La IA como vehículo del Desarrollo de Smart Cities

Uno de los pilares en las soluciones hacia una ciudad inteligente, por lo menos las que incluyen la modelación de información, es la Inteligencia Artificial.

20 febrero, 2019

Por Luis Eduardo Almazán Sifuentes. Analista de Datos en Netcity

Introducción

El auge de las conversaciones e implementaciones de las Smart Cities, ha provocado también un aumento significativo de las ideas que pueden aplicarse a ellas, modificando su definición, o más bien, ampliándola a razón de los límites de la imaginación de quienes las desarrollan, así como las necesidades específicas que se identifican en cada ciudad donde se ha buscado implantar el modelo (Hollands, Will the real Smart City please stand up?, 2008). El desarrollo que siguen las tantas soluciones que existen para las ciudades inteligentes del mundo, son un gran ejemplo de lo diverso del ser humano, con tan sólo un punto geográfico como diferencia, en ocasiones.

Las diferentes definiciones que se encuentran del concepto Smart City llegaron a provocar una confusión en la finalidad de la implementación de programas de este estilo, además de la autoproclamación de Smart Cities, restándole seriedad al término (Hollands, Will the real Smart City please stand up?, 2008).  Es importante mantener un estándar en las definiciones que se buscan aplicar a las ciudades para asegurar que el desarrollo se lleve de manera adecuada en todos los puntos donde se busque aplicar. Al mismo tiempo, es de interés de los gobiernos, instituciones educativas e industria, que se atiendan los problemas propios de cada localidad, puesto que no es de gran utilidad un abundante desarrollo tecnológico, o innovadoras soluciones en diversas áreas de la vida citadina, si la mayor parte de la población de la ciudad carece de servicios básicos, educación o es incapaz de utilizar las facilidades de la ciudad inteligente donde habita, pues desconoce sobre ellos o su utilidad (Caragliu, Del Bo, & Nijkamp, 2011).

Para implementar una Smart City se deben tener varias herramientas, numerosos conocimientos, tanto políticos, económicos, sobre administración pública, como tecnológicos y técnicos. Una de las herramientas más poderosas que puede tener es la Inteligencia Artificial. Los avances en las diferentes áreas de la IA se dejan notar cada vez más en productos del mercado común, en productos domésticos. El procesamiento del lenguaje natural de productos como Alexa de Amazon, Google Assistant y Siri de Apple; las capacidades de análisis visual de Google Lens y los automóviles Tesla; hasta el texto predictivo de los celulares, son algunos ejemplos de lo cotidiano que es en la actualidad utilizar sistemas basados en IA.

En el área industrial también se encuentran varios ejemplos de la utilización de la IA, la gama de soluciones que ofrecen Google, IBM y Microsoft a las empresas es realmente enorme.

Esta explotación del mejor de los recursos de la actualidad, los datos, se ha visto también como una oportunidad para que las Smart Cities se vean beneficiadas.

En la primera sección de este artículo se habla sobre los elementos en alto nivel que conforman una Smart City. Posteriormente, se hablará de la definición de la Inteligencia Artificial con la meta de exponerla como la pieza fundamental que es de las soluciones tecnológicas de una Smart City. En la siguiente, se hablará de las diversas soluciones existentes en ciudades inteligentes del mundo que implementan el uso de Inteligencia Artificial. Después, se toca el tema de la posteridad, el futuro de los humanos en una ciudad inteligente, la teoría que ya vive en la mente de los visionarios, así como las posibles trastabillas y puntos encontrados con la oposición del desarrollo de Smart Cities y de Inteligencia Artificial. Se termina el artículo con una sección de conclusiones y las referencias utilizadas en su elaboración.

Smart Cities: Pilares y Fortalezas

Tienen sus cimientos en varios conceptos, y pueden surgir otros dependiendo de con quién se hable, aunque comúnmente se notan tres: las TIC, el desarrollo sustentable y la mejora de la calidad de vida. La tercera se teoriza como una consecuencia inherente, así como la razón por la cual se desarrollan tecnologías de la información con la preservación del ambiente que nos rodea en consideración.

Según Caragliu, et al (Caragliu, Del Bo, & Nijkamp, 2011) existen en la literatura seis elementos principales a contenerse dentro de una ciudad inteligente:

  • La “utilización de infraestructura de red para mejorar la eficacia económica y política, y posibilitar el desarrollo social, cultural y urbano” (Hollands, Will the real Smart City please stand up?, 2008).
  • El desarrollo de la urbanidad, a partir de la involucración del sector privado.
  • “Un fuerte enfoque en la meta de alcanzar la inclusión social de los residentes urbanos en los servicios públicos.”
  • El preponderante rol de la alta tecnología en el desarrollo.
  • La educación de los habitantes para el correcto aprovechamiento de los servicios que las ciudades puedan ofrecerles.
  • Desarrollo sustentable que permita la óptima construcción de las edificaciones e implementación de las soluciones, sin terminar con el ambiente que las rodea, procurando siempre mejorar los programas ya existentes y terminar con prácticas industriales perjudiciales al medio ambiente.

