Descubriendo signos de deterioro urbano: el poder de la AI en la planificación urbana

Medir con precisión la calidad de los espacios urbanos es fundamental para crear políticas eficaces que aborden los diversos desafíos a los que se enfrentan los habitantes de las ciudades, como la pobreza, las infraestructuras, el transporte, la salud y la seguridad. Sin embargo, los métodos tradicionales de recopilación de datos socioeconómicos, como las tasas de criminalidad, los niveles de ingresos y las condiciones de la vivienda, mediante encuestas ciudadanas ocasionales son inadecuados, ya que se realizan con poca frecuencia, son caros y dependen de la percepción humana, lo que da lugar a una imagen desactualizada de las condiciones a nivel de barrio.

El uso de la IA en este campo está ganando popularidad rápidamente, y los investigadores están experimentando con imágenes por satélite para cuantificar la expansión urbana y con proyectos de aprendizaje automático para generar mapas a gran escala de la pobreza, la riqueza y los ingresos en países en desarrollo. A pesar de estos avances, el paisaje físico de los entornos urbanos y cómo cambia con el tiempo aún no se han explorado por completo.

Según Andrea Vallebueno, «no existe una medida adecuada que documente la calidad del espacio urbano, su evolución a lo largo del tiempo y la desigualdad espacial que presenta». Andrea trabajó con su coautor, Yong Suk Lee, para cubrir esta carencia mediante el uso de imágenes de Google Street View de alta frecuencia y la creación de datos de panel a nivel de segmento de calle, convirtiéndose en los pioneros de este campo.

Andrea Vallebueno es investigadora asociada de Ciencias Computacionales en el Laboratorio de Regulación, Evaluación y Gobernanza de la Universidad de Stanford.

Hacer el bien con la IA#

La pasión de Andrea por utilizar la ciencia de datos en aplicaciones de impacto social la llevó a explorar el uso del aprendizaje automático y la IA de visión. Con formación en Economía y un máster en Ciencia de Datos por Stanford, Andrea lleva aproximadamente un año y medio utilizando Ultralytics YOLOv5.

De niña, en Ciudad de México, Andrea era muy consciente de las enormes desigualdades entre barrios como Santa Fe, donde un gran muro de hormigón separaba a los ricos de los pobres. Como investigadora científica de datos, Vallebueno empezó a preocuparse por cómo los datos económicos tradicionales pasan por alto estas diferencias extremas y ocultan los indicadores de desigualdad y declive urbano. Se dio cuenta de que, con la creciente afluencia de personas que se trasladan a las ciudades de todo el mundo, la falta de datos detallados no haría más que convertirse en un problema cada vez más acuciante.

¿Por qué Ultralytics YOLOv5?#

Andrea y Yong se propusieron crear una medida objetiva del deterioro urbano. Utilizaron la detección de objetos en imágenes de Google Street View para capturar ocho características urbanas indicativas del deterioro urbano. Eligieron YOLOv5 por su velocidad de inferencia y por el uso de información contextual, algo crucial para su caso de uso.

Utilizaron el modelo entrenado para ejecutar inferencias sobre 114.000 imágenes de Street View de distintos barrios de San Francisco, Ciudad de México y South Bend. Las detecciones de los ocho atributos se agregaron a nivel de segmento de calle para generar índices de deterioro urbano y medir cómo cambiaba su incidencia con el tiempo.

Ciudad de México, MX

San Francisco, CA

Andrea y su equipo comprobaron que Ultralytics YOLOv5 era increíblemente fácil de utilizar, y dedicaron la mayor parte de su tiempo a seleccionar y depurar su conjunto de datos y a entrenar sus modelos. Valoraron la integración con herramientas de seguimiento de experimentos y el aprendizaje automático de las cajas delimitadoras, que hizo que el proceso resultara mucho más accesible.

Andrea y su equipo están deseando ampliar su medida de la calidad urbana para incluir atributos positivos del entorno urbano físico y probar el rendimiento de estos índices en un conjunto diverso de barrios urbanos.

Visualización del conjunto de detecciones del modelo de tiendas de campaña y lonas utilizadas como viviendas de personas sin hogar a lo largo del tiempo en el barrio de Tenderloin, San Francisco.

Consejos para iniciarte en la IA#

Para quienes se inician en la IA, Andrea recomienda encontrar un problema o una pregunta de investigación que les apasione y recorrer todo el ciclo de vida de la IA. Considera que es una de las mejores formas de desarrollar la intuición y comprender las limitaciones de su modelo.

La IA se está convirtiendo cada vez más en una herramienta fundamental para las universidades y los investigadores, ya que les permite explorar y comprender conjuntos de datos complejos, haciendo que sus conclusiones sean más precisas y fiables. Al aprovechar la IA, los investigadores pueden obtener una comprensión más completa de los espacios urbanos y de los desafíos a los que se enfrentan sus habitantes, lo que conduce a mejores políticas y soluciones.

¡Gracias por leer sobre la experiencia de Andrea con YOLOv5! ¿Te gustaría compartir tu experiencia? Etiquétanos en todas partes como @Ultralytics con tu propio caso de uso de Ultralytics YOLO y promocionaremos tu trabajo ante la comunidad de aprendizaje automático.