Notas 18: Inteligencia artificial en las ciudades. Planificación urbana y gestión pública

INTELIGENCIA ARTIFICIAL EN LAS CIUDADES: PLANIFICACIÓN URBANA Y GESTIÓN PÚBLICA

Notas técnicas del evento organizado por el Banco Interamericano de Desarrollo.

Información obtenida en el ©2021 del Banco Interamericano de Desarrollo. Todos los derechos reservados.

Síntesis de información, redacción y diseño por impostergable.

Foto tomada de Unsplash

© Uso gratuito bajo la Licencia Unsplash

Las ideas y planteamientos contenidos en la presente edición son de exclusiva responsabilidad de sus autores y no comprometen la posición oficial de impostergable.

Copyrigth@ 2023 Las imágenes y textos que se presentan en esta publicación están tuteladas por una ley de derechos de autor por lo que está prohibida la reproducción parcial o total de sus contenidos, sin las respectivas citaciones y uso de fuentes.

BIENVENIDA

Maria Camila Uribe, Coordinadora de la Red de Ciudades del BID inició el webinar ‘Inteligencia artificial en las ciudades: planificación urbana y gestión pública’ estableciendo un espacio de diálogo y de conocimiento como continuación del webinar pasado sobre Código Abierto realizado en mayo. En el presente webinar se conversó sobre cómo algunas herramientas que utilizan la inteligencia artificial pueden ayudar a mejorar la calidad de vida de los ciudadanos y a generar información para desarrollar diagnósticos más eficientes sobre los desafíos que enfrentan las ciudades, teniendo en cuenta la rápida urbanización que ocurre en la región.

INTRODUCCIÓN

La moderación del webinar estuvo a cargo de Cristina Pombo y Carolina Piedrafita.

Cristina Pombo, coordinadora de la red fAIr LAC y asesora Senior del Sector Social del BID en la estrategia de Economía digital que utiliza tecnologías digitales para brindar servicios sociales más eficientes a la región de América Latina y el Caribe (LAC), comentó que la red fAIr LAC del BID siempre ha estado muy pendiente de la frontera del conocimiento, de cuáles son las nuevas herramientas que permiten trabajar en los problemas de desarrollo que existen, así como ha mostrado su preocupación para que las desigualdades que hay en el mundo análogo no se transmitan al mundo digital, y que la tecnología reduzca las inequidades y la pobreza. Asimismo, enfatizó que la red fAIr LAC nace como un apoyo a los países para promover y desarrollar el uso responsable de la tecnología y en especial de la inteligencia artificial, observando cuáles son los riesgos que pueden generarse con esta tecnología. Han desarrollado varios proyectos pilotos que

les permite entender dónde están los puntos de riesgo y han construido herramientas para mitigar riesgos y facilitar la toma de decisiones a los formuladores de políticas y a los desarrolladores de las soluciones.

Recalcó que el uso de datos y la inteligencia artificial son una herramienta muy poderosa y buena para realizar análisis, predicciones y tomar mejores decisiones de políticas públicas. Comentó que en la web de la red fAIr LAC pueden encontrar recursos como cursos y MOOCS que permiten que los formuladores de políticas y desarrolladores puedan encontrar herramientas muy prácticas para pasar de los principios de la inteligencia artificial y la ética, a la práctica y verlo aplicado en la planificación urbana con efectos concretos.

Por su parte, Carolina Piedrafita, especialista Senior en Desarrollo Urbano y Vivienda - BID y quien lidera el Lab de Ciudades de la División de Desarrollo Urbano y Vivienda, señaló que se ha realizado este webinar porque se conoce que el crecimiento exponencial de datos y los avances tecnológicos de la última década presentan un potencial enorme para la gestión y elaboración de diagnósticos en desarrollo urbano. Desde el trabajo del BID, han notado a menudo que no todas las ciudades tienen los recursos y capacidades para hacer uso de herramientas de captación e interpretación de datos, por ello desde varias instancias del BID, han trabajado para generar estas herramientas y fomentar las capacidades para manejarlas. Indicó que en el webinar se hablaría de 3 experiencias que aplican una tecnología emergente como es la inteligencia artificial en el contexto de la gestión pública y con el fin de mejorar la vida de las ciudades. Recalcó que este desafío no solo involucra el componente tecnológico, sino también la ges-

tión de equipos y adquisición de nuevas habilidades dentro de los equipos de gobierno.