Entonces, se podría decir que una ciudad es inteligente, es una Smart City, si es que dentro de sus planes actuales se encuentra el desarrollo de alguno de estos puntos; si no es que ya tiene implementada alguna de las políticas mencionadas.

Por ejemplo, la ciudad Binh Doung de Vietnam se ha consolidado en el último año como uno de los puntos más importantes de la zona económica a la que pertenece Vietnam. Uno de sus servicios es la disponibilidad de WiFi gratuito en gran parte de su territorio, teniendo lugares públicos como edificios de gobierno, escuelas, universidades, autobuses y hubs para lugares remotos, cubiertos con la posibilidad de conectarse.

Ilustración 1. Binh Doung (binhdoung.gov.nv)

Binh Doung solía ser un poblado de pocos habitantes principalmente encargados de la agricultura, por lo que otro de sus desarrollos tenía que beneficiar a este sector. Por ello se dieron a la tarea de generar un conjunto de espacios de intercambio de avances tecnológicos entre los granjeros ya establecidos y asociaciones con nuevas propuestas, de esta manera podrían acceder a mejores metodologías, más especializadas, para su tipo de tierra y siembra (Intelligent Community Forum, 2019).

Otra ciudad que ha captado gran atención es Prospect, Australia. Se ha posicionado como un impulsor de IoT (Internet of things) al planear la instalación de estos dispositivos en sus parques, con el propósito de monitorear el uso de estos. El sistema permitirá conocer los hábitos de caminata de los usuarios y la ocupación de los parques, para ayudar a los servicios locales de mantenimiento a saber en qué momento es necesaria alguna reparación, permitirá a los comerciantes locales ajustar sus horarios y promociones a las mejores horas y, también, proveerá de un mejor servicio de apartado para eventos especiales. Otra de las iniciativas de interés de Prospect es sus dos plataformas de co-working, una en su calle principal y otra en su biblioteca central. En estos espacios, proveídos por el gobierno, se tiene acceso a oficinas colaborativas para generar conexiones o simplemente dedicarse a su labor de nuevos o experimentados empresarios, con acceso a internet de alta velocidad, eventos de entrenamiento y un servicio de incubación de empresas. Así como Binh Doung, Prospect busca la generación de una red (NBN) que permita la conexión de sus habitantes a una red inalámbrica WiFi de alta velocidad sin costo alguno (Intelligent Community Forum, 2019).

El éxito de las iniciativas se debe en gran parte a la adopción por las autoridades competentes de cada ciudad (Binh Doung, por ejemplo) del modelo de generación de conocimiento conocido como Triple Hélice. Fueron los esfuerzos de diversas áreas de la investigación académica, industrial y gubernamental las que permitieron que la inteligencia sea una parte intrínseca de varias ciudades del mundo. El avance en la solución de los problemas de la sociedad está dado por la sinergia de las tres hélices, la academia interesada en dos partes principalmente: la utilización de la localidad (la gente, sus costumbres y necesidades) como campo práctico para sus desarrollos y la utilización de sus avances dentro de la industria (Leydesdorff & Deakin, 2011). El apoyo del gobierno en esta dinámica se justifica en el ofrecimiento de más y mejores servicios a su población, además de la atracción de inversiones exteriores e internas que propicien el crecimiento económico de la zona; todo esto impulsando a su vez la calidad de vida de sus habitantes y posicionando a la ciudad como un generador y propiciador de avances tecnológicos. Por otro lado, la industria, las empresas se ven beneficiadas al ser sus productos los que se están utilizando, su inversión la que se está retornando, además de la generación de derrama de conocimientos, para que los emprendedores continúen ofreciendo novedosas soluciones al público o al mismo sector privado.

Otro de los pilares fundamentales para muchas de las soluciones que implica una ciudad inteligente, por lo menos las que incluyen la modelación de información, es la Inteligencia Artificial (Smola & Vishwanathan, 2008). Hay tantas definiciones para este término como los hay para Smart City. Y es que, al menos en los últimos veinte años, han sufrido varios cambios en su núcleo, en sus aplicaciones. Todo esto por los avances tecnológicos y el ritmo acrecentado que provoca esta sociedad ya tan acostumbrada a las facilidades de las TIC. Uno de los avances que ayudó a impulsar una mayor utilización de las soluciones de datos con IA, fueron los dispositivos IoT ya que permiten la obtención de datos en, prácticamente, tiempo real de todo tipo de información: clima, tráfico, gasto de diversos servicios domésticos y demás. Más adelante se darán algunos ejemplos de todo lo que la IA permite en una verdadera ciudad inteligente.

Y es que este momento está lejos de ser el final. Es aún un momento casi prehistórico; pero no hay que dejar de impresionarse con la rueda que se ha inventado.

