Cómo detectar señales de deterioro urbano: el poder de la IA en la planificación urbana

Medir con precisión la calidad de los espacios urbanos es fundamental para crear políticas eficaces que aborden los diversos retos a los que se enfrentan quienes viven en 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 delincuencia, los niveles de ingresos y las condiciones de la vivienda— mediante encuestas ciudadanas esporádicas son insuficientes: se realizan con poca frecuencia, son caros y dependen de la percepción humana, por lo que ofrecen una imagen desactualizada de las condiciones a escala de barrio.

El uso de la IA en este ámbito está ganando popularidad rápidamente. Los investigadores experimentan 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, aún no se ha explorado plenamente el paisaje físico de los entornos urbanos ni cómo cambia con el tiempo.

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 imágenes de Google Street View de alta frecuencia y la creación de datos de panel a nivel de tramo de calle, lo que los convirtió en pioneros en este campo.

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

Hacer el bien con IA#

Su pasión por aplicar la ciencia de datos a causas sociales llevó a Andrea a explorar el aprendizaje automático y la IA para visión. Con formación en economía y un máster en ciencia de datos por Stanford, lleva aproximadamente un año y medio utilizando Ultralytics YOLOv5.

De niña, en Ciudad de México, Andrea era muy consciente de las enormes diferencias entre barrios como Santa Fe, donde un gran muro de hormigón separaba a ricos y 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 deterioro urbano. Se dio cuenta de que, con la creciente afluencia de personas a las ciudades de todo el mundo, la falta de datos detallados se convertiría 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 de dicho deterioro. Eligieron YOLOv5 por su velocidad de inferencia y el uso de información contextual, aspectos fundamentales para su caso de uso.

Utilizaron el modelo entrenado para ejecutar inferencias en 114 000 imágenes de Street View de distintos barrios de San Francisco, Ciudad de México y South Bend. Agruparon las detecciones de los ocho atributos a nivel de tramo 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 descubrieron que Ultralytics YOLOv5 era muy fácil de usar, y dedicaron la mayor parte del tiempo a seleccionar su conjunto de datos y entrenar los modelos. Valoraron la integración con herramientas de seguimiento de experimentos y el aprendizaje automático de las cajas de anclaje, 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 distintos 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#

A quienes empiezan en la IA, Andrea les recomienda buscar 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 maneras de desarrollar la intuición y comprender las limitaciones del modelo.

La IA se está convirtiendo cada vez más en una herramienta fundamental para universidades e investigadores, ya que les permite explorar y comprender conjuntos de datos complejos y obtener resultados más precisos y fiables. Al aprovechar la IA, los investigadores pueden comprender mejor los espacios urbanos y los retos a los que se enfrentan sus habitantes, lo que permite desarrollar mejores políticas y soluciones.

¡Gracias por leer sobre la experiencia de Andrea con YOLOv5! ¿Quieres compartir tu experiencia? Etiquétanos en todas partes con @Ultralytics y cuéntanos tu propio caso de uso de Ultralytics YOLO; daremos visibilidad a tu trabajo en la comunidad de aprendizaje automático.