La primera experiencia fue IncluIA, que es un sistema de recomendación diseñado para implementar la efectividad de los trabajadores sociales en campo localizando a los beneficiarios de programas sociales con alta precisión geográfica y como proyecto piloto de la red FAIR LAC será desplegado en varias ciudades de la región. La segunda experiencia fue en el Ministerio de Desarrollo Social de Uruguay, donde se desarrolló una metodología basada en el análisis automatizado de imágenes satelitales para monitorear la situación de los asentamientos informales urbanos del país. La tercera experiencia fue MAIIA (Mapeo Automatizado de Asentamiento Informales con Inteligencia Artificial) que es una herramienta del Open Urban Planning toolbox de la División de Desarrollo Urbano y Vivienda del BID. Permite aplicar inteligencia artificial para identificar y realizar seguimiento de asentamientos informales en cualquier ciudad.

PRESENTACIONES

Las presentaciones fueron realizadas por Alejandro Noriega Campero, fundador de ProsperIA y creador de IncluIA; Guillermo D’angelo, líder de equipo en la Dirección Nacional de Transferencias y Análisis de datos del Ministerio de Desarrollo Social de Uruguay y Antonio Vásquez Brust, científico de datos urbanos y consultor de Cities Lab BID.

Alejandro Noriega, fundador de ProsperIA y doctor en inteligencia artificial aplicada por el MIT Media Lab, comentó que ProsperIA es un emprendimiento social que salió del MIT para innovar en el diseño, focalización y operación

de políticas e infraestructura social mediante tecnología. La herramienta IncluIA se encuentra dentro de la línea de trabajo de Inteligencia Microterritorial para la optimización de programas e infraestructura y de la mano del BID y la red fAIr LAC han logrado llegar a más de 10 países para incidir en temas sociales.

IncluIA, en su metodología y tecnología tiene tres partes:

1. Generación de mapas de población, de población, de pobreza, uso de suelo, etc.

2. Georeferenciación de infraestructura, que son mapas que utilizan IA.

3. Georreferenciación de beneficiarios de programas y políticas.

Alejandro señaló que cuando tienen todas las capas mencionadas, consiguen un sistema de apoyo a la toma de decisiones. Desde ProsperIA creen en la necesidad de este tipo de información que permita visualizar, simular decisiones y sus potenciales impactos y hacer recomendaciones, así como monitorear las métricas de interés para los casos de uso.

Alejandro mostró un breve demo de un caso de uso en Costa Rica. Allí, en la zona central que son 4 ciudades que concentran a más del 80% de la población de Costa Rica, se desarrolló IncluIA, con el objetivo de lograr mayor inclusión de la población en vulnerabilidad social en todo el conjunto de políticas sociales de Costa Rica y las ciudades. Primero, se hizo un mapeo a muy alta resolución, se dividió el territorio en cuadrados de 50 x 50 m, y para cada uno de ellos hicieron modelos de inteligencia artificial basados en imágenes satelitales que les brindaban diferentes informaciones que los orientaban al objetivo de ayudar al gobierno a optimizar a dónde envían a sus trabajadores sociales en campo para

levantar cuestionarios socioeconómicos e ingresar a la gente a los programas sociales.

