IA para prevenir la colisión entre barcos y ballenas
Las ballenas francas del Atlántico Norte, una especie en peligro crítico de extinción, se enfrentan a una grave amenaza: las colisiones con barcos. Para proteger a estos animales, imprescindibles para el ecosistema marino, y garantizar la seguridad de los marineros, SAS y Fathom Science han unido fuerzas en un innovador proyecto que utiliza la inteligencia artificial y el análisis de datos para predecir la ubicación de las ballenas y evitar estos peligrosos encuentros. Se trata del último proyecto del programa Data For Good de SAS, empresa líder en datos e inteligencia artificial, y es un excelente ejemplo de cómo la tecnología en general, y el análisis de datos en particular, pueden ayudar de forma determinante a crear un mundo más sostenible. La colaboración viene de la mano de Fanthom Science Inc., una empresa tecnológica derivada de la Universidad Estatal de Carolina del Norte que está creando gemelos digitales del océano, es decir, copias digitales del mismo, con el objetivo de utilizarlos para aprender más sobre este medio y protegerlo. Para abordar este problema, Fathom Science está creando un modelo predictivo de la ubicación de las ballenas con tecnología de última generación que permite evitar estas situaciones. Taylor Shropshire, jefe de Resiliencia Marina en Fathom Science, combinó el análisis de avistamientos históricos de ballenas con el modelo oceánico de Fathom. El resultado es WhaleCast, una proyección en forma de mapa de calor que muestra la probabilidad de actividad de ballenas francas a lo largo de la costa este. Este mapa está diseñado para integrarse directamente con las pantallas táctiles de las embarcaciones de manera que los marineros pueden evaluar la probabilidad de presencia de ballenas francas en su área y tomar decisiones informadas. Estas decisiones pueden incluir la reducción de velocidad en áreas señaladas, lo que contribuye a disminuir la tasa de colisiones con estas ballenas en peligro de extinción, protegiendo tanto a los animales como a los marineros. Para validar la precisión de WhaleCast, Shropshire recurrió al programa Data for Good de SAS, buscando métodos estadísticos más profundos y machine learning. El proyecto enfrentó un desafío importante: la información insuficiente. Ante el problema, se aportó una solución innovadora: generar datos sintéticos con características muy similares a los datos reales. Esto permitió crear una base de datos robusta de casi 500,000 referencias, lo que hizo posible entrenar, validar y probar siete modelos de aprendizaje automático de forma más exhaustiva. WhaleCast ya había logrado un modelado inicial, pero calcular la probabilidad de encontrar ballenas a diferentes distancias de la costa era otro de los retos. SAS Viya Workbench, otra herramienta de SAS, facilitó este cálculo y permitió agregar los datos de distancia a los modelos de WhaleCast, mejorando aún más su precisión y eficacia «Resulta muy interesante ver cómo SAS ha creado múltiples modelos de manera tan rápida», dijo Shropshire. «Pudieron expandirse desde un modelo muy simple hasta modelos complejos de redes neuronales y machine learning para mostrar los beneficios y las limitaciones de cada uno».
Las ballenas francas del Atlántico Norte, una especie en peligro crítico de extinción, se enfrentan a una grave amenaza: las colisiones con barcos. Para proteger a estos animales, imprescindibles para el ecosistema marino, y garantizar la seguridad de los marineros, SAS y Fathom Science han unido fuerzas en un innovador proyecto que utiliza la inteligencia artificial y el análisis de datos para predecir la ubicación de las ballenas y evitar estos peligrosos encuentros. Se trata del último proyecto del programa Data For Good de SAS, empresa líder en datos e inteligencia artificial, y es un excelente ejemplo de cómo la tecnología en general, y el análisis de datos en particular, pueden ayudar de forma determinante a crear un mundo más sostenible. La colaboración viene de la mano de Fanthom Science Inc., una empresa tecnológica derivada de la Universidad Estatal de Carolina del Norte que está creando gemelos digitales del océano, es decir, copias digitales del mismo, con el objetivo de utilizarlos para aprender más sobre este medio y protegerlo. Para abordar este problema, Fathom Science está creando un modelo predictivo de la ubicación de las ballenas con tecnología de última generación que permite evitar estas situaciones. Taylor Shropshire, jefe de Resiliencia Marina en Fathom Science, combinó el análisis de avistamientos históricos de ballenas con el modelo oceánico de Fathom. El resultado es WhaleCast, una proyección en forma de mapa de calor que muestra la probabilidad de actividad de ballenas francas a lo largo de la costa este. Este mapa está diseñado para integrarse directamente con las pantallas táctiles de las embarcaciones de manera que los marineros pueden evaluar la probabilidad de presencia de ballenas francas en su área y tomar decisiones informadas. Estas decisiones pueden incluir la reducción de velocidad en áreas señaladas, lo que contribuye a disminuir la tasa de colisiones con estas ballenas en peligro de extinción, protegiendo tanto a los animales como a los marineros. Para validar la precisión de WhaleCast, Shropshire recurrió al programa Data for Good de SAS, buscando métodos estadísticos más profundos y machine learning. El proyecto enfrentó un desafío importante: la información insuficiente. Ante el problema, se aportó una solución innovadora: generar datos sintéticos con características muy similares a los datos reales. Esto permitió crear una base de datos robusta de casi 500,000 referencias, lo que hizo posible entrenar, validar y probar siete modelos de aprendizaje automático de forma más exhaustiva. WhaleCast ya había logrado un modelado inicial, pero calcular la probabilidad de encontrar ballenas a diferentes distancias de la costa era otro de los retos. SAS Viya Workbench, otra herramienta de SAS, facilitó este cálculo y permitió agregar los datos de distancia a los modelos de WhaleCast, mejorando aún más su precisión y eficacia «Resulta muy interesante ver cómo SAS ha creado múltiples modelos de manera tan rápida», dijo Shropshire. «Pudieron expandirse desde un modelo muy simple hasta modelos complejos de redes neuronales y machine learning para mostrar los beneficios y las limitaciones de cada uno».
