Ciudades inteligentes, pero no tanto

Que cada vez m¨¢s ciudades se hacen llamar inteligentes o smart cities¡­ correcto. Que en realidad sean tan listas como aseguran¡­ no tanto. Sustentan esta afirmaci¨®n 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 trav¨¦s del Internet de las Cosas (IoT). Parece que todo est¨¢ 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 autom¨¢tico replican una informaci¨®n err¨®nea, lo aparentemente inteligente se convierte en algo un poco tonto.

Un investigador que trata de revertir estos grises en las ciudades es Jos¨¦ Santa (Yecla, Murcia, 1981). Su proyecto, subvencionado por la Fundaci¨®n BBVA con una de las 64 becas Leonardo para fomentar la innovaci¨®n, pretende que las smart cities lo sean con todas las letras. ¡°Los veh¨ªculos ligeros no est¨¢n conectados. Si solo monitorizamos una parte de la urbe, la informaci¨®n de que, por ejemplo, una calle est¨¢ congestionada, no ser¨¢ 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 tr¨¢fico en tiempo real. Como explica, puede ser una fuente relevante para que los ayuntamientos valoren c¨®mo mejorar la circulaci¨®n.

Santa, doctor en Inform¨¢tica, es consciente de que esto solamente es una parte de todo lo que puede aportar su aplicaci¨®n. La seguridad tambi¨¦n resulta crucial para los veh¨ªculos 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 pondr¨¢ en rojo y emitir¨¢ un sonido estridente cuando haya un coche que se acerque por detr¨¢s¡±, comenta. Aunque todav¨ªa no est¨¢ 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 alg¨²n 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 cu¨¢ntos datos tenemos, sino en c¨®mo los utilizamos. Aqu¨ª entra en juego el machine learning y sus algoritmos. La inteligencia artificial decide qu¨¦ itinerarios son los m¨¢s r¨¢pidos, qu¨¦ medio de transporte nos conviene o qu¨¦ barrios no visitar con la bicicleta por su alta contaminaci¨®n. ?Y si la informaci¨®n es incorrecta? Santiago Mazuelas (Palencia, 1978), becado tambi¨¦n por la Fundaci¨®n BBVA, responde a la pregunta: ¡°En el aprendizaje de las m¨¢quinas se utilizan unos datos que se llaman de entrenamiento. Son ejemplos con los inputs y outputs deseados. Se tend¨ªa a suponer que estos iban a ser an¨¢logos a los observados durante la utilizaci¨®n del algoritmo, pero con el tiempo se ha demostrado que en la mayor¨ªa de casos no es as¨ª¡±.

• Inteligencia artificial precaria

El proyecto de Mazuelas, investigador Ram¨®n y Cajal en el Centro Vasco de Matem¨¢ticas Aplicadas, tiene un fin sencillo a la par que complejo, reducir el margen de error del machine learning. En su opini¨®n, los ejemplos de entrenamiento de la inteligencia artificial provienen de fuentes muy diversas, ya sea porque la calidad de las im¨¢genes es deficitaria o las personas que los incorporan emplean metodolog¨ªas diferentes. ¡°Los algoritmos actuales tienen m¨²ltiples problemas, la inteligencia artificial no es tan inteligente como habitualmente se dice. No sabemos de antemano en qu¨¦ circunstancias funcionar¨¢n bien o mal. No hay algoritmos que puedan utilizar distintas tipolog¨ªas de ejemplos de entrenamiento¡±, zanja.

Para comprender por qu¨¦ 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 c¨®mo diferenciarlos unos de otros. Si su aprendizaje para aportar alguna soluci¨®n eficiente se basa en replicar estos ejemplos de entrenamiento y ni siquiera hemos contado con alguno de ellos, el resultado parece evidente. No habr¨¢ ning¨²n tipo de machine learning. ¡°Ni pensar¨¢ por s¨ª misma ni arreglar¨¢ nada. Esto puede llevar a una desilusi¨®n de la poblaci¨®n porque puede observar que la inteligencia artificial no resuelve los problemas que a veces se anuncian a bombo y platillo¡±, a?ade Mazuelas.

Los proyectos de Santa y Mazuelas buscan que la innovaci¨®n tecnol¨®gica sea real. Aunque sin una relaci¨®n 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 Espa?a, Santander es de las m¨¢s desarrolladas. De las que m¨¢s se ha equipado. Pero en el resto del pa¨ªs los prototipos son parciales, en n¨²cleos urbanos peque?os y solo albergan ¨¢mbitos muy concretos. Como concluye el doctor en Inform¨¢tica, lo que no se puede pasar por alto es que los dispositivos que nos conecten con nuestro entorno m¨¢s cercano, aparte de constituir una fuente masiva de informaci¨®n, han de tener una finalidad clara para el ciudadano, no una moda techie.

M¨¢s informaci¨®n

C¨®mo convertir tu ciudad en una ¡®smart city¡¯

Empresas espa?olas que ayudan a Los ?ngeles y San Diego a ser ¡®smart cities¡¯