Alejandro mostró un demo donde primero utilizó el modelo que detectaba unidades habitacionales, que filtra el mapa dejando fuera las áreas verdes, ríos, aeropuertos y grandes industrias y comercios, y solo muestra donde parece que vive la gente. Seguido de ello, encendió la capa donde se estima que hay niveles de pobreza, donde el color rosado muestra mayor probabilidad de pobreza extrema y de color verde los de menor proababilidad. Posteriormente, el modelo mostró manchas de color verde y de color rosado, y se probó apagando la capa para corroborar que los colores coincidan con lo que se veía en las imágenes. Alejandro añadió que esta información no era suficiente para llegar al caso de uso, era necesario saber donde había gente de pobreza y también dónde actualmente no hay beneficiarios de los programas para que el gobierno pueda optimizar el envió de trabajadores sociales. Por ello, parte del proceso fue georreferenciar a los beneficiarios actuales de los programas, así en el modelo encendió la capa de beneficiarios sociales en todo el mapa. En color rosado aparecieron dónde no hay beneficiarios y en azul donde si hay beneficiarios actuales. Finalmente, IncluIA lo que hizo fue digerir toda la información a los tomadores de decisiones, identificar de forma muy precisa los clústers (grupo específico de trabajo) que tienen todas las características que es alta probabilidad de pobreza y no cobertura de los programas sociales, así identificaron 41 clusters, los listaron y el gobierno pudo revisar cada uno de ellos.

Guillermo D’angelo, líder de equipo en la Dirección Nacional de Transferencias y Análisis de datos del Ministerio de Desarrollo Social de Uruguay, mostró la experiencia del proyecto de teledetección de asentamientos irregulares. Inició comentando sobre el sensoramien-

to remoto que se refiere a la detección de la superficie terrestre mediante imágenes satelitales o fotos aéreas. Para ello existen dos paradigmas para identificar elementos en el territorio que proveen las imágenes aéreas, el primero reconocimiento de características basado en píxeles y el segundo basado en objetos OBIA (object - based). Indicó que este proyecto realizado principalmente por la empresa Dymaxion Labs (Argentina) en colaboración con el BID, luego continuó siendo financiado por CAF en el proyecto manos en la data y en contraparte fue apoyado por el Ministerio de Desarrollo Social y el Ministerio de Ordenamiento Territorial, Vivienda y Medioambiente.

Guillermo comentó que Dymaxion sumó al modelo imágenes Sentinel-2, que son gratuitas y pertenecen a la Agencia Espacial Europea y tomó fotos aéreas de un vuelo nacional del 2018 del departamento de Infraestructura de Datos Espaciales del Uruguay que tenía una resolución de píxel de 10 cm. También complementaron las imágenes con información de datos de catastro, que les permitía ver si la parcela pertenecía a la ciudad consolidada o si eran grandes padrones donde se ubican los asentamientos informales, y que normalmente son propiedad del estado y están abandonados. Además de toda la información anterior, sumaron una capa de densidad demográfica de mayores de 60 años provisto por el programa Humanitarian Data Exchange de Facebook, ya que la pobreza se concentra con mayor incidencia en poblaciones jóvenes.

Guillemo explicó que en este proyecto utilizaron un modelo de red neural convolucional U-net y fue entrenado con una capa de asentamientos irregulares previamente. El resultado del proyecto es una imagen, un raster de aquellas zonas donde hay mayor probabilidad de que los píxeles correspondan a una ciudad

EN EL PASADO, EL PRINCIPAL DESAFÍO ERA LOS DATOS, HOY ES LA GENTE

regular o a otro uso del suelo como espacios verdes o ciudad formal. Señaló que los asentamientos irregulares son un fenómeno muy común en ciudades latinoamericanas y que el sensoramiento remoto junto con la aplicación de IA: deep learning, posibilita la identificación de los mismos con diversos métodos y costos menores que los relevamientos tradicionales en campo. Por ello consideró que tiene más sentido su aplicación en territorio extensos y con carencias grandes en la información base, que no es el caso de Uruguay porque cuenta con sistema de información bastante sofisticada y con cobertura amplia, tiene una población de 3.5 millones de personas y no presenta accidentes geográficos complicados como en otros países donde las dificultades territoriales son grandísimas y allí el uso de estas herramientas cobran mucho más sentido. Este proyecto les permitió monitorear el crecimiento o expansión de las zonas informales, anticiparse con políticas al crecimiento espontáneo y adaptar esta metodología a otros fenómenos urbanos que son relevantes, como la detección de árboles en zonas urbanas para reducir las islas de calor en las ciudades.

