Un nuevo mapa de casi toda África muestra exactamente dónde viven los 1.300 millones de personas del continente, lo que podría ayudar a todos, desde los gobiernos locales a las organizaciones de ayuda. El mapa se une a otros similares de Facebook. creado mediante la ejecución de imágenes de satélite a través de un modelo de aprendizaje automático.
No es exactamente que haya algún misterio sobre dónde vive la gente, pero el grado de precisión es importante. Puede que sepa que un millón de personas vive en una región determinada, y que aproximadamente la mitad están en la ciudad más grande y otra cuarta parte en una variedad de ciudades. Pero eso deja a cientos de miles solo explicados de la manera más vaga.
Afortunadamente, siempre puede inspeccionar imágenes satelitales y elegir los lugares donde se encuentran las aldeas pequeñas y las casas y comunidades aisladas. El único problema es que África es grande. Realmente grande. Etiquetar manualmente las imágenes satelitales incluso desde un solo país de tamaño mediano como Gabón o Malawi llevaría una enorme cantidad de tiempo y esfuerzo. Y para muchas aplicaciones de los datos, como la coordinación de la respuesta a un desastre natural o la distribución de vacunas, el tiempo perdido es la vida perdida.
Mejor hacerlo todo de una vez, ¿verdad? Esa es la idea detrás del proyecto de mapas de densidad de población de Facebook, que ya había mapeado varios países en los últimos dos años antes de que se tomara la decisión de tomar todo el continente africano.
Acérquese y podrá ver la diferencia entre los mapas nuevos y los antiguos. Es bastante significativo.
"Los mapas de Facebook aseguran que enfoquemos el tiempo y los recursos de nuestros voluntarios en los lugares donde más se necesitan, mejorando la eficacia de nuestros programas", dijo Tyler Radford, director ejecutivo del Humanitarian OpenStreetMap Team, uno de los socios del proyecto.
La idea central es sencilla: haga coincidir los datos del censo (cuántas personas viven en una región) con datos de estructura derivados de imágenes satelitales para tener una mejor idea de dónde se encuentran esas personas.
"Con solo los datos del censo, lo mejor que puede hacer es asumir que las personas viven en todas partes del distrito, tanto en edificios como en campos y bosques", dijo el ingeniero de Facebook James Gill. ““ Pero una vez que conoce las ubicaciones de los edificios, puede omitir los campos y bosques y solo asignar la población a los edificios. Esto le da mapas de población muy detallados de 30 por 30 metros ”.
Eso es varias veces más preciso que cualquier mapa de población existente de este tamaño. El análisis lo realiza un agente de aprendizaje automático capacitado en datos de OpenStreetMap de todo el mundo donde las personas han etiquetado y delineado edificios y otras características.
Primero, la enorme cantidad de superficie de África que obviamente no tiene estructura tuvo que ser eliminada de la consideración, reduciendo la cantidad de espacio que el equipo tenía que evaluar por un factor de mil o más. Luego, utilizando un algoritmo específico de la región (debido a que las cosas se ven muy diferentes en la costa de Marruecos que en el centro de Chad), el modelo identifica los parches que contienen un edificio.
Los datos del mapa, dos imágenes de la parte superior izquierda, se procesan para encontrar edificios, dos de la parte inferior izquierda; en última instancia, grandes extensiones de tierra se pueden etiquetar como pobladas o no, como se ve a la derecha.
A lo largo de este proceso hay una gran cantidad de controles por parte de los seres humanos para asegurarse de que no haya sesgos regionales o tendencias a etiquetar incorrectamente de una forma u otra. El equipo lo ha estado haciendo durante algún tiempo, por lo que no es su primer rodeo, pero la escala de "un país" frente a "toda África" es un poco diferente. Afortunadamente, ha habido algunos avances, el equipo de AI de la compañía escribió en una publicación explicativa del blog:
Hemos podido simplificar el problema a una tarea de clasificación binaria sencilla … Ahora, dada una imagen de entrada, una sola red neuronal predice si la imagen dada contiene un edificio. Este enfoque de clasificación también es significativamente menos costoso computacionalmente que un enfoque basado en la segmentación porque nos permite usar redes neuronales más pequeñas y producir salidas con una huella de memoria más pequeña.
Con una mayor eficiencia, en este caso, también viene una mayor precisión, ya que los algoritmos se habrán aprendido de sus intentos anteriores y se incluirán más datos para evitar falsos positivos y negativos. El equipo encontró que de 1,000 parches etiquetados como que contienen edificios, 996 de ellos eran correctos. Ese tipo de tasa de error me parece bastante aceptable, y ciertamente es mejor que las herramientas existentes, que solo le dieron un vago "por ahí en alguna parte" cuando se le preguntó acerca de una pequeña comunidad o una aldea fuera de la red.
Si te estás preguntando por qué Facebook está haciendo esto en primer lugar, tiene que ver con sus esfuerzos en los últimos años para identificar a las poblaciones con conectividad deficiente, para que luego puedan transmitirles Internet con láseres o similares. Esa es una prioridad bastante baja ahora, con los muchos problemas de la compañía en este momento, pero las herramientas que estaba construyendo claramente tenían aplicaciones humanitarias y es bueno ver que el bebé no fue expulsado con el agua del baño.
Source link