Pablo Javier PiacenteInvestigadores del Massachusetts Institute of Technology (MIT) han desarrollado un nuevo modelo de visión por ordenador, gracias al cual es posible detectar catástrofes a partir de las imágenes que la gente publica en las redes sociales, como Twitter y Flickr, cuando todo está ocurriendo. El sistema utiliza una base de datos con casi 500 mil imágenes clasificadas en más de 40 tipos de incidentes, como incendios, terremotos, inundaciones o accidentes automovilísticos.
Según una nota de prensa, la nueva herramienta creada por los especialistas estadounidenses es un aporte importante en un área escasamente desarrollada, ya que las opciones disponibles poseen una menor cantidad de imágenes, como así también de categorías de sucesos que pueden aprovecharse para el análisis y detección temprana de catástrofes o accidentes.
La enorme base de datos que emplea este sistema de respuesta automatizada a incidentes se produjo a partir de diferentes instancias. Por un lado, se realizó el filtrado de 40 millones de imágenes en Flickr para encontrar incidentes, como así también el análisis de fotos publicadas en Twitter en ocasión de inundaciones o terremotos. Al mismo tiempo, el equipo de investigadores filtró los tweets relacionados con los desastres naturales en el momento exacto en el cual se estaban produciendo.
Los expertos creen que los modelos de visión por ordenador o visión artificial tienen mucho que aportar en cuanto a las respuestas automatizadas frente a incidentes.
La visión artificial replica informáticamente el mecanismo visual humano para que los ordenadores puedan percibir y comprender una imagen o secuencia de imágenes y actuar en consecuencia.
Esta comprensión se consigue gracias a la geometría, la estadística, la física y otras disciplinas. La adquisición de los datos se obtiene mediante secuencias de imágenes, en este caso vistas desde varias cámaras de video que las personas graban cuando ocurre una catástrofe.
Además de los datos y de acelerar las respuestas frente a las catástrofes, los científicos creen que estas herramientas pueden llegar a localizar y cuantificar daños con gran exactitud.
Integración de distintas tecnologías
Para incrementar la precisión técnica del nuevo sistema, el modelo de detección de incidentes fue entrenado mediante aprendizaje automático, una rama de la Inteligencia Artificial, para poder desempeñarse en diferentes escenarios del mundo real, analizando millones de imágenes extraídas de dos plataformas de redes sociales: Twitter y Flickr.
Otro aspecto que aumenta el potencial de la nueva herramienta es la interconexión entre las redes sociales y las imágenes satelitales, ya que ambas fuentes de información aportan datos complementarios. Las redes sociales brindan datos sobre el terreno y en tiempo real, en tanto que las imágenes satelitales entregan información más amplia, permitiendo por ejemplo identificar las áreas más afectadas por un incendio forestal en un sector determinado.
El papel de las redes sociales
La importancia de este nuevo enfoque radica en la creciente utilización de las redes sociales, que son empleadas cada vez con mayor intensidad al inicio de una catástrofe o incidente, para comunicar las experiencias de las personas frente a estos sucesos. En esas ocasiones se genera en cuestión de segundos una voluminosa carga de información en diferentes soportes.
Textos, imágenes y audios conforman un gran conjunto de datos en tiempo real y de primera mano sobre aquello que está pasando. Si los sistemas de respuesta automatizada logran captar y clasificar esa información al instante, la gestión de los incidentes será más efectiva y se lograrán reducir daños humanos y materiales.
Por ejemplo en el caso de esta investigación, los especialistas destacaron que al detectar y geolocalizar incidentes en tweets es posible generar mapas relevantes que permitan optimizar los esfuerzos de respuesta. Con el auxilio de las técnicas de inteligencia artificial, este tipo de sistemas promete ser cada vez más preciso y efectivo en el futuro.
Referencia
Detecting natural disasters, damage, and incidents in the wild. Ethan Weber, Nuria Marzo, Dim P. Papadopoulos, Aritro Biswas, Agata Lapedriza, Ferda Ofli, Muhammad Imran and Antonio Torralba. arXiv (2020).DOI: no informado.
Foto y Video: MIT.
Interesante artículo, podría aplicarse a otras áreas para detectar eventos.