El tercer panelista, Antonio Vásquez, científico y consultor en Ciencia de Datos Urbanos en el BID, comentó sobre MAIIA, Mapeo de Asentamientos Informales basado en Inteligencia Artificial. Es una pieza de software de código abierto que es parte de la caja de herramientas para la planificación urbana basada en herramientas y algoritmos de código abierto que publica la División de Desarrollo Urbano y Vivienda del BID. Indicó que esta herramienta se desarrolló en principio de una forma más tradicional con especialistas en Barranquilla en un proyecto que hizo la División de Desarrollo Urbano del BID junto con la municipalidad y el Departamento Nacional de Planeamiento de Colombia. En base al análisis de imágenes satelitales de la ciudad, trabajaron con expertos locales que dibujaron y delimitaron la zona de los asentamientos informales, que son las áreas de prioridad para inversión pública y para ejecutar otras medidas para mejorar la calidad de vida de los habitantes que viven allí. Enfatizó que con la cartografía, entrenaron una red neuronal, que es un algoritmo para clasificación especializada de imágenes, es un un proceso de fondo matemático que en base a muchos ejemplos de imágenes de zonas de la ciudad que son informales, las contrastan con otras imágenes de zonas de la ciudad consolidada, para que la red aprenda a encontrar de forma visual los patrones visuales típicos que identifican informalidad. La tecnología aprende a hacer cartografía de ciudad informal, y a diferencia del ojo humano que toma bastante tiempo y requiere el ojo experto, ese conocimiento se encapsula en el algoritmo, así después cada 9 meses puede recibir un nuevo grupo de imágenes y en cuestión de horas puede realizar un informe actualizado donde se detecta la presencia de asentamientos informales, lo que permite saber donde están creciendo los asentamientos y en qué volumen. El resultado del algoritmo no es tan bueno y

preciso como el de los ojos humanos, pero la ventaja del algoritmo es hacerlo en alta velocidad, rapidez y en gran volumen. El resultado es suficientemente bueno para ayudar en la toma de decisiones y para poder confiar y utilizar como insumo. Permite tener una cartografía que se utilice con frecuencia regular para monitorear las situaciones, especialmente en contextos donde no existe información reciente, detallada, ni hay datos de censos.

Antonio enfatizó que esta herramienta es open source, pero que sea de código abierto no es suficiente, para implementar esta tecnología emergente se necesita un equipo de trabajo que consiga los datos de entrada, que disponga de buena documentación, que conozca qué flujo de trabajo requiere y tenga conocimiento de varias herramientas que están involucradas. Por ello, la estrategia del BID ha sido utilizar un tipo de solución de contenerización, que es pre configurar el sistema operativo que se necesita para correr este algoritmo, así la persona que desee utilizarla, puede simplemente descargar un archivo, ejecutarlo y se instala en la computadora local para producir cartografía. También, la documentación que acompaña la herramienta está basada en notebooks, “cuadernillos” de código, que es una forma de documentar y compartir código de programación. Este ha sido colocado en lenguaje coloquial permitiendo explicar qué hace cada sección de código, qué datos usa y entrega, así cualquier persona lo puede probar en su computadora y proporcionarle datos propios de su ciudad para que aprenda a usar la herramienta. MAIIA está publicada en el catálogo de código para el desarrollo del BID, los requisitos para utilizarla es tener una computadora OS Linux, hardware con aceleradora gráfica (GPU), (un poco de) experiencia usando Python y acceso a imágenes satelitales que pueden ser sentinel o las que consiguen los municipios por convenios con el gobierno central para obtener imá-

genes de alta resolución. Desde el BID, se está desarrollando una versión que corre en la nube, es decir que no se necesita una computadora propia para hacer uso del servicio, el código de inteligencia artificial corre en la web sin costo.