Inteligencia artificial

“AI is everything that hasn’t been yeet” Douglas Hofstadter, 1979

Desde que Alan Turing publicara su famoso Computing Machinery and Intelligence, ya hablaba sobre el poder que podrían llegar a tener las máquinas. Uno de los grandes pasos que dio Turing en ese entonces fue teorizar a la inteligencia artificial (entonces sin ese nombre) como un programa de computadora (también teórica, en esos tiempos), específicamente uno que debería ser un “niño” que aprendiera lo que necesitara para realizar la tarea que se le tenía encomendada (Turing, 1950). Son estas las bases, a grandes rasgos, de lo que hoy se conoce como Machine Learning; un concepto frecuentemente intercambiado con IA, con justas razones, como veremos más adelante (Nilsson, 1998).

John McCarthy, uno de los padres de la IA, la define así: Es la ciencia e ingeniería de crear máquinas inteligentes, específicamente programas de computadora inteligentes (McCarthy J. , 2007).

Ahora, la inteligencia, a su vez, tiene también varias definiciones, pero la utilizada en este artículo es: la capacidad de alcanzar metas en una amplia gama de ambientes (Legg & Hutter, 2006).

De esta manera, se puede definir a la IA como la ciencia que se encarga de la generación de programas que resuelvan problemas en una amplia gama de ambientes.

Ahora, por gama de ambientes se refiere a las diferentes posibilidades o configuraciones posibles que tiene un problema en específico. Por ejemplo, si se tiene el problema de reconocer en varias imágenes el número nueve escrito a mano, cada escritura diferente sería un ambiente diferente; o bien, si se tiene el problema de detectar un robo de una tarjeta de crédito, los ambientes serían las diversas compras realizadas con la tarjeta a lo largo de la historia del cliente (o clientes).

Como se mencionó con anterioridad, el aprendizaje de máquina (Machine Learning; ML) posee una relación fuerte con la IA. Con la visión de Turing es fácil ver por qué se intercambian estos términos.

Un proceso de ML se basa en la generación de un modelo a través del análisis de una base de datos, con el propósito de resolver un problema específico. Hay dos tipos de paradigmas de ML: aprendizaje supervisado y aprendizaje no supervisado (aunque también puede haber semisupervisados). La diferencia yace en el propósito del problema en cuestión y los datos conocidos. Si se tuviera el problema de saber si un cliente de un banco dejaría de pagar un crédito que se le otorgó y, además, se tiene una base de datos que incluya información de otros clientes y créditos, incluyendo si es que dejaron de pagar; entonces, tendríamos un problema de aprendizaje supervisado, pues dentro de los datos se incluye el campo que se busca obtener. Por el contrario, si el problema fuera el de agrupar los clientes de un banco con respecto a sus características, con el fin de generar segmentos de clientes con niveles de crédito, se tendría un problema de aprendizaje no supervisado, ya que se carece de la información que se busca obtener, esto es, el nivel de crédito al que pertenecería cada cliente.


Ilustración 2. Separación de los paradigmas de Machine Learning. (imagen tomada de intellspot.com)

Se muestran en la Ilustración 1 algunos de los problemas principales asociados a los paradigmas mencionados; estos, por supuesto, no son todos los problemas que existen en estos dos paradigmas. Un ejemplo de problema de clasificación es cuando

Cuando se realiza un proyecto de ML, se siguen, frecuentemente, los pasos del método científico:

  1. Observación. En el inicio, existen dos elementos: un problema y/o una base de datos.  En este punto se observa (u obtiene en caso de faltar) la base de datos que esté relacionada con el problema; o en su defecto, se formula un problema que pueda resolverse con una base de datos existente. Se pueden realizar cálculos estadísticos en este punto, para tener un mejor conocimiento descriptivo de los datos.  Al final de este paso se debe tener entendido qué datos se tienen para resolver qué problema. Es probable que en este paso deban transformarse los datos, para asegurar que los cálculos de los siguientes pasos sean correctos.
  2. Inducción. Aquí, se formula formalmente el problema, se establecen las entradas y salidas, así como la metodología (algoritmo) a seguir, incluyendo qué porcentaje de los datos se utilizará para la modelación.
  3. Hipótesis. Se genera un modelo que probablemente resuelva el problema que se tiene. Es aquí donde entran los diversos algoritmos de ML que existen; tan variados como problemas hay que resuelven. Con base en la metodología elegida se alimenta el modelo con cada uno de los datos de la base, destinados a ser utilizados en el paso anterior. Esta fase en el argot del modelaje se conoce como entrenamiento.
  4. Prueba. En este punto se verifica qué tan bien funciona el modelo creado, utilizando un segmento de los datos existentes, probando que las entradas resulten en las salidas esperadas pasando a través del modelo.
  5. Demostración. Luego, dependiendo de una cierta medida, una tolerancia, se elige si el modelo es o no apto para resolver el problema que se tenía.
  6. Retroalimentación. En este punto se acepta la solución, o bien, se modifican los parámetros del modelo y se regresa al paso de hipótesis con un nuevo modelo.

Cómo se puede observar, la esencia de un proceso ML consiste en que un modelo aprenda las características observadas en una base de datos para obtener un resultado específico.

