Saltar al contenido
Capgemini_Inside-stories_Undersea-Intelligence
Environment

Inteligencia submarina

Uso de la IA para detectar movimientos clave en el océano

Como parte de nuestro desafío global de ciencia de datos anual, los colegas de Capgemini ayudaron al Observatorio Oceánico de Lofoten-Vesterålen (LoVe) en Noruega a identificar los datos anómalos registrados por sus equipos de detección oceánica. Los equipos ganadores explican cómo utilizaron la inteligencia artificial para responder a esta llamada a la acción.

En las profundidades del agua, frente a la costa del archipiélago noruego de Lofoten, un conjunto de sensores científicos escucha y registra. Durante 24 horas al día, siete días a la semana, el Observatorio Oceánico de Lofoten-Vesterålen (LoVe) produce un flujo de lecturas químicas, físicas y biológicas.

En estos datos se esconden los cantos de las ballenas jorobadas, las vibraciones de vastos bancos de arenques migratorios y pistas sobre el cambio climático global. Sólo hay una dificultad: Cómo detectar eventos científicamente importantes en este océano de datos.

La convocatoria global

Este era el reto para los colaboradores de Capgemini de todo el mundo deseosos de participar en el Global Data Science Challenge (GDSC). Esta competición interna anual de toda la empresa atrae a cientos de empleados dispuestos a competir para resolver retos del mundo real utilizando la inteligencia artificial. 
 
En 2020, los participantes aprovecharon la IA y el aprendizaje automático para identificar ballenas individuales con el fin de controlar los patrones de migración y proteger los hábitats naturales de las ballenas. 
 
En el desafío de 2021, de los 673 equipos -que representan a 1.200 colaboradores de Capgemini que se presentaron a la competición, dos salieron victoriosos para compartir el premio principal: Uno con sede en la India y el otro en el Reino Unido. 

Anupam Saha, Director Senior de Delivery de Capgemini India y Líder del equipo Indio, explica el reto. “Nos pidieron que construyéramos una solución de IA que pudiera analizar las masas de datos de los sensores recogidos por el observatorio LoVe y detectar las anomalías que dirigirán el estudio posterior”.

David Gilhooley, Consultor Principal y Gestor de Compromisos de Capgemini UK, que dirigió el otro equipo ganador, añade que el enorme volumen de datos suponía un reto técnico en sí mismo. “Este es el quid del problema: el observatorio está recogiendo masas de datos que muestran que el océano es “normal”, mientras que lo interesante son las anomalías”.

El equipo de Anupam abordó el problema dividiendo los datos en partes. “Abordamos cada fuente de datos por separado, diseñando un modelo que identificara los valores atípicos de cada conjunto. Gran parte de nuestra atención se centró en el preprocesamiento de los datos, para determinar las variables más relevantes entre las miles que se nos presentaron”.

El equipo del Reino Unido también dio prioridad a la gestión cuidadosa de los datos. “Tuvimos que tomar estas múltiples fuentes de datos y organizarlas día a día”, explica David. “Además de rellenar las áreas que faltaban, tuvimos que normalizar los datos para poder desplegar correctamente el análisis de aprendizaje automático”.

Aprender nuevas habilidades

El equipo de David había hecho sus pinitos en el procesamiento de datos y el aprendizaje automático en entornos académicos a pequeña escala, por lo que consideraron el concurso como una oportunidad para perfeccionar sus habilidades en un escenario del mundo real. 
 
“Este es el tipo de problema que se plantea en un entorno industrial: buscar valores atípicos en un enorme conjunto de datos con muchas variables”, dice. “Desde ese punto de vista, el reto era realmente práctico. Nos entusiasmó aprender las herramientas de aprendizaje automático de AWS [Amazon Web Services] y adquirir experiencia con esta tecnología.” 

Un verdadero esfuerzo de equipo

El equipo de David estaba formado por Vincent Malmedy, Gabriela Pomery y Andrew Pennington, todos ellos basados en la oficina de Capgemini en Bristol. “El concurso fue la manera perfecta de volver a unir al equipo después de la pandemia”, dice David.

Para Anupam, su momento de mayor orgullo fue la presentación de su equipo ante los jueces. “Antes de esto, estábamos clasificados en quinto lugar”, explica. “Pero nos habíamos dado cuenta de que la persona que utilizara nuestro modelo en el observatorio podría no tener conocimientos de datos. Así que evitamos ser demasiado teóricos con nuestra presentación, y creo que esto nos ayudó a conseguir el primer puesto en la general”.

Inteligencia Artificial Medioambiental

Aunque estas tecnologías no deben considerarse una “bala de plata”, David cree que la IA y el aprendizaje automático pueden ayudarnos a comprender mejor el cambio climático y el calentamiento global. “Es difícil para los seres humanos comprender todos los pasos incrementales de estos enormes procesos. Sin embargo, si se les dan las instrucciones adecuadas, las herramientas de aprendizaje automático pueden ayudar a navegar por estas complejidades”.

Cree que el concurso, junto con los compromisos climáticos más amplios de Capgemini, ha hecho que su equipo sea más consciente de las decisiones que toman, por ejemplo, en cuanto a cómo se desplazan al trabajo y la cantidad de plástico que utilizan.

Ambos equipos recibieron un premio tecnológico por sus trabajos ganadores, en lugar de un viaje a Noruega para visitar el observatorio, que desgraciadamente tuvo que cancelarse a causa de la pandemia.

Preparándose para el próximo reto

El equipo de Capgemini en Alemania sigue trabajando con el observatorio LoVe para integrar las soluciones ganadoras en su plataforma, lo que permitirá a una gran comunidad de investigadores beneficiarse de un mayor conocimiento de los ecosistemas oceánicos. El año que viene, el GDSC se centrará en la búsqueda de una cura para la

Otras historias