Ciudades Inteligentes: Su Relación con IoT y Machine Learning

Alrededor del mundo, las ciudades buscan prosperar con la ayuda de la tecnología y una alternativa que ésta ofrece es la recolección de datos para analizar las actividades diarias que se llevan a cabo en la ciudad. Esta información puede provenir de cámaras de seguridad, teléfonos inteligentes, encuestas electrónicas, aplicaciones como Waze, redes sociales, entre otros. De esta manera, se pueden optimizar tareas a través de la búsqueda de patrones y análisis de los datos recopilados. Por ejemplo, a partir de la densidad del tráfico a una hora específica, se podrían controlar y colocar semáforos estratégicamente para evitar embotellamientos. También existe la posibilidad de determinar automáticamente la temperatura y la humedad adecuada de un invernadero a partir del estado de las plantas y del ambiente. Por otro lado, basado en las búsquedas de una persona por internet o analizando la información que comparten en redes sociales, se le pueden recomendar páginas de interés. 

Actualmente muchos dispositivos producen datos en tiempo real que se envían hacia un servidor o son almacenados en la nube. Este proceso es parte del concepto Internet of Things (IoT). Una vez que los datos han sido almacenados, se pueden procesar para diseñar, por ejemplo, un modelo de machine learning (ML) que encuentre patrones en la información. 

ML junto con IoT son componentes esenciales de las ciudades inteligentes. El concepto de ciudad inteligente consiste en aplicar tecnologías y análisis de datos para optimizar servicios en distintas áreas, como lo son la comunicación, la economía, agricultura, servicios públicos, entre otros, con el objetivo de mejorar el estilo de vida de las personas.

Algunas de las aplicaciones de la inteligencia artificial que forman parte de las ciudades inteligentes son la agricultura urbana inteligente, control de tránsito por medio de señalización automática, automóviles autónomos, máquinas de limpieza automática, casas inteligentes, etc. De esta forma, sin darnos cuenta estamos llegando a ser como “Los Supersónicos”, donde diferentes máquinas autónomas pueden aprender tareas cotidianas por sí mismas y ejecutarlas eficientemente. 

Agricultura Urbana Inteligente

Un área que se ha promovido en las ciudades densamente pobladas es la agricultura vertical o bien agricultura urbana. Debido a la expansión de las ciudades, se reduce el área de suelos disponibles y fértiles para sembrar. Por lo tanto, las personas, ya sea como pasatiempo o negocio, empezaron a combinar IoT e inteligencia artificial para crear sus propios jardines o huertas. Para que estas unidades productivas funcionen, tienen que estar dentro de un invernadero con múltiples sensores como se puede ver en la Figura 1. Es tedioso para una persona adaptar constantemente el ambiente del invernadero. La idea es que el invernadero, por sí mismo, se logre adaptar a las necesidades de las plantas. 

Este tipo de jardín no se crea de la noche a la mañana, ya que se deben transmitir los datos hacia un servidor para ser almacenados. Luego, un fitotecnista junto con un científico de datos deben analizar la información para garantizar su calidad. Posteriormente se puede entrenar un modelo utilizando ML para predecir el ambiente adecuado según el estado y requisitos de las plantas. 

Figura 1. Vieru C, 2019. AWS IoT-Driven Precision Agriculture. Fuente: https://aws.amazon.com/blogs/iot/aws-iot-driven-precision-agriculture/

Automóviles Autónomos

Una tecnología que se ha venido desarrollando con los años son los automóviles autónomos. Esta tecnología es polémica, debido a que no hay un humano controlando el automóvil y por eso se tiene la percepción de que podría provocar accidentes inesperados.

Un automóvil autónomo tiene una serie de sensores que monitorean el estado de su entorno, como se puede ver en la Figura 2. Estos sensores permiten al auto percibir el ambiente por el que transita; ya sea las vías por las cuales debe conducirse, determinar si hay peatones, reconocer señales de tránsito u otros autos. 