Un modelo no puede aprender sin una base de datos, es esa su forma de experiencia. Ahora, un determinado modelo, no puede resolver cualquier problema, requiere de un ser humano que tenga el conocimiento para elegirlo por las características que lo identifican. Si bien, algunas veces (Radford, Josefowicz, & Sutskever, 2017) la utilización de algoritmos no designados para resolver un problema, resultan ser muy efectivos en la resolución de dicho problema, es importante saber qué algoritmos resuelven mejor cada situación. Es ahí donde entra la creatividad humana; elemento aún indispensable en la generación de soluciones que conlleven ML.

La metodología, junto con sus algoritmos, está pensada como una respuesta a la problemática en el núcleo de la IA: resolver problemas con experiencia y creatividad. Hoy en día, los algoritmos de ML ofrecen una gran gama de soluciones a diversos de los problemas que se encuentran catalogados como de inteligencia artificial. Aunque, es más bien un término técnico. Por esto, suele suceder que se intercambian estos conceptos.

Conforme ha progresado la capacidad de procesamiento de las computadoras, ha también avanzado la exactitud y rapidez con la que se pueden realizar los cálculos de un algoritmo de ML. Durante uno de los primeros inviernos de la IA (como se les llamó coloquialmente a los períodos de declive en investigación) una de las razones por las que se detuvieron las investigaciones, era simplemente porque las computadoras carecían del poder de procesamiento necesario para albergar en memoria las operaciones de los algoritmos realizados (Crevier, 1993).

Estas problemáticas se vieron mitigadas en la segunda mitad de los 90, cuando empezó a elevarse las capacidades de procesamiento de las computadoras.

Soluciones existentes de IA en Smart Cities

La IA ofrece la posibilidad de generar soluciones a problemas de maneras cada vez más rápidas, consumiendo grandes cantidades de datos y optimizando sus procesos. Esto en conjunto con la granularidad de los datos que provee un dispositivo de IoT, llevó a la generación de una gran cantidad de soluciones que incluso ya se aplican en algunas ciudades.

El análisis de video que se puede realizar con las imágenes obtenidas de cámaras de video vigilancia de los CCTV está empezando a utilizarse para la identificación de criminales buscados en las calles. Una prueba de este sistema en la ciudad china de Guiyang fue realizada por un reportero de la BBC en 2017, que pudo ser encontrado por el sistema en diez minutos (Holmes, 2018); asimismo, hay policías  que utilizan lentes con este tipo de tecnología para identificar ciudadanos al caminar o patrullar en las zonas que tienen asignadas, esto les ayuda para tener una capacidad aumentada de reconocimiento de criminales. Estos mismos sistemas pueden ser utilizados para saber si alguien en la calle requiere de asistencia médica, siendo que la cámara capte el momento en que colapse o suceda algún accidente y mandar una ambulancia al lugar donde se haya detectado la problemática. Con señales de tráfico inteligentes, el viaje de esa ambulancia podría hacerse mucho más rápido, calculando la ruta que deba utilizar y modificar los semáforos en las calles que sean necesarias; sin dejar de lado el tráfico común de la zona por la que pase la ambulancia. La detección de escena descrito tiene ya varios estudios y concursos detrás, con el propósito de ser mejorado y utilizado en ciudades inteligentes (Wang & Sng, 2015).

Un grupo de investigadores suecos, lograron crear un sistema de pronósticos para las subestaciones de un DHS (Sistema de Calefacción Distrital), enfocados en un edificio multifamiliar. Encontraron que muchos factores externos al edificio son clave en el consumo de energía de estos hogares, como la humedad o la velocidad del viento, ya que es probable que modifiquen su consumo dados diferentes valores de estas variables. Notaron también que variables internas de cada subestación, no afectan en gran medida el consumo que los usuarios hacen del servicio de calefacción; como la temperatura de salida y la de entrada de la subestación. Con los resultados que obtuvieron buscan generar estrategias de ahorro de energía para los habitantes del multifamiliar, asimismo asegurando que los valores en hora pico sean estables y trabaje de más la subestación, provocando un menor gasto tanto para los proveedores del servicio, como para los usuarios (Idowu, Saguna, Ahlund, & Schelén, 2014).

El sector salud también busca adentrarse en el mundo de las Smart Cities. La cantidad de datos que manualmente se procesan en el área de salud del mundo en 2012 fue de 500 PB (Petabytes,  bytes), todo esto entre: sensores biomédicos (temperatura, presión sanguínea, ritmo cardíaco), datos genómicos (datos secuenciales, genotipos, expresión génica), datos de proveedor y pagos (datos de seguros, historial médico) y datos del paciente (estado del paciente, retroalimentación) (Pramanik, Lau, Demirkan, & Azad, 2017). Por la cantidad de información a procesarse de un solo paciente, se suscitan accidentes o confusiones en los diagnósticos o tratamientos. Los errores ocasionados por mal procesamiento de esta información llegan a provocar hasta 32,000 muertes y 2.9 millones de dólares en pérdidas alrededor del mundo (Zhan & Miller, 2003).

