Imágenes como las de Google Street View están adquiriendo un nuevo propósito en manos del profesor asistente de Inteligencia Artificial de la Universidad de Florida, Chaofeng Wang.
Los está utilizando, junto con el deep learning, en un proyecto de investigación para automatizar la evaluación de edificios urbanos. El proyecto tiene como objetivo ayudar a los gobiernos a mitigar los daños causados por los desastres naturales proporcionando la información necesaria para que los responsables de la toma de decisiones refuercen las estructuras de los edificios o realicen la recuperación posterior a los desastres.
Después de un desastre natural, como un terremoto, los gobiernos locales envían equipos para verificar y evaluar las condiciones de los edificios. Si se hace manualmente, puede llevar hasta meses revisar completamente una ciudad.
El proyecto de Wang utiliza la IA para acelerar el proceso de evaluación, reduciendo el tiempo necesario a unas pocas horas. El modelo de IA se entrena utilizando imágenes procedentes de Google Street View y de los gobiernos locales para asignar puntuaciones a los edificios en función de los estándares P-154 de la Agencia Federal para el Manejo de Emergencias (FEMA), que proporcionan pautas de evaluación basadas en factores como el material de la pared, el tipo de estructura, la antigüedad del edificio y más. Wang también colaboró con el Programa Mundial para la Vivienda Resiliente del Banco Mundial para recopilar imágenes y realizar anotaciones, que se utilizaron para mejorar el modelo.
Las imágenes recopiladas se colocan en un repositorio de datos. El modelo de IA lee el repositorio y realiza inferencias en las imágenes, un proceso acelerado por los sistemas NVIDIA DGX A100.
«Sin las GPU de NVIDIA, no habríamos podido hacer esto», dijo Wang. «Aceleran significativamente el proceso, asegurando resultados oportunos».
Wang utilizó los nodos DGX A100 en la supercomputadora de la Universidad de Florida, HiPerGator. HiPerGator es una de las supercomputadoras de IA más rápidas del mundo en el mundo académico, que ofrece 700 petaflops de rendimiento de IA, y se construyó con el apoyo del fundador de NVIDIA y ex alumno de UF, Chris Malachowsky, y hardware, software, capacitación y servicios de NVIDIA.
El resultado del modelo de IA se compila en una base de datos que alimenta un portal web, que muestra información, incluida la puntuación de la evaluación de seguridad, el tipo de edificio e incluso el material del techo o la pared, en un formato basado en mapas.
El trabajo de Wang fue financiado por el Programa Acelerador de Investigación Aplicada de NVIDIA, que apoya proyectos de investigación que tienen el potencial de tener un impacto en el mundo real a través de la implementación de aplicaciones aceleradas por NVIDIA adoptadas por organizaciones comerciales y gubernamentales.
Un Ojo Que Ayuda
Wang dice que el portal puede satisfacer diferentes necesidades según el caso de uso. Para prepararse para un desastre natural, un gobierno puede usar predicciones únicamente a partir de imágenes de Street View.
«Esas son imágenes estáticas, un ejemplo son las imágenes de Google Street View, que se actualizan cada varios años», dijo. «Pero eso es suficiente para recopilar información y obtener una comprensión general sobre ciertas estadísticas».
Pero en el caso de las zonas rurales o las regiones en desarrollo, donde estas imágenes no están disponibles o no se actualizan con frecuencia, los gobiernos pueden recopilar las imágenes por sí mismos. Con la tecnología de las GPU NVIDIA, la entrega oportuna de evaluaciones de compilación puede ayudar a acelerar los análisis.
Wang también sugiere que, con suficiente refinamiento, su investigación también podría crear ondas para las industrias de planificación urbana y seguros.
El proyecto está siendo probado actualmente por algunos gobiernos locales en México y está despertando interés en algunos países de África, Asia y América del Sur. En su estado actual, puede lograr una precisión de más del 85% en sus puntajes de evaluación, según los estándares P-154 de FEMA.
Levantamiento Del Terreno
Uno de los desafíos que cita Wang es la variación de los paisajes urbanos en los diferentes países. Las diferentes regiones tienen sus propios estilos culturales y arquitectónicos. Al no estar entrenado con un conjunto de imágenes lo suficientemente grande o diverso, el modelo de IA podría verse afectado por factores como el color de la pintura al realizar un análisis de materiales de pared. Otro reto es la variación de la densidad urbana.
«Es una limitación muy general de la tecnología actual de IA», dijo Wang. «Para que sea útil, requiere suficientes datos de entrenamiento para representar la distribución del mundo real, por lo que estamos poniendo esfuerzos en el proceso de recopilación de datos para resolver el problema de la generalización».
Para superar este desafío, Wang tiene como objetivo entrenar y probar el modelo en más ciudades. Hasta ahora, ha probado alrededor de ocho ciudades en diferentes países.
«Necesitamos generar anotaciones más detalladas y de alta calidad para entrenar el modelo», dijo. «Esa es la forma en que podemos mejorar el modelo en el futuro para que pueda usarse más ampliamente».
El objetivo de Wang es llevar el proyecto a un punto en el que pueda implementarse como un servicio para un uso más general de la industria.
«Estamos creando interfaces de programación de aplicaciones que pueden estimar y analizar edificios y hogares para permitir una integración perfecta con otros productos», dijo. «También estamos construyendo una aplicación fácil de usar que todas las agencias y organizaciones gubernamentales puedan usar».