Inteligencia Artificial Contra Incendios Forestales
El deterioro del medio ambiente por causa del ser humano es una problemática que ha estado presente durante el largo de la historia. En los siglos pasados uno de los principales factores que produjeron la extinción de especies era la masiva caza indiscriminada, ya sea por la necesidad alimenticia o bien por diversión. Sin embargo, en la actualidad uno de los principales factores de que han producido la extinción es la contaminación ambiental, caracterizada tanto por el calentamiento global como por la acumulación de basura. Estos hechos se han incrementado desde la revolución industrial y el auge tecnológico que se dio hace más de un siglo, donde se ha demostrado que ambos son capaces de destruir ecosistemas completos, alertando a la comunidad científica.
Sin embargo, el desarrollo industrial y tecnológico nos ha entregado herramientas avanzadas que, en conjunto con una sociedad consciente de los daños al medioambiente, pueden ayudar a contrarrestar el daño causado. Dentro del área de la informática, en las últimas décadas se ha avanzado de forma importante en la inteligencia artificial y aprendizaje de máquinas, lo que permite enseñar a computadores a “pensar”, para que logren desempeñar tareas que hasta donde se pensaba, solo las podía realizar una persona. En base a esto se han desarrollado diversos algoritmos y técnicas informáticas que apoyan la labor humana en contra de los desastres naturales, destrucción de ecosistemas y cambio climático, como es el caso de Bee2Fire, una inteligencia artificial capaz de analizar el entorno y detectar tempranamente focos de incendios forestales.
Los primeros programas computacionales que sentaron las bases de la inteligencia artificial fueron desarrollados por los científicos Rossenblatt y Turing en la década de 1950, buscando que las máquinas se comporten de manera inteligente, basándose en las ideas que Isaac Asimov había planteado en sus libros de ciencia ficción. Luego de que se fundara esta área de la computación, se impulsó de manera exponencial junto al desarrollo tecnológico, especialmente durante las últimas dos décadas. Actualmente la inteligencia artificial se define como la “[…] rama de las ciencias computacionales preocupada por la automatización de la conducta inteligente” (Ponce 13). Esto implica que es una serie de pasos algorítmicos realizados por un computador, los cuales simulan o reproducen una conducta inteligente, similar a la observada en organismos biológicos.
Y de la misma manera, se intentó reproducir la forma en que los organismos biológicos generan la inteligencia con el diseño de un “cerebro artificial” que simulara las conexiones e impulsos neuronales propios de un cerebro biológico. Es gracias a esto que nace el concepto de redes neuronales. Según Matich (2001) las redes neuronales son unidades de procesamiento que intercambian entre si información y poseen dos características esenciales: estas se usan para reconocer patrones (imágenes, secuencias temporales u otros) y además tienen la capacidad de aprender y con ello, mejorar su propio desempeño (5). Esta última característica es una de las cualidades más importantes de la inteligencia, ya que permite “aprender de los errores” y realizar de forma óptima la tarea encomendada.
En un organismo biológico, las neuronas son la unidad básica funcional del sistema nervioso. Cuando el cuerpo recibe un estímulo desde el exterior las neuronas sensoriales envían un impulso nervioso hacia el cerebro. Una vez el impulso ha llegado al cerebro este procesa e interpreta la señal mediante conexiones neuronales complejas, y finalmente se emite una respuesta que puede ser una sensación o arco reflejo. Este proceso se puede resumir en que se tiene una información de entrada que luego es procesada, para después emitir nueva información, todo mediante conexiones entre una célula y otra. Este razonamiento es utilizado como guía en la creación de una inteligencia artificial.
Dentro de una red neuronal artificial la unidad básica de información es la neurona, que almacena un tipo de dato específico determinado por el fabricante. Estas neuronas se organizan para formar tres capas interconectadas entre sí. La primera es la capa de entrada o input, que recoge un tipo específico de datos con los que trabajará, la segunda es la capa oculta o hidden layer que procesa los datos y finalmente la salida u output, que entrega el resultado deseado. Generalmente una red neuronal debe entrenarse para que aprenda a realizar de manera eficaz la tarea para la cual fue fabricada. Esto se logra ingresando pruebas con resultados conocidos, y “guiando” a la red para que aumente las probabilidades de dar un resultado deseado según la entrada entregada.
Como aplicación de estas redes neuronales a la protección del medio ambiente se ha desarrollado Bee2fire, que detecta principalmente columnas de humo tanto en ambientes naturales como bosques y reservas naturales, como en áreas mineras o instalaciones industriales. Esta red posee una capa neuronal de entrada que recibe las imágenes que captura la cámara de vigilancia del sector de interés. La imagen capturada se descompone en píxeles, y estos son ingresados a la entrada donde son clasificados por su tonalidad e intensidad. Luego son transferidos a las capas ocultas donde son procesados para distinguir líneas, para luego formar bordes y terminar identificando objetos. Finalmente, en la capa de salida se clasifican los resultados como probabilidades de que la imagen ingresada sea uno de tres estados: clean (cielos limpios), clouds (cielos nublados) o smoke (columnas de humo).
La red neuronal fue entrenada usando un archivo de 2378 imágenes clasificadas con uno de los tres posibles estados. Después del entrenamiento la red arrojó un 98% de acierto en el reconocimiento y clasificación de las imágenes entregadas. Las imágenes que se introducen en el programa una vez aplicado el entrenamiento son procesadas y luego ingresadas a un primer filtro llamado PyTorch Routine. Si la probabilidad de que la imagen sea clasificada como “smoke” es mayor al 0.8 la imagen es revisada por un segundo filtro llamado IBM Watson classifier, donde si la probabilidad también es mayor a 0.8 se emite la alarma de fuego. Por el contrario, si en cualquiera de los filtros la probabilidad es menor a 0.8 el programa termina y no emite ninguna alarma.
Sin embargo, al poner en práctica la red en terreno se obtuvo un resultado de precisión cercano al 82%. Esto da la oportunidad de que la inteligencia artificial sea mejorada para que tenga un grado de eficacia mayor, con el fin de utilizarla como aliada frente al combate de incendios forestales con un grado de seguridad importante. Además, este logro sirve como incentivo a utilizar e investigar este tipo de tecnologías para hacer frente a problemáticas medioambientales, como lo es el caso de Rainforest Connection que detecta sonidos de motosierras y camiones madereros en bosques protegidos o AI for Earth, proyecto de Microsoft que financia aplicaciones de inteligencia artificial que fomenten un futuro sostenible, principalmente relacionadas con agricultura, agua, biodiversidad y clima.
En definitiva, la inteligencia artificial puede ser una herramienta muy útil y además puede ser aplicada a diversos ámbitos y áreas, como la protección del medio ambiente frente a problemáticas causadas por el mismo ser humano. El desarrollo de un proyecto como Bee2Fire ayuda a monitorear y prevenir posibles eventos que terminan por destruir ecosistemas completos en plantaciones forestales y parques naturales, además permite evidenciar nuevas e innovadoras metodologías de aplicación práctica de redes neuronales inteligentes.