Así, en un equipo multidisciplinario se decidió empezar a generar una solución que permita el procesamiento de toda esta información, en conjunto con las herramientas que provee la IA y las metodologías de Big Data, para mitigar esas problemáticas. El proyecto proponía, además de una infraestructura inicial para su marco de trabajo (BSHSDF, Big data Smart Health System Framework), también generaron un plan a futuro:

  • Fortalecer el sistema administrativo de cadena de suministros en el contexto de la salud.
  • Explorar la inclusión de nuevas herramientas de medición de la salud, junto con la posibilidad del uso de redes sociales para la creación de sinergia entre las organizaciones de la salud.
  • Buscar la generación de una plataforma única de salud, fomentando la participación de todo los involucrados y enriqueciéndose al compartir los datos entre colegas.
  • Complementar la investigación con temas sobre seguridad, pues los datos que entrarían en la plataforma son de gran importancia y alta privacidad.

Estas son tan sólo algunas de las posibilidades que permite la utilización de la IA dentro del contexto de una Smart City.

Posteridad, posthumanismo y problemáticas

Todos quieren saber el futuro. Ya sea para saberse acreedores a los resultados de su trabajo, darse cuenta de malos planes del presente o hasta saber el día de su muerte. En los casos de las ciudades inteligentes, se busca construir el futuro para asegurar una buena calidad de vida, un crecimiento económico y la mejor interconexión entre los seres humanos. Pero para poder asegurarse de esto, es necesaria la generación de modelos en IA para sus soluciones que lo ameriten. Ya lo decía el célebre autor de gran cantidad de textos en series de tiempo y pronósticos, George E. P. Box, “Todos los modelos están mal, pero algunos son útiles”. Siempre hay un cierto error intentando hablar del futuro.

Futuro en IA

¿Smart Cities? Una de las problemáticas cuya solución no termina de encontrarse, aunque muchas veces se tenía, o al menos así se creía, es el tema de la Inteligencia Artificial General. Una inteligencia general es capaz de llevar a cabo cualquier tarea que un humano pueda realizar. Entre las tareas imprescindibles se encuentran: razonamiento, ser capaz de resolver cualquier problema a través del pensamiento; aprender, por medio de la experiencia, observación; realizar planes, otra forma de estrategia y comunicarse con lenguaje natural (Russell & Norving, 2003). Esto, por supuesto no ha podido ser completado más que en partes: Google Duplex puede llevar una conversación en lenguaje natural, pero sólo para agendar citas por teléfono a restaurantes y estéticas (participantes) (Leviathan & Matias, 2018); la gente de Open AI (cofundada por Elon Musk) consiguió crear un algoritmo que le permite a un robot aprender a realizar una tarea con sólo haberla “observado” una vez, su proceso es el siguiente: un humano a través de una simulación de VR le muestra al robot la tarea que espera que realice, apilar cubos de madera en determinado orden, con esa simulación se generan miles de videos con modificaciones en los colores, brillo y objetos, con los videos generados es que se entrena al robot a través de dos redes neuronales, una de visión y otra de imitación, con lo que el robot infiere cómo realizar la tarea que se le encomienda (apilar cubos en el caso de sus ejemplos; aunque, en sus palabras, ninguna parte del código está hecha sólo para apilar cubos, es decir, podría aplicarse en otro tipo de tareas) (Duan, y otros, 2017); Deep Blue, la computadora de IBM que se enfrentó (y venció en el segundo reto) al campeón de ajedrez Garry Kasparov, era capaz de “ver” hasta 200 millones de jugadas posibles antes de realizar algún movimiento (IBM, 1997); Watson, también de IBM, llevó a cabo una tarea similar, la de ganar un juego del famoso programa Jeopardy! a los dos mejores jugadores que había tenido el programa, utilizando 100 algoritmos para obtener posibles respuestas, uno para darles jerarquía y una medida de confianza que permitiera o no intentar contestar basados en la jerarquía realizada (IBM, 2011).

Otra de las áreas que está captando bastante atención es la de Deep Learning. Esta área no tiene realmente tanto tiempo de haberse popularizado entre los expertos de IA, principalmente por el poder de cómputo que requiere para entrenar los parámetros de su estructura; pero, como antes, esto quedó atrás con los avances en hardware de las computadoras de la actualidad. A muy alto nivel, una red neuronal es profunda cuando posee una gran cantidad de capas de abstracción, permitiéndole una mejor extracción de propiedades y capacidades superiores de transformación, en contraposición a las redes neuronales comunes. Sus aplicaciones son de las más pesadas en términos computacionales: análisis de imágenes, video, procesamiento del lenguaje natural y demás. Un ejemplo reciente es el de su utilización en el monitoreo de salud de máquinas industriales (Zhao, y otros, 2019). Dentro de una empresa de Porsche se desarrolló un algoritmo que “escucha” los sonidos que produce una máquina (en el caso de su estudio, máquinas de café) y determina si ésta se encuentra en buen estado, o si requeriría mantenimiento a la brevedad; esto para aplicarse en el diagnóstico de diversas máquinas, incluyendo las del negocio automotriz (Auf der Mauer, Behrens, Derakhshanmanesh, Hansen, & Muderack, 2018). Un grupo de científicos de la India se dieron a la tarea de generar un algoritmo que pueda detectar cáncer de pulmón en las zonas en las que normalmente se encuentra, procesando a través de modelos de Deep Learning la imágenes de un escaneo CT (tomografía), la efectividad de su sistema es de un 84% (Bhatia, Sinha, & Goel, 2018).

Es difícil señalar en qué camino seguirá la inteligencia artificial, o más bien, en qué caminos no se intentará caminar. Lo que es bastante seguro es que no se ve el final en este punto, aún es cuesta arriba, pero ya se divisan prolíferos paisajes y novedosas aplicaciones.

Posthumanismo

Observando la gran cantidad de avances tecnológicos que se ven hoy en día, esa ya tan acelerada competencia entre los más grandes contribuyentes al desarrollo hace pensar en si el ser humano ha progresado de alguna manera junto con estos progresos, si es que nuestras capacidades se han modificado de alguna manera, o si ya deberían de haberlo hecho. ¿Qué sigue del Homo Sapiens Sapiens? Desde la literatura de ciencia ficción se considera a inteligencia artificial como una entidad misteriosa, de la cual no siempre podemos estar seguros de sus acciones, o la cual puede sorprender por su humanidad o inhumanidad (Asimov, 1950). Muchos de estos miedos se encuentran arraigados a la cultura popular en la forma de películas exitosas (Terminator, Blade Runner, Matrix, Ex Machina), muchas veces con un núcleo similar, el de la obtención, repentina o eventual, de conciencia por parte de las máquinas y el posible fin de la humanidad por esta eventualidad. Cual si las máquinas, las computadoras, fuesen un siguiente paso en la evolución. Actualmente, filosóficamente, por lo menos, existe lo que se conoce como transhumanismo que conlleva las problemáticas ontológicas de un ser humano modificado a través de la ciencia, lo que en ciencia ficción se conoce como cyborg. Esta corriente encuentra una crítica, a veces simultánea, con el posthumanismo, donde un posthumano se define, al menos por Joel Garroeau, como “seres cuyas capacidades básicas exceden tan radicalmente las de los humanos actuales, que, sin ambigüedad, ya no pueden ser considerados humanos para los estándares actuales” (Wolfe, 2008). Se les atribuyen a estos seres capacidades de discernimiento superiores a las humanas, como si fuesen una forma de seres en ser, un ser fluido que es capaz de tomar un punto de vista diferente por suyo, cual si fuera externo.

Estas, por supuesto, son unas de tantas teorías que se tienen de lo que el ser humano podría llegar a ser. Pero quizá sean demasiado optimistas, pues, ¿qué tantos genios han habido en la historia de la humanidad? ¿qué porcentaje representa con la cantidad de seres humanos que han pisado la Tierra? Realmente los seres que sí han superado a sus contemporáneos en diversas áreas no han sido bastantes. Se podría decir, humorísticamente, claro, que hay más distancia entre un ser humano común y un Newton, que entre un chimpancé y el humano común.

Problemáticas

El teorema de Tesler (y paradoja), enunciado como epígrafe de la sección DEFINICION IA, brinda un buen ejemplo de la opinión pública en cuanto a la IA. La inteligencia artificial es todo aquello que aún no ha sido hecho. Parafraseado por Douglas Hofstadter de un texto de Larry Tesler, hace mención de que nunca habrá IA concretada, pero ¿por qué? Es común (Bostrom, 2006) que al resolverse un problema (hoy en día, cada vez menos común) dentro de la investigación en IA, éste deje de considerarse como un problema de IA, ya que, según quienes la critican, no es realmente inteligencia lo que estos sistemas demuestran. Tan sólo se pensaba cómo un problema difícil que al final no lo era tanto. Un buen ejemplo de la crítica en este sentido es el argumento del Cuarto Chino de John Searle: supóngase que se tiene un programa que puede traducir sin ningún problema caracteres chinos en inglés.

El programa, contenido en una máquina dentro de un misterioso cuarto con un par de ranuras, recibe una hoja con los ideogramas chinos por una ranura y en la otra proporciona la hoja con el texto en inglés. Pensemos, ¿es eso inteligencia? Ahora, si dentro del cuarto hubiese únicamente una persona que no hable ni chino ni inglés con hojas de papel, una pluma y una copia en su idioma con las instrucciones que conforman el programa traductor, de manera que al recibir la hoja con ideogramas chinos pueda seguir las instrucciones del programa y traducir el texto, ¿se podría decir que la persona es inteligente? Este argumento constituye una crítica hecha en uno de los períodos de Invierno de la investigación en IA, una crítica que significó declive en la inercia generada en años anteriores.

Una cuestión intrínseca de las ciudades inteligentes y las problemáticas que les persiguen es el tipo de ciudadanos que deberían tener dentro de sí, ¿qué es una ciudad sin ciudadanos? Se podría decir que el tipo de ciudadano al que apela una Smart City es aquel que se encuentra en el ramo de la tecnología, o por lo menos en alguno de los elementos del modelo triple hélice. ¿Qué beneficios podría suponerle vivir dentro de una ciudad inteligente a alguien que no tenga, siquiera, una carrera universitaria? Las soluciones y empleos que generaría una ciudad inteligente parecerían dejar de lado grandes sectores de la población de una ciudad.

Sería natural creer que los avances tecnológicos en la automatización de diversos procesos industriales o la generación de sofisticados sistemas de IA capaces de realizar tareas propias de un humano profesional, generaría la desaparición de una gran cantidad de trabajos, dejando a gran parte de la población de una ciudad sin su fuerza de trabajo, su sustento.

Esto es verdad a medias. Si bien habría una considerable desaparición de labores en los empleos automatizables, esto provocaría una gran demanda en los empleos para los que no se tenga esa posibilidad. Además, la sustitución de labores directa por máquinas automatizadas provocaría una mejora en la producción, reduciendo costos y ampliando ganancias; esto también puede beneficiar a la labor en el caso de que se utilice ese capital para la creación de fuerzas de balance, empleos con tareas que conlleven aún ventaja sobre los automatizados, que históricamente han hecho prevalecer las labores humanas, a pesar del progreso de las máquinas (Acemoglu & Restrepo, 2018).

Robert G. Hollands hace también una crítica fuerte a las Smart Cities, al considerar que no siempre se toma en cuenta a los ciudadanos en la generación de soluciones inteligentes, es decir, que no siempre están determinadas por las necesidades de la gente, sino lo que es redituable para el sector privado que es quien ha dado más valor a sus intereses.

Dice: “También falla [la ciudad] para siquiera saber las respuestas de preguntas sociológicas básicas: ¿es esta persona feliz? ¿tiene una buena relación con sus vecinos? ¿disfruta de su trabajo al que lo transportan en una cápsula eléctrica? ¿qué entretenimiento cultural y social se le provee gratuitamente en su ciudad? ¿tiene un buen estándar de vida y, más importante, vive en una ciudad justa? La ciudad inteligente guiada por tecnología, controlada por corporaciones, con base en el mercado y hasta sólida ambientalmente no se presenta este tipo de cuestiones como preguntas válidas, realmente”. Los planeadores urbanos deben tomar en cuenta muchas más de las cuestiones que implican un crecimiento tecnológico y sustentable (Hollands, Critical interventions into the corporate Smart City, 2014).

Conclusiones

La amplitud de las definiciones que hay de Smart City debe ser una oportunidad de reinventar el concepto de planeación urbana. Los aspectos que deben estar al frente de una implementación son los de calidad de vida, no como una consecuencia de otros intereses. Cada ciudad requiere de diferentes cosas para funcionar correctamente y prosperar.

Es importante que los gobiernos, instituciones educativas e iniciativa privada formen alianzas en las localidades de su experiencia, para fomentar la creación de soluciones personalizadas a los problemas que las aquejan. Todo esto también de la mano del desarrollo tecnológico y sustentable.

La Inteligencia Artificial es una de las mejores herramientas en las que se pueden apoyar las soluciones de IoT y Smart Cities. El aprovechamiento que se le puede dar a las grandes cantidades de información que generarían los dispositivos IoT en una ciudad, es realmente astronómico. Conforme avanza la capacidad de las computadoras se tendrán modelos cada vez más poderosos y rápidos, que sean capaces de procesar miles de millones de datos en cada vez menos tiempo.

No hay mejor manera de mejorar una ciudad que conociéndola en cada uno de sus puntos. La creación de modelos a partir de datos recopilados de las mismas calles proveería de una gran especificidad de los problemas que los ciudadanos ven día con día, desde el tráfico en una avenida principal para llegar a su trabajo, hasta la inseguridad que percibe cada que sale a la calle.

Existen ya muchos planes a futuro tanto de Smart Cities como de modelos IA. Ya hay una gran cantidad de implementaciones de ambos conceptos en el mundo. Se vive una época de continuos cambios a velocidades realmente impresionantes. Si bien, existen dificultades y miedos que superar en el camino de este progreso, se está a tiempo de modificar lo que sea pertinente para asegurar una buena infraestructura de desarrollo urbano.

Pero este desarrollo sólo puede ser un esfuerzo colectivo: empresarial, gubernamental, educacional, cultural y humano. Que busque los beneficios de todos los involucrados, así como de nuestro lugar de residencia.


Del autor

Mi nombre es Luis Eduardo Almazán Sifuentes, soy Licenciado en Matemáticas Aplicadas y Computación de la Facultad de Estudios Superiores Acatlán. Trabajo en Geos Holding Group como Analista de Datos desde hace poco más de dos años en el área de Data Management Office, donde nos encargamos de generar soluciones basadas en la metodología de Machine Learning, así como la transformación e integración de información en estructuras provechosas para el negocio (Data Marts, Data Warehouses, Data Lakes), asimismo llevamos a cabo las tareas de generación de propuestas de estructura de base de datos, así como paradigma de ésta.  En la actualidad me encuentro desarrollando una serie de herramientas de visión, Procesamiento del Lenguaje Natural y Minería de opiniones, para los propósitos propios del negocio de las empresas del Holding, incluyendo, por supuesto, a Netcity.


Referencias

Acemoglu, D., & Restrepo, P. (2018). Artificial Intelligence, Autmation and Work. Economics of Artificial Intelligence.

Asimov, I. (1950). I, Robot. New York, NY: Gnome Press.

Auf der Mauer, M., Behrens, T., Derakhshanmanesh, M., Hansen, C., & Muderack, S. (2018). Applying Sound-Based Analysis at Porsche Production: Towards Predictive Maintenance of Production Machines Using Deep Learning and Internet-of-Things Technology. Digitalization Cases, 79-97.

Bhatia, S., Sinha, Y., & Goel, L. (2018). Lung Cancer Detection: A Deep Learning Approach. Soft Computing for Problem Solving, 699-705.

Bostrom, N. (2006, Agosto 9). AI set to exceed human brain power. (CNN, Interviewer)

Caragliu, A., Del Bo, C., & Nijkamp, P. (2011). Smart Cities in Europe. Journal of Ubran Technology, 18:2, 65-82.

Crevier, D. (1993). AI: The Tumultuous Search for Artificial Intelligence. New York, NY: BasicBooks.

Duan, Y., Andrychowicz, M., Stadie, B. C., Ho, J., Schneider, J., Sutskever, I., . . . Zaremba, W. (2017). One-shot imitation Learning . arXiv:1703.07326 [cs.AI].

Hollands, R. G. (2008). Will the real Smart City please stand up? City, 303-320.

Hollands, R. G. (2014). Critical interventions into the corporate Smart City. Cambridge Journal of Regions, Economy and Society Advance Access.

Holmes, F. (2018). Artificial intelligence in smart cities – what’s the link? Automotive World, 53-55.

IBM. (1997). Deep Blue. Retrieved from Icons of Progress: https://www.ibm.com/ibm/history/ibm100/us/en/icons/deepblue/

IBM. (2011). A Computer named Watson. Retrieved from Icons of Progress: https://www.ibm.com/ibm/history/ibm100/us/en/icons/watson/

Idowu, S., Saguna, S., Ahlund, C., & Schelén, O. (2014). Forecasting Heat Load ofr Smart District Heating Systems: A Machine Learning Approach. 2014 IEEE International Conference on Smart Grid Communications (pp. 554-559). IEEE.

Intelligent Community Forum. (2019). Binh Duong Smart City. Retrieved from Intelligent Community: https://www.intelligentcommunity.org/binh_duong_smart_city

Intelligent Community Forum. (2019). Prospect, South Australia. Retrieved from Intelligent Community: https://www.intelligentcommunity.org/prospect_south_australia

Legg, S., & Hutter, M. (2006). A Collection of Definitions of Intelligence. Proceedings of the 2007 conference on Advances in Artificial General Intelligence: Concepts, Architectures and Algorithms: Proceedings of the AGI Workshop 2006 (pp. 17-24). Amsterdam, Nederlands: IOS Press Amsterdam.

Leviathan, Y., & Matias, Y. (2018, Mayo 8). Google Duplex: An AI System for Accomplishing Real-World Tasks Over the Phone. Retrieved from Google AI Blog: https://ai.googleblog.com/2018/05/duplex-ai-system-for-natural-conversation.html

Leydesdorff, L., & Deakin, M. (2011). The Triple-Helix Model of Smart Cities: A Neo-Evolutionary Perspective. Journal of Urban Technology, 53-63.

McCarthy, J. (2007, 11 12). Basic questions. Retrieved from What is Artificial Intelligence?: http://www-formal.stanford.edu/jmc/whatisai/node1.html

McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955, Agosto 31). A PROPOSAL FOR THE DARTMOTH SUMMER RESEARCH PROJECT ON ARTIFICIAL INTELLIGENCE. Retrieved from A PROPOSAL FOR THE DARTMOTH SUMMER RESEARCH PROJECT ON ARTIFICIAL INTELLIGENCE: http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html

Nilsson, N. J. (1998). Introduction to Machine Learning. Stanford, CA: Stanford University.

Pramanik, I., Lau, R. Y., Demirkan, H., & Azad, A. K. (2017). Smart Health: Big Data Enabled Health Paradigm within Smart Cities. Expert Systems and Applications.

Radford, A., Josefowicz, R., & Sutskever, I. (2017). Learning to Generate Reviews and Discovering Sentiment. arXiv:1704.01444 [cs.LG].

Russell, S. J., & Norving, P. (2003). Artificial Intelligence: A Modern Approach. Upper Saddle River,New Jersey: Prentice Hall.

Smola, A., & Vishwanathan, S. (2008). Introduction to Machine Learning. Cambridge, UK: Cambridge University Press.

Turing, A. (1950). Computing Machinery and Intelligence. Mind, 433-460.

Wang, L., & Sng, D. (2015). Deep Learning Algorithms with Applications to Video Analytics for a Smart City: A Survey. arXiv: 1512.03131v1.

Wolfe, C. (2008). What is Posthumanism? New York, NY: University of Minnesota Press.

Zhan, C., & Miller, M. R. (2003). Excess length of stay, charge and mortality attributable to medical injuries during hospitalization. Jama, 1868-1874.

Zhao, R., Yan, Z., Chen, Z., Mao, K., Wang, P., & Gao, R. X. (2019). Deep learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing, 213-237.

Categorías