¿Qué aprendizaje has obtenido al realizar IncluIA desde una perspectiva ética? ¿Qué desafíos encuentras para aprovechar el potencial que tiene la inteligencia artificial creando impacto social en las ciudades de la región?

Alejandro señaló que encuentra 3 desafíos y aprendizajes. Primero, no es sencillo tomar un modelo desarrollado para un país o región y aplicarlo tal cual como está en otro país o región. Todo depende del modelo, si es más sofisticado o no. Por ejemplo, han realizado pruebas para tratar de aplicar el modelo de Costa Rica en México, pero ha proporcionado resultados que no son aleatorios, por lo que uno de los aprendizajes es la importancia de reconocer los dominio dónde se entrenó un modelo y dónde se aplica, no es lo mismo las construcciones que se usan en Costa Rica que en la Ciudad de México. Ahora están yendo a Ecuador con el BID y luego a Argentina, para ello tienen que reevaluar los datos locales y reentrenar el modelo. El segundo aprendizaje es saber para qué se usa, el objetivo es apoyar la toma de decisiones, cambiar una decisión para bien, tener impacto social. En ese sentido, en Costa Rica, el caso de uso legítimo era conocer si las personas que se encuentran en pobreza son candidatos para un programa social, si no lo son, la priorización de las campañas en campo ayuda a identificar cuáles son los asentamientos que parezca los más probables a la población que están buscando. El tercer aprendizaje es que las últimas decisiones sean tomadas por los expertos en el trabajo de campo, ya que ellos

pueden incorporar otro tipo de conocimiento más específico de la realidad.

¿Qué factores hacen estas ciudades escenarios propicios para agregar esta tecnología? ¿Cómo hacen las ciudades para trabajar con ProsperIA?

Para Alejandro, los factores que hacen que las ciudades sean propicias para estos proyectos no es si tienen datos o no. Casi todos los países tienen suficientes datos para hacer esto. Lo que genera puntos a favor es el levantamiento de información socioeconómica en campo y es importante saber dónde no estamos llegando y para mejorar las herramientas del sector público. Ahora que van a trabajar en un caso en Argentina, quieren saber dónde está la población vulnerable y si está teniendo acceso a la infraestructura de servicios públicos de primera infancia.

Señaló que mucho del trabajo que han realizado ha sido de la mano del BID. Para trabajar con ellos, deben contactarlos a través de su web. Señaló que la IA es un elemento y hacen falta un montón de otras cosas. Recién de 4 o 5 meses de trabajo se empieza a tener resultados bonitos que ayudan a tomar decisiones. Trabajan con código widhoc, es decir, se queda con la contraparte (cliente) y puede decidir qué hacer con ello. La plataforma y sistema que utilizan no es opensource, lo demás es código de datos y el cliente decide qué de qué forma desea la herramienta.

¿Cómo se logra convocar y mantener un equipo que conozca los lenguajes de programación en el sector público?

Guillermo del Ministerio de Desarrollo Social de Uruguay indicó que es difícil retener a la gente, sobre todo porque los pagos son más bajos en el sector público. Tampoco cuentan

con un equipo que programen en Python o que tengan conocimientos de datos muy profundos. La manera de mantener a un equipo especializado en estos temas es intentando que el tipo de proyecto vaya más allá de lo típico, que incorpore lo social y los programas que están de moda en el sector privado. Probablemente, el sector público es menos dinámico que el privado pero se puede aplicar lo que se incluye en el sector privado.