Un automóvil autónomo se entrena en simuladores virtuales. En los simuladores se crea un ambiente parecido a la vida real con peatones, señales de tránsito y otros autos. Los entrenamientos se realizan en simuladores para prevenir accidentes de tránsito en la vida real y porque es más práctico y económico.

Para entrenar un automóvil en un simulador se utiliza reinforcement learning (área de ML), un tipo de aprendizaje automático, en donde un agente (en este caso el automóvil) aprende qué acciones debe ejecutar por medio de un refuerzo (premio o castigo). Por ejemplo, si en el simulador el automóvil atropella un peatón se debe dar un “castigo”, pero si sigue la vía correctamente y no colisiona, va a ir ganando “recompensas”. Cuando se alcanza un desempeño adecuado, se implementa el modelo en un auto real.

No hay que olvidar que cuando se utiliza un modelo de ML no se puede asegurar que el auto se conducirá perfectamente. Un modelo siempre va a seguir cometiendo errores de los cuales aprende y, con el tiempo, va a reducirlos. 

Figura 2. Baldwin R, 2020. IIHS Study: Autonomous Cars Won't Avoid Majority of Vehicle Crashes. Fuente: https://www.caranddriver.com/news/a32783046/iihs-autonomous-cars-not-as-safe-study/

Marketing 

¿A quién no le ha pasado que habla de un producto en un chat con amigos y “sorpresivamente” en las redes sociales empezamos a recibir anuncios relacionados a ese producto? Pues parte de los servicios que pueden prestar las ciudades inteligentes es la recomendación de productos a potenciales compradores. 

Por ejemplo, existen centros comerciales que pueden detectar la ubicación de las personas a través del GPS de sus teléfonos inteligentes. Gracias a esto se puede determinar cuáles tiendas visitan ciertas personas y qué productos les llama la atención. También es posible utilizar el  reconocimiento facial (deep learning) para alcanzar el mismo objetivo mercadotécnico.

Limpieza Automática

Muchos queremos tener en nuestros hogares una Roomba, una Conga o un Ecovacs Deebot, ya que son aspiradoras bastante prácticas y ayudan a no preocuparnos por la limpieza. Pues bien, todo lo que son aspiradoras inteligentes tienen una serie de sensores para saber qué objetos se encuentran a su alrededor. Al igual que con los automóviles inteligentes, la aspiradora utiliza reinforcement learning para aprender cómo se debe mover sobre las superficies de la manera más eficiente posible. 

Las aspiradoras inteligentes ayudan a optimizar la limpieza de hogares, hospitales e instituciones de salud. Cuando se necesita una desinfección rigurosa ante una enfermedad delicada, este tipo de tecnología ayuda a que otras personas no tengan que estar en contacto con superficies contaminadas y así se evita la propagación de enfermedades.  

Conclusión

En la actualidad existen muchas herramientas, como IoT y ML, que ayudan a optimizar distintas tareas de la vida cotidiana. Lo que hace un tiempo se realizaba de manera manual - como lo es el manejar un automóvil o limpiar la casa - ahora se puede realizar de manera automática con ayuda de IoT y ML. Hay que tener en cuenta que aunque las aplicaciones de inteligencia artificial mencionadas anteriormente pueden alcanzar un buen desempeño, no significa que jamás cometerán errores.

Referencias

Chatterjee S., Banerjee P. y Nasipur M.,2018. Machine learning for internet of things data analysis: a survey. Recuperado de https://reader.elsevier.com/reader/sd/pii/S235286481730247X?token=E0EDC6FB2C0434228E18DBA48E4F2D61E28DDCDC307A3D93C2433C78ABC4D501C0B769799BE60E341EACC85A9D208C4A

Gurav P., 2019. Artificial intelligence & machine learning: The brain of a smart city. Recuperado de https://jaxenter.com/smart-city-ai-ml-164124.html

Rees K. [ScienceLogic], 2017. Machine Learning Enhances IoT Gardening with ScienceLogic. Recuperado de https://www.youtube.com/watch?v=02AeF9N5gGM

Way T. [Microsoft Developer], 2018. Machine Learning in IoT solutions. Recuperado de https://www.youtube.com/watch?v=Ro0S9DfzxfY