Ciudades inteligentes, pero no tanto

Internet de las cosas

Ciudades inteligentes, pero no tanto

La fundación BBVA, a través de las becas Leonardo, fomenta la innovación en áreas tan heterogéneas que abarcan desde la transformación de las ‘smart cities’ hasta el ‘machine learning’

 

Que cada vez más ciudades se hacen llamar inteligentes o smart cities… correcto. Que en realidad sean tan listas como aseguran… no tanto. Sustentan esta afirmación en la cantidad de sensores instalados por todos los rincones del mobiliario urbano. Autobuses, camiones de basura, carreteras y aparcamientos son solo algunos ejemplos de conectividad a través del Internet de las Cosas (IoT). Parece que todo está relacionado, pero la movilidad ha cambiado tanto que las bicicletas, patinetes y ciclomotores no forman parte de los datos recabados. Si le sumamos que, en muchas ocasiones, los algoritmos de aprendizaje automático replican una información errónea, lo aparentemente inteligente se convierte en algo un poco tonto.

Un investigador que trata de revertir estos grises en las ciudades es José Santa (Yecla, Murcia, 1981). Su proyecto, subvencionado por la Fundación BBVA con una de las 64 becas Leonardo para fomentar la innovación, pretende que las smart cities lo sean con todas las letras. “Los vehículos ligeros no están conectados. Si solo monitorizamos una parte de la urbe, la información de que, por ejemplo, una calle está congestionada, no será veraz”, argumenta. Lo que pretende es que una moto o un patinete tengan una app conectada a la nube que recoja todos sus datos para obtener una imagen completa del tráfico en tiempo real. Como explica, puede ser una fuente relevante para que los ayuntamientos valoren cómo mejorar la circulación.

Santa, doctor en Informática, es consciente de que esto solamente es una parte de todo lo que puede aportar su aplicación. La seguridad también resulta crucial para los vehículos ligeros. Ha desarrollado una interfaz de colores y sonidos para prevenir posibles alcances. “La pantalla del dispositivo, que puede colocarse en el manillar de la bici, se pondrá en rojo y emitirá un sonido estridente cuando haya un coche que se acerque por detrás”, comenta. Aunque todavía no está finalizado, por si alguien decide ir con los cascos mientras circula por la ciudad, este investigador trabaja en un sintetizador de voz que lea un texto y se lo comunique al usuario tanto para advertirle de algún peligro como para dirigirle hasta su destino sin tener que mirar la pantalla.

El IoT en la movilidad representa una parte de las ciudades inteligentes, pero la clave no reside en cuántos datos tenemos, sino en cómo los utilizamos. Aquí entra en juego el machine learning y sus algoritmos. La inteligencia artificial decide qué itinerarios son los más rápidos, qué medio de transporte nos conviene o qué barrios no visitar con la bicicleta por su alta contaminación. ¿Y si la información es incorrecta? Santiago Mazuelas (Palencia, 1978), becado también por la Fundación BBVA, responde a la pregunta: “En el aprendizaje de las máquinas se utilizan unos datos que se llaman de entrenamiento. Son ejemplos con los inputs y outputs deseados. Se tendía a suponer que estos iban a ser análogos a los observados durante la utilización del algoritmo, pero con el tiempo se ha demostrado que en la mayoría de casos no es así”.

  • Inteligencia artificial precaria

El proyecto de Mazuelas, investigador Ramón y Cajal en el Centro Vasco de Matemáticas Aplicadas, tiene un fin sencillo a la par que complejo, reducir el margen de error del machine learning. En su opinión, los ejemplos de entrenamiento de la inteligencia artificial provienen de fuentes muy diversas, ya sea porque la calidad de las imágenes es deficitaria o las personas que los incorporan emplean metodologías diferentes. “Los algoritmos actuales tienen múltiples problemas, la inteligencia artificial no es tan inteligente como habitualmente se dice. No sabemos de antemano en qué circunstancias funcionarán bien o mal. No hay algoritmos que puedan utilizar distintas tipologías de ejemplos de entrenamiento”, zanja.

Para comprender por qué pueden surgir estos errores, pongamos el ejemplo de que uno de los sensores de nuestra smart city recopila datos de recogida de basuras; pero el desarrollador del algoritmo no los ha tenido en cuenta o no ha especificado cómo diferenciarlos unos de otros. Si su aprendizaje para aportar alguna solución eficiente se basa en replicar estos ejemplos de entrenamiento y ni siquiera hemos contado con alguno de ellos, el resultado parece evidente. No habrá ningún tipo de machine learning. “Ni pensará por sí misma ni arreglará nada. Esto puede llevar a una desilusión de la población porque puede observar que la inteligencia artificial no resuelve los problemas que a veces se anuncian a bombo y platillo”, añade Mazuelas.

Los proyectos de Santa y Mazuelas buscan que la innovación tecnológica sea real. Aunque sin una relación aparente, ambas ideas se complementan para que las ciudades inteligentes no sean una tomadura de pelo o, al menos, lo de smart contenga algo de verdad. En España, Santander es de las más desarrolladas. De las que más se ha equipado. Pero en el resto del país los prototipos son parciales, en núcleos urbanos pequeños y solo albergan ámbitos muy concretos. Como concluye el doctor en Informática, lo que no se puede pasar por alto es que los dispositivos que nos conecten con nuestro entorno más cercano, aparte de constituir una fuente masiva de información, han de tener una finalidad clara para el ciudadano, no una moda techie.

Por


Dejar un comentario

Por favor tenga en cuenta que los comentarios deben ser aprobados antes de ser publicados