La IA está en el aire, el agua, el suelo y el acero


Llegan los trabajos de investigación demasiado rápido para que cualquiera pueda leerlos todos, especialmente en el área del aprendizaje automático, que ahora afecta (y produce en estos artículos) prácticamente todas las industrias y empresas. Esta columna tiene como objetivo recopilar algunos de los descubrimientos y publicaciones recientes más relevantes, especialmente cuando se trata de, entre otros, Inteligencia Artificial, y explicar por qué son importantes.

Esta semana trae algunos usos o desarrollos inusuales en el aprendizaje automático, así como un rechazo particularmente inusual del método de análisis relacionado con las pandemias.

Difícilmente se espera el aprendizaje automático en el área de la regulación gubernamental, aunque solo sea porque se supone que los reguladores federales se están quedando atrás irremediablemente cuando se trata de tales cosas. Por lo tanto, puede sorprenderle que la Agencia de Protección Ambiental de EE. UU. Haya trabajado con investigadores de Stanford para erradicar algorítmicamente las violaciones ambientales.

Si puede ver el alcance del problema, esto tiene sentido. Las autoridades de la EPA tienen que procesar millones de permisos y observaciones relacionadas con el cumplimiento de la Ley de Agua Limpia, tales como: B. Cantidades autoinformadas de contaminantes de diversas industrias e informes independientes de laboratorios y equipos de campo. El proceso diseñado por Stanford los clasificó para aislar patrones, p. B. qué tipos de plantas, en qué áreas, qué características demográficas es más probable que hayan sido influenciadas. Por ejemplo, el tratamiento de aguas residuales en las periferias urbanas puede tender a subestimar la contaminación y poner en riesgo a las comunidades de color.

El proceso de reducir el problema del cumplimiento a algo que pueda analizarse y compararse computacionalmente ha ayudado a aclarar las prioridades de la agencia, mostrando que si bien la tecnología puede identificar a más titulares de licencias con pequeñas infracciones, puede desviar la atención de los tipos de licencias generales que se utilizan como hoja de parra para varios grandes infractores.

Otra fuente importante de desperdicio y costos es el procesamiento de chatarra. Toneladas pasan por centros de clasificación y reciclaje donde el trabajo todavía lo realizan principalmente personas y, como puede imaginar, es un trabajo peligroso y aburrido. Eversteel es una startup de la Universidad de Tokio que tiene como objetivo automatizar el proceso para que gran parte del trabajo se pueda hacer antes de que los trabajadores humanos intervengan.

Imagen de chatarra con etiquetas reconocidas por AI para diferentes tipos de elementos superpuestos.

Crédito: Eversteel

Eversteel utiliza un sistema de visión por computadora para clasificar la chatarra entrante en casi dos docenas de categorías y marcar elementos impuros (es decir, aleaciones no reciclables) o anómalos para su eliminación. Todavía está en las primeras etapas, pero la industria no va a ninguna parte, y la falta de un gran conjunto de datos para entrenar sus modelos (tuvieron que crear los suyos propios, informados por trabajadores del acero e imágenes) mostró a Eversteel que este era un territorio inexplorado para AI. Con suerte, podrán comercializar su sistema y recaudar los fondos que necesitan para entrar en esta industria grande pero técnicamente hambrienta.

Otro uso inusual pero potencialmente útil de la visión por computadora es el monitoreo del suelo, una tarea que todo agricultor debe realizar de manera regular para monitorear los niveles de agua y nutrientes. Si logran automatizarlo, sucede con bastante persistencia. Un equipo de la Universidad de Australia del Sur y la Universidad Técnica Media de Bagdad muestra que los sensores, el hardware y las cámaras termográficas que se utilizan actualmente pueden estar exagerados.

Cubos de tierra mostrados bajo diferentes luces.

Crédito: UNISA / Universidad Técnica Media

Sorprendentemente, su respuesta es una cámara digital RGB estándar que analiza el color del suelo para estimar el nivel de humedad. «Lo probamos a diferentes distancias, tiempos y niveles de iluminación y el sistema fue muy preciso», dijo Ali Al-Naji, uno de los desarrolladores. Podría (y debería) utilizarse para crear un sistema de riego inteligente, económico pero eficaz, que podría mejorar el rendimiento de los cultivos para aquellos que no pueden pagar los sistemas estándar de la industria.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *