GeoAI: Inteligencia Artificial en ArcGIS

Si hay algo que nadie duda en el campo de las tecnologías de la información, es que en estos últimos años los términos inteligencia artificial, machine learning y deep learning están en todas las conversaciones cuando se habla de extraer el máximo valor a nuestra información, analizar comportamientos y realizar predicciones.

Para todos los que nos dedicamos a los Sistemas de Información Geográfica, la inteligencia artificial también está cobrando cada día más protagonismo, y ese punto de unión entre las dos cosas es lo que se denomina GeoAI, pero antes de lanzarnos a las posibilidades que nos ofrece ArcGIS como Plataforma para implementar GeoAI, es importante comprender algunos conceptos.

Inteligencia artificial, machine learning y deep learning

El concepto de inteligencia artificial no es nuevo, surge a mediados del siglo pasado para hacer referencia a la posibilidad de que una máquina pueda imitar el comportamiento de la mente humana. A lo largo de los años se ha avanzado mucho en inteligencia artificial, y aunque aún no hemos llegado a alcanzar una inteligencia real en la que las máquinas tengan capacidades cognitivas similares a las de los humanos, el uso de la inteligencia artificial está ampliamente extendido en las organizaciones, sobre todo mediante la aplicación de machine learning (aprendizaje automático) y deep learning (aprendizaje profundo).

Tanto el machine learning como el deep learning se engloban dentro del ámbito de la inteligencia artificial y tienen como objetivo la creación de algoritmos y sistemas con la capacidad de aprender automáticamente, pero se puede decir que el deep learning es un subconjunto de machine learning y que la principal diferencia entre ellos es el método de aprendizaje.

• Machine learning o aprendizaje automático es la ciencia que busca conseguir que los ordenadores actúen de una manera concreta sin haberlos programado explícitamente para hacerlo. Este comportamiento se consigue a base de entrenar el sistema indicándole cómo queremos que responda ante determinadas situaciones. Algunos de los métodos más conocidos de machine learning son la regresión lineal, el clustering y los árboles de decisión.

• Deep learning o aprendizaje profundo es una técnica concreta dentro del aprendizaje automático que utiliza un sistema de redes artificiales de neuronas para analizar los datos, de forma similar a lo que hace el cerebro humano. Los programadores tienen que aportar información suficiente a las capas de la red neuronal para que estas puedan reconocer patrones y clasificar la información de forma autónoma. El deep learning es especialmente eficaz en la detección de características como imágenes o sonidos.

Todos estos algoritmos que automatizan la predicción y clasificación de la información juegan un papel muy importante cuando se trata de resolver problemas con un componente espacial, como la clasificación de imágenes o la detección de patrones espaciales. Para poder aplicar estas técnicas con nuestra información espacial, ArcGIS nos ofrece diferentes opciones que podemos englobar en dos categorías: herramientas propias de ArcGIS e integración con otras herramientas específicas.

Herramientas de machine learning y deep learning en ArcGIS

En primer lugar, es importante señalar que el uso de machine learning en ArcGIS tampoco es algo novedoso, el análisis es parte esencial de cualquier Sistema de Información Geográfica y algunas de las herramientas de ArcGIS que conocemos llevan implícitas técnicas de machine learning desde hace tiempo.

La componente espacial en los análisis de machine learning puede venir dada por la importancia de la forma y el tamaño de los elementos, la distribución espacial, la proximidad, la densidad, etc. Para resolver estos problemas con una componente espacial, ArcGIS incluye herramientas de machine learning que podemos dividir en herramientas de predicción, de clasificación y de clustering.

• La predicción se basa en el uso de lo conocido para poder estimar lo desconocido. Un claro ejemplo de predicción conocido por todos es el del calentamiento global. A partir de la información acumulada a lo largo de los años queremos realizar predicciones de qué cambio de temperatura se espera en cada zona. Otro caso es la predicción de probabilidad de accidentes en los tramos de carretera para poder poner medidas de prevención. Para realizar análisis predictivos como estos, ArcGIS cuenta con herramientas que implementan técnicas de regresión e interpolación, como Empirical Bayesian Kriging (EBK), Areal Interpolation, EBK Regression Prediction, Ordinary Least Squares (OLS) Regression y OLS Exploratory Regression y Geographically Weighted Regression.

• La clasificación se encarga de determinar a qué categoría se debería asignar un objeto en base a un conjunto de datos de entrenamiento, como, por ejemplo, diferenciar entre superficies permeables e impermeables o áreas quemadas tras un incendio a partir de imágenes. ArcGIS incluye muchas herramientas para realizar clasificación, algunas de las más conocidas son Maximum Likelihood Classification, Ramdom Trees y Support Vector Machine.

• El clustering agrupa observaciones en base a valores o ubicaciones similares, por ejemplo, para realizar segmentaciones del territorio en función de características demográficas o socioeconómicas similares, que pueden ser útiles en muchos ámbitos, como el geomarketing. Entre las herramientas de ArcGIS que incluyen algoritmos para encontrar agrupaciones de entidades se encuentran Spatially Constrained Multivariate Clustering, Multivariate Clustering, Density-Based Clustering, Image Segmentation, Hot Spot Analysis, Cluster y Outlier Analysis, y las herramientas de Space Time Pattern Mining.

Todas estas herramientas dan la posibilidad de realizar análisis avanzados con técnicas de machine learning sin salir de ArcGIS. Sin embargo, existen ocasiones en las que es necesario realizar análisis más específicos o avanzados y, para ello la Plataforma ArcGIS nos ofrece opciones de integración.

Integración con herramientas específicas

ArcGIS es una Plataforma abierta e interoperable que facilita la integración con otros sistemas, lo que la convierte en una plataforma ideal para trabajar con machine learning y deep learning. Las integraciones se realizan a través de ArcGIS API for Python, ArcPy y R-ArcGIS Bridge y dan la capacidad a los usuarios de resolver problemas complejos combinando la potencia de las herramientas construidas con los paquetes de machine learning o deep learning, como scikit-learn, TensorFlow o IBM Watson entre otros, con los beneficios del análisis y validación espacial, geoenriquecimiento y visualización de resultados en ArcGIS.

Además de la propia integración, ArcGIS Pro también facilita la generación de los conjuntos de datos de entrenamiento para modelos de deep learning mediante la herramienta Export Training Data for Deep Learning.

Gracias a la combinación de estas tecnologías los casos de uso se multiplican y se pueden aplicar a cualquier sector. Algunos ejemplos realizados mediante este tipo de integraciones incluyen la detección de vehículos en tiempo real mediante la captura de vídeos, la digitalización automática de carreteras, la estimación de la hora de llegada de vehículos de forma instantánea y masiva y la predicción precisa de ventas en cada lugar y momento.

La integración de inteligencia artificial en ArcGIS es uno de los puntos claves en la hoja de ruta de Esri, que sigue apostando por múltiples iniciativas en esta línea, como incluir nuevas herramientas de machine learning y deep learning en la plataforma, continuar facilitando la integración con otros sistemas y desarrollar nuevos algoritmos que potencien la intersección entre el GIS y el machine learning.

Autora: Marta Dávila Atienza. Área de Tecnología e Innovación.