Si pensamos en Inteligencia Artificial (IA), ¿qué tipo de aplicaciones nos vienen a la mente? Chatbots, redes sociales, publicidad, videojuegos, etc, en definitiva, aplicaciones que pueden mejorar nuestra experiencia como usuario en algún momento concreto … Pero, ¿puede la IA llegar a crear un impacto significativo en nuestras vidas?
Con este objetivo se creó en 2017 la iniciativa de Microsoft conocida como AI for Earth que junto a la asociación con National Geographic, se han propuesto respaldar novedosos proyectos que utilizan la IA para mejorar la forma en que entendemos y administramos los recursos naturales de la Tierra, obteniendo así un futuro más sostenible.
En estas iniciativas se busca conseguir la obtención de datos del mundo que nos rodea y enviarla a plataformas como Microsoft Azure, donde se encuentran procesos y modelos de IA capaces de comprender, analizar y aprender de dichos datos.
Proyectos IA para cambiar el mundo
Los ámbitos de aplicación más destacados de esta alianza son el cambio climático, la agricultura, la conservación de la biodiversidad y el agua. En este artículo nos vamos a centrar en algunos de los proyectos más destacados relacionados con la biodiversidad y que tratan problemas concretos como evitar la caza furtiva y la extinción de especies animales:
AI para la conservación de recursos
La creciente población humana, combinada con el cambio climático, está causando conflictos entre los humanos y el mundo animal por competir por la tierra, los alimentos y otros recursos naturales, lo cual provoca miles de muertes cada año y un descenso acentuado en el número de animales. Es por esto que la identificación de áreas de posible conflicto puede conducir a la mitigación y la comprensión de dónde se superponen las poblaciones de vida silvestre y humana y poder así proteger a ambas.
Esto lo tienen claro en el Centro de Recursos de Conservación de Tanzania (TZCRC) y por eso han puesto en marcha un proyecto asistido por IA, en colaboración con otros socios.
¿Cómo hacían esto hace un tiempo? Mediante reconocimientos aéreos periódicos con los que generaban un mapa de calor para poder detectar así áreas de conflicto potenciales entre ambos grupos a estudiar. El problema es que esto se hacía a través de dos “observadores humanos” que iban contando desde el avión qué cantidad de humanos, animales, poblados … iban viendo desde las alturas, para tener un estudio actualizado de cómo iba creciendo cada área, lo cual va sujeto a la fatiga o el estado que pudieran tener los observadores cada día.
Estos mapas son muy útiles porque pueden ayudar a detectar disminuciones en las poblaciones de animales debido a amenazas como la caza furtiva o las respuestas a cambios ambientales. Sin embargo, les llevaba mucho tiempo y esfuerzo ya que los vuelos para cubrir toda la zona de estudio y la comprobación posterior de los datos tardaban en concluir entre 3 y 5 años.
¿Cuál ha sido la Solución? Utilizar cámaras automatizadas que vayan tomando imágenes de la zona, reduciendo así costes económicos y logísticos.
Sin embargo, seguía habiendo un problema y es que esta técnica toma una cantidad inmensa imágenes, con lo que el revisarlas a posteriori manualmente, seguía suponiendo meses de trabajo. Se propuso por tanto explorar las imágenes mediante el uso de la IA para rastrear y analizar los cambios en las especies de animales, conteos de poblaciones, y en conjunto, la influencia humana.
Foto recogida del artículo: “Tanzania Conservation Resource Centre:
Reducing human-wildlife conflicts through machine learning”
La IA trabaja a partir de los modelos de detección de objetos y clasificación de imágenes. El resultado es por tanto un mapa de riesgos que ilustra la posible expansión de asentamientos humanos y el conflicto de migración de vida silvestre dentro de estas áreas protegidas.
El proceso también predice del número de asentamientos y especies, que de seguir en la línea actual, se producirán, advirtiendo así de la situación para que se tomen las medidas necesarias y los planes de contingencia que toquen en cada caso. Este sistema podría mejorar la precisión y reducir los costes en un 40%, permitiendo así actualizaciones más frecuentes del terreno.
AI contra la caza furtiva y pesca ilegal.
También en África, para la conservación de animales como los rinocerontes, se está llevando a cabo otro proyecto cuyo objetivo es evitar la caza furtiva, mediante el tratamiento de imágenes a tiempo real en las que, si se detecta en la fotografía a un cazador, inmediatamente se lanza una alerta a los vigilantes de los parques naturales con la localización GPS de dicha persona para que se pueda proceder a disuadirlo. Este proyecto es conocido como Smart Park, aplicado por la Peace Parks Foundation.
En la Carnegie Mellon University (CMU) han desarrollado una herramienta que están testeando en el Parque Nacional de la Reina Elisabeth en Uganda, en colaboración con las autoridades del país y la Sociedad de Conservación de la Vida Salvaje, y cuya misión es registrar, por parte de los trabajadores en sus distintas rutas, todo tipo de pistas de posibles cazadores furtivos como marcas en los árboles, huellas, tiendas de campaña, sitios que por su riqueza les podrían interesar, … con los que siguiendo el rastro, puedan predecir ataques, así como el lugar donde se podrían producir para alertar a los guardas del parque natural y sugerirles a tiempo real, la ruta que deben tomar para encontrar a los furtivos.
Sin embargo, lo mejor es que esto no sirve solamente para animales terrestres, sino que también es aplicable en zonas marítimas y así lo están haciendo en OceanMind, en Reino Unido, donde colaboran con el gobierno a través del uso de satélites, para detectar el movimiento de los buques y estudiar el comportamiento de pesca ilegal que se pudiera producir en alguno de ellos.
¿Qué es la clasificación de imágenes?
Las Redes Neuronales Convolucionales (Convolutional Neural Networks o CNN) son usadas como algoritmos para otorgar la capacidad a las máquinas de poder distinguir y reconocer distintas imágenes.
La CNN es un tipo de IA con aprendizaje supervisado capaz de crear esta función visual en las máquina a través del análisis de capas de menor a mayor complejidad y de forma jerarquica. Esto es, las primeras capas de la CNN podrán detectar líneas rectas, curvas y otras de creciente complejidad hasta alcanzar las capas más profundas capaces de reconocer imágenes o formas como una cara humana o la forma de un objeto o animal.
Al principio del proceso, la CNN toma los pixeles de la imagen que se presenta y los normaliza con valores entre 0 y 1. Una vez estos pixeles estén normalizados, se comienzan a realizar convoluciones, o agrupaciones de pixeles cercanos de la imagen de entrada y se opera matemáticamente contra una matriz llamada kernel. De esta manera se va obteniendo una imagen, que digamos es la «idea» que la CNN tendrá de lo que es el objeto que le hemos presentado y con la que empezará a distinguir el resto de objetos.
Los «outputs» del entrenamiento de nuestra CNN tendrán un formato denominado «one-hot-encoding». Este formato nos indicaría las posibilidades de respuesta entre las distintas opciones que presentamos. Es decir, como nos muestra la imagen, si las únicas posibilidades de respuesta que tenemos es Búfalo, Cebra y Guepardo, la red nos indicará las probabilidades para cada uno de estos animales, en este caso [0,96 / 0,02 / 0,01]. Así la máquina con una seguridad de un 96% dirá que lo que aparece en la foto es un búfalo.
Fuente: Proceedings of the National Academy of Sciences of United States of America (PNAS)
¿Por qué MS Azure?
Microsoft Azure es una plataforma de nube flexible, sólida y segura, que permite disponer de servidores y almacenamiento como servicio en centros de datos administrados por Microsoft.
Ofrece una gran flexibilidad para mover tus servidores (y aplicaciones) a la nube y aumentar o disminuir los recursos necesarios según sea necesario, en alta disponibilidad y formando parte de tu red como si estuvieran físicamente en tu ordenador. Nos ofrece un almacenamiento de archivos flexible, seguro, ilimitado y económico.
Las principales ventajas de esta solución son:
- Flexibilidad
- Focalización
- Urgencias solucionadas en minutos
- Disponibilidad
- Seguridad
- Reducción de costes
