Estamos acostumbrados a abrir Google Maps o cualquier GPS y con unos pocos clics y desplazamientos encontrar indicaciones para casi cualquier lugar. Pero mantener los mapas digitales actualizados no es una tarea tan sencilla.
Si bien Google y otros gigantes tecnológicos tienen su propia dinámica para mantener los mapas más detallados y actualizados posible, es un proceso costoso y que lleva muchísimo tiempo. Y en algunas zonas los datos son limitados.
Para mejorar esto, investigadores del MIT y QCRI han desarrollado un modelo de aprendizaje automático que podría realizar esta dinámica de forma más rápida y natural. Basándose en imágenes satelitales puede etiquetar las características de las carreteras (por ejemplo, condiciones y tipos de caminos) para mejorar la navegación GPS:
[…] RoadTagger1, una arquitectura de extremo a extremo que combina las redes neuronales convolucionales (CNN) y las redes neuronales de gráficos (GNN) para inferir los atributos del camino.
Dicho de manera simple, este modelo se alimenta de datos sin procesar, los analiza y automáticamente arroja predicciones. Siguiendo esta dinámica, puede predecir, por ejemplo, el tipo de carretera o si hay varios carriles tras una arboleda, según las características analizadas de las imágenes satelitales.
Ya han probado este modelo utilizando datos reales abarcando un área de 688 km2 en 20 ciudades de EE.UU, y logró un 93% de precisión en la detección de tipos de caminos y un 77% en la cantidad de carriles. Mantener este grado de precisión en los mapas digitales no solo ahorraría tiempo y evitaría muchos dolores de cabeza a los conductores, sino que también podría prevenir accidentes. Y por supuesto, sería una información vital en caso de emergencia o desastres.
Y este es solo el comienzo, tal como puede leerse en detalles en este documento que menciona el sistema de este modelo y los resultados obtenidos hasta el momento.