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).

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.

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

¿Qué es la GEOAI?

GeoAI, también llamada “inteligencia artificial geoespacial”, es básicamente la combinación de sistema de información geográfica (GIS) / dimensión geográfica e inteligencia artificial (IA).

Cualquier dato que tenga algún tipo de información geográfica asociada se puede llamar datos geoespaciales, es decir, un código postal, coordenadas de ubicación, dirección o ciudad y, por supuesto, imágenes de satélite. Aproximadamente el 80% de los datos generados en la actualidad vienen con algún tipo de información de ubicación. Los datos geoespaciales son el mejor tipo de datos que brindan una gran información sobre nuestro mundo real, ya que pueden ser la ruta más rápida a cualquier lugar, las mejores ubicaciones para establecer un negocio, predecir delitos antes de que sucedan, predecir el clima, pistas de ciclones y muchos más, las posibilidades son infinitas.

La intersección de IA y GIS está creando enormes oportunidades que antes no eran posibles.

La inteligencia artificial, el aprendizaje automático y el aprendizaje profundo nos ayudan a mejorar el mundo para ayudar, por ejemplo, a aumentar el rendimiento de los cultivos a través de la agricultura de precisión, comprender los patrones delictivos y predecir cuándo golpeará la próxima gran tormenta y estar mejor equipados para manejarla. AI / DL / ML han abierto formas de utilizar estas enormes cantidades de datos recopilados todos los días y obtener información valiosa.

El uso de la Inteligencia Artificial con Tecnica de Machine Learning en el analisis de los datos geoespaciales nos permitirá alcanzar el nivel de diferencia al crear mas y mejores software que puedan ser utilizados para estudiar el planeta