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?