El proyecto NeCOL: An Innovative Methodology for Building Better Deep Learning Tools for Real Word Applications, que ha dado a conocer sus principales resultados recientemente, ha introducido una innovadora metodología para la creación de mejores herramientas de deep learning con aplicaciones urbanas. Las temáticas abordadas han contribuido a combatir la contaminación atmosférica, así como a planificar la recogida de residuos y la recarga de vehículos eléctricos.
Actualmente, los sistemas inteligentes basados en deep learning están latentes en muchos aspectos de la sociedad, pero el uso de arquitecturas de redes neuronales inadecuadas y los altos costes computacionales requeridos por esta tecnología limitan su uso generalizado.
La aplicación de métodos de optimización avanzados puede mejorar las metodologías comunes de deep learning. En este contexto, el proyecto NeCOL nació con el objetivo de definir una metodología eficiente denominada Neural CO-evolutionary Learning (NeCOL), que se ha aplicado en casos de uso en un ámbito estratégico para Europa: el sector smart city.
Con un presupuesto total de 239.191,20 euros financiado por el programa Horizonte 2020 de la Unión Europea, el proyecto NeCOL se ha desarrollado entre septiembre de 2018 y junio de 2022 bajo la coordinación de la Universidad de Málaga (UMA).
A pesar de los esfuerzos de la UE, China y Estados Unidos lideran el campo del deep learning. El proyecto ha supuesto un avance en este sentido, pues ha ayudado a Europa a escalar posiciones en esta nueva investigación mundial de vanguardia, lo que contribuirá a la excelencia y competitividad de la UE. Para ello, ha facilitado la capacitación de la mano de expertos internacionales en Massachusetts Institute of Technology (MIT), que será explotada en la UMA.
NeCOL para dar solución a los problemas urbanos
El proyecto NeCOL ofrece un ejemplo de cómo podría ser la próxima ola de ciudades inteligentes, que da prioridad a las personas, al centrarse en la solución de los problemas urbanos reales y no en nuevos avances llamativos. Este modelo utiliza las tecnologías avanzadas como la inteligencia artificial (IA) para contribuir a tomar mejores decisiones y ofrecer una mejor calidad de vida a la ciudadanía con la optimización de las herramientas existentes.
Jamal Toutouh, investigador que trabaja en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT y en la UMA, ha explicado los avances conseguidos en los resultados publicados por el Servicio de Información Comunitario sobre Investigación y Desarrollo de la UE (Cordis, por sus siglas en inglés).
Entre otros aspectos, se exploró cómo aplicar al deep learning los algoritmos inspirados en la naturaleza. Mediante este enfoque, se ha trabajado en la mejora de la eficacia de la metodología y en la utilización del deep learning en problemas difíciles de abordar, como los principales desafíos que afrontan las ciudades inteligentes. El objetivo era desarrollar algoritmos de optimización para el entrenamiento de redes neuronales que no se basaban en métodos de gradientes.
El proyecto NeCOL se ha centrado en un ámbito de estudio que propone someter una red neuronal a procesos evolutivos. Recuperando el concepto de evolución de Darwin, con la mecánica de la selección natural y la genética, se han utilizado algoritmos genéticos más potentes para entrenar la red.
Frente a los problemas de optimización más difíciles, en el proyecto se ha hecho uso de algoritmos de inteligencia de enjambre. Se inspiran en el comportamiento colectivo observado en la naturaleza, que permite a los organismos de la misma especie cooperar para realizar labores complejas.
Otra estrategia colectiva estudiada han sido los algoritmos coevolutivos que involucran a dos especies competidoras en la naturaleza. En el modelo depredador-presa, el primero aprende a atacar al elemento débil mientras este trata de escapar. Esta situación puede trasladarse a los problemas de optimización: el depredador es un objetivo y las presas las soluciones factibles.
Todas estas lecciones aprendidas a partir de los algoritmos (co)evolutivos han servido para crear Lipizzaner, un sistema que aplica la coevolución distribuida espacialmente para proporcionar un entrenamiento resiliente y robusto de redes generativas antagónicas, arquitecturas algorítmicas que utilizan dos redes neuronales, enfrentando una contra la otra para generar nuevas instancias sintéticas de datos que pueden pasar por datos reales.
Contaminación atmosférica, gestión de residuos y recarga eléctrica
Todas las temáticas abordadas por NeCOL son escenarios del mundo real con datos reales. Por una parte, tras la decisión del Ayuntamiento de Madrid de prohibir la entrada de los coches más contaminantes al centro urbano, el proyecto utilizó los datos disponibles sobre contaminación atmosférica y aplicó el deep learning para identificar si esa decisión ayudaría realmente a mejorar la calidad del aire.
Al combinar la información sobre la calidad del aire con otras fuentes de datos, los métodos inteligentes ayudaron a deducir que los niveles de contaminación atmosférica realmente podían reducirse.
También se abordó la gestión inteligente de los residuos. En primer lugar, se utilizó la IA a fin de detectar los lugares óptimos para colocar los contenedores de basura en lo relativo a la calidad del servicio y el coste. A continuación, se seleccionó la mejor ruta para que los camiones recojan la basura. Otro parámetro que se introdujo fue el del nivel de llenado del contenedor para, en última instancia, decidir la frecuencia de recogida.
Por otra parte, se aplicaron algoritmos inteligentes con la finalidad de detectar las mejores ubicaciones para instalar puntos de recarga de vehículos eléctricos en Málaga. El nuevo método ofrece un conjunto de soluciones que compensan la calidad, el coste y el tiempo, no solo para optimizar los costes, sino también para ofrecer a los responsables de la toma de decisiones todas las herramientas necesarias para que opten por la mejor opción.