¿Cómo desde el ministerio están haciendo transferencia hacia los municipios?

Guillermo recalcó que no están trabajando para transmitir la información a los municipios, ya que las capacidades que tienen los municipios son muy limitadas, el 90% de ellos no cuenta con capacidad técnica. Están buscando tener un sistema municipal como en España, donde cada área utiliza GIS para el ordenamiento territorial de las ciudades. Aún falta mucho para que las municipalidades incorporen ciencia de datos e inteligencia artificial en sus actividades.

¿En qué ciudad se probó MAIIA y cuáles fueron los resultados?

Antonio comentó que se probó principalmente en Manizales. Trabajaron con un equipo entusiasta de catastro, quienes se sentían muy cómodos usando GIZ, shapefile, rasters y tuvieron que usar algunas herramientas de programación. El proceso estaba funcionando muy bien, solo que el modelo no funcionaba en las laptops del equipo municipal por lo contrataron a un tercero con su equipo, ejecutaron el modelo y tuvieron buenos resultados. El equipo logró entrenar el algoritmo con cartografías que habían hecho ellos. El algoritmo aprendió a identificar los patrones tipos y todo encajaba, estaba detectando de forma útil la posición y ubicación de los asentamientos informales.

¿MAIIA ejecuta todos sus servicios de manera remota?

Antonio enfatizó que MAIIA puede ser usada en la nube. Es una funcionalidad esto reciente, al principio requería de una placa procesadora gráfica pero ahora ha sido probada utilizando Google Colab que es parecido a Google Drive, tal como hay una herramienta que permite crear hojas de texto y cálculo, hay otra que permite correr código que incluye una placa aceleradora gráfica. Los cuadernillos han sido probados en ese entorno y sí funcionan.

¿Cuáles son los principales desafíos que encuentras en los equipos municipales?

Para Antonio, al principio el principal desafío eran los datos, hoy son la gente. Al inicio no se podía entablar la comunicación con los equipos municipales porque la respuesta era que no tenían datos ni información georreferenciada. Esta información puede ser tomada de fuentes globales, de facebook, de openstreetmap. Ahora que están los datos, lo que hace falta en los municipios es la gente, cómo logran que las ciudades convoquen talento y lo retenga. Una posibilidad para los municipios es que la gente joven, que tiene un poco de temor ingresar al sector privado, pueda trabajar en el área territorial que tiene gran demanda de esos talentos y trabaje con contenerización allí. Si bien los municipios son una gran oportunidad para estos trabajos, cuando los jóvenes ya tienen experiencia, se van a las startup y al sector privado que les ofrecen mejores salarios.

Alejandro comentó que se usan los datos abiertos que puedan encontrar. Hay de dos tipos, los datos satelitales y los datos sociales. Los primeros están disponibles para todos las ciudades del mundo en baja y alta resolución. Los datos sociales existen en censos, de bares, registros de beneficiarios. En estas herramientas se trabaja con los datos sociales que se tienen disponible.

Antonio recalcó que Maiia puede trabajar con los datos Sentinel-2 y gracias a la generosidad de la Agencia Espacial Europea, se puede descargar los datos del mundo que le interesa, datos de fuentes comerciales de satélites y tiene alta resolución de 10 a 20 m por píxel, permitiendo identificar calles y vías pero no viviendas. Las imágenes satélites de mayor resolución están fuera de presupuesto pero se pueden adquirir haciendo un convenio con otros países, contactando al área de gobierno nacional que se encarga de convenios.

¿Cómo se puede acceder a Maiia y IncluIA?

MAIIA se encuentra dentro del toolbox del laboratorio urbano de las ciudades. Para utilizar IncluIA, pueden contactar a Prosperia a través del correo karla@prospeia.ai

¿Qué tipos de datos se usan para estas herramientas?

Foto tomada de Unsplash © Uso gratuito bajo la Licencia Unsplash