrategias sostenibles, salvaguardar ecosistemas frágiles y gestionar los recursos con eficacia.

Para combatir el cambio climático, se emplean datos geoespaciales para controlar las emisiones, las fluctuaciones de temperatura y la subida del nivel del mar. Esta información sirve para desarrollar estrategias destinadas tanto a mitigar estos efectos como a adaptarse a ellos.

En tiempos de crisis, los datos geoespaciales desempeñan un papel crucial en la asistencia humanitaria, ya que ayudan a cartografiar las regiones afectadas, evaluar el alcance de los daños y coordinar las labores de socorro.

Aprovechamiento de la IA para el análisis de datos geoespaciales

Aunque los datos geoespaciales desempeñan un papel fundamental en tareas como la gestión de catástrofes, la vigilancia del medio ambiente y la observación del clima, la intrincada naturaleza de las imágenes geoespaciales plantea importantes dificultades para su interpretación manual.

La proliferación de satélites y drones ha dado lugar a una expansión de los datos geoespaciales, lo que hace que el análisis manual resulte ineficaz, lento y poco práctico en términos de escalabilidad.

Esta situación se agrava aún más por la falta de profesionales capaces accesibles para llevar a cabo estos análisis, lo que provoca retrasos.

Además, los analistas humanos pueden enfrentarse a restricciones en torno a la capacidad limitada y los puntos de vista subjetivos, lo que provoca imprecisiones y resultados variables.

Estos analistas también pueden tener dificultades para comprender plenamente el contexto, lo que afecta a la precisión de sus decisiones.

Mientras tanto, la IA ha alcanzado una notable capacidad para procesar rápidamente grandes volúmenes de datos de imágenes a escala masiva.

Esta capacidad le permite analizar sistemáticamente flujos de datos en tiempo real, lo que resulta especialmente crucial en situaciones que requieren respuestas rápidas, como la gestión de catástrofes.

La capacidad de la IA para identificar patrones complejos ayuda a mitigar la subjetividad inherente a la interpretación humana, lo que puede garantizar resultados uniformes y precisos.

Al comprender las complejidades contextuales de los datos geoespaciales, la IA puede tomar mejores decisiones.

Además, el potencial de la IA para reducir la dependencia de los expertos democratiza el análisis geoespacial, permitiendo a personas sin experiencia realizar análisis sofisticados en este ámbito.

El reto de la IA para el análisis de datos geoespaciales

Aunque la IA es muy prometedora en las aplicaciones geoespaciales, su eficacia se ve limitada por la escasez y el elevado costo que conlleva la adquisición de datos geoespaciales de alta calidad, a lo que se añade el laborioso proceso de etiquetar con precisión dichos datos para fines específicos.

Además, el entrenamiento de modelos en imágenes geoespaciales de alta resolución a gran escala exige importantes recursos informáticos.

Esto supone un reto notable, dada la ambición de la NASA de poner a disposición de científicos e investigadores 250.000 terabytes de datos procedentes de nuevas misiones para 2024.

Entrenar modelos de IA en conjuntos de datos tan extensos conlleva elevados costes e implicaciones medioambientales, pero los beneficios pueden compensar los costes.

¿Qué es un modelo fundacional en IA?

Para superar los retos mencionados, un enfoque viable consiste en construir un modelo fundacional a partir de datos geoespaciales.

Un modelo fundacional en IA es un modelo preformado que se entrena en un gran conjunto de datos utilizando el aprendizaje autosupervisado para aprender patrones y características generales de los datos. Este modelo de propósito general sirve de base para desarrollar modelos más especializados y refinados.

Cuando se crea un modelo de IA especializado para una tarea o dominio específico, el modelo fundacional se refina o afina con un conjunto de datos más pequeño y específico de la tarea. Este proceso permite al modelo utilizar los conocimientos adquiridos durante el preentrenamiento y perfeccionarlo para una tarea específica.

El uso de un modelo fundacional agiliza el proceso de desarrollo, minimiza los datos y los costes necesarios para el entrenamiento especializado de la IA y mejora el rendimiento del modelo gracias a los conocimientos existentes.

Este enfoque se ha popularizado en diversas aplicaciones de IA, permitiendo la creación de modelos potentes y eficaces con un tiempo de formación y unos requisitos de recursos reducidos.

Modelo fundacional geoespacial de IBM

IBM, en colaboración con la NASA, ha construido recientemente un modelo fundacional sobre datos geoespaciales.

Los objetivos clave son disminuir la dependencia de amplios datos geoespaciales, reducir los costos de formación y reducir el impacto medioambiental de la formación de modelos de IA.

Entrenado con datos del satélite Landsat Sentinel-2 armonizados (HLS) que abarcan un año en todo el territorio continental de Estados Unidos, este modelo se sometió a un proceso de entrenamiento intensivo, junto con un perfeccionamiento posterior utilizando datos etiquetados para tareas como la cartografía de inundaciones y cicatrices de quemaduras.

Gracias a este entrenamiento, el modelo ha mostrado una notable mejora del 15% con respecto a los métodos actuales, lograda con sólo la mitad de la cantidad de datos etiquetados que suelen necesitarse.

Mediante un perfeccionamiento adicional, este modelo fundacional puede reutilizarse para diversas tareas, como la vigilancia de la deforestación, la predicción del rendimiento de los cultivos y la detección de gases de efecto invernadero.

Para fomentar un acceso y una aplicación más amplios de la IA, el modelo es accesible a través de Hugging Face, una conocida biblioteca de modelos de IA de código abierto. Esta democratización pretende inspirar nuevas innovaciones en las ciencias del clima y de la Tierra.

En julio, IBM presentó watsonx, una plataforma puntera de IA y datos diseñada para facilitar a las empresas la aplicación escalable y acelerada de IA avanzada con datos fiables.

Como prolongación de este esfuerzo, está previsto que en los próximos meses se pueda acceder a una versión orientada a las empresas del modelo geoespacial, integrado en IBM watsonx, a través de IBM Environmental Intelligence Suite (EIS).

El resultado final

La colaboración de IBM con la NASA ha dado como resultado un modelo de IA geoespacial fundacional que aborda los retos de la gestión de catástrofes, la supervisión medioambiental y la planificación urbana.

Esta solución de IA ofrece una mayor precisión y coherencia, superando las complejidades asociadas al análisis manual de datos geoespaciales.

A pesar del potencial de la IA, persisten obstáculos como la escasez de datos y los elevados costes. El modelo de IBM, entrenado con datos de Landsat Sentinel-2, ha mostrado mejoras significativas respecto a los métodos existentes con sólo la mitad de los datos etiquetados.

Esta innovación, accesible a través de Hugging Face, democratiza los conocimientos geoespaciales y promete nuevos avances en las aplicaciones de las ciencias climáticas y de la Tierra.

Temas relacionados

Dr. Tehseen Zia
Profesor titular asociado, Universidad COMSATS de Islamabad (CUI)

El Dr. Tehseen Zia tiene un doctorado y más de 10 años de experiencia investigadora postdoctoral en Inteligencia Artificial (IA). Es profesor titular asociado y dirige la investigación sobre IA en la Universidad Comsats de Islamabad, y coinvestigador principal en el Centro Nacional de Inteligencia Artificial de Pakistán. En el pasado, trabajó como consultor de investigación en el proyecto Dream4cars, financiado por la Unión Europea.