¿Cómo el «machine learning» puede mejorar la Seguridad?

 ¿Cómo el «machine learning» puede mejorar la Seguridad?

¿Cómo el «machine learning» puede mejorar la seguridad en carretera?

«El riesgo de esta tecnología es que se trata de una tecnología mucho más incierta que otras, ya que trata elementos cualitativos, no sólo cuantitativos», reflexiona el autor.

El aprendizaje automático, conocido más comúnmente como «Machine Learning» es una realidad que está presente en todos los ámbitos de nuestra vida. Desde el trabajo, la educación, nuestra vida social, nuestra forma de movernos por la ciudad, etc. Pero ¿sabemos realmente lo que es y los beneficios que aporta? ¿Por qué se torna en una rama de la tecnología fundamental para los procesos relacionados con la Inteligencia Artificial (IA) y la gestión de la cantidad masiva de datos que se obtienen mediante el Big Data? ¿Por qué es importante, por ejemplo, para hacer que las carreteras sean más seguras?

El «Machine Learning» hace referencia a la capacidad de un programa para aprender por sí mismo, trascendiendo de su programación inicial y adaptándose a las nuevas situaciones que se le presentan, optimizando su código. Es una disciplina que está muy ligada a la de la IA y requiere de una enorme cantidad de recursos destinados a la investigación y desarrollo. El proceso de desarrollo del «Machine Learning» tiene en consideración varios elementos y todo está enfocado en un único objetivo: lograr una tecnología que se pueda aplicar a servicios reales, que sirva para mejorar la seguridad en la carretera y la experiencia de todos los usuarios que se beneficien de ella. El riesgo del «Machine Learning» es que se trata de una tecnología mucho más incierta que otras, ya que trata elementos cualitativos, no sólo cuantitativos. Al contrario que el desarrollo de otros elementos de software, no se trata únicamente de crear nuevas funcionalidades, sino mejorar los algoritmos para optimizar la precisión y corrección con la que manejan la información.

Para ello, el «Machine Learning» debe acometerse con mentalidad Agile, ya que se trata de un entorno siempre cambiante que requiere de soluciones rápidas y originales. Al tratarse de un campo de investigación incierto, es de esperar cierto grado de imprevisibilidad, con lo que es necesario contratacar con capacidad de adaptación. Llevando estos conceptos a un caso real, como es el de la seguridad en las carreteras, si quisiéramos desarrollar una funcionalidad que señale todos los baches en los mapas deberíamos primero diseñar una aplicación para introducir y validar estos elementos de forma manual para, después, crear los algoritmos necesarios con el fin de que la IA aprenda de estos datos y luego sea capaz de detectar estos elementos de forma automática y los señale en los mapas preexistentes.

Mucho de este trabajo escapa al ojo y conocimiento de los usuarios finales, ya que ellos únicamente ven el producto final, no están preocupados por los aspectos técnicos y los procesos de gestión de datos de las aplicaciones, pero estos siguen siendo una parte fundamental del desarrollo de la tecnología para ofrecer un mejor servicio y garantizar nuestra seguridad cuando nos desplazamos por carretera. Se trata de un trabajo invisible, pero que, si no se hace, resiente el resultado final enormemente, y el usuario acaba percibir el servicio como de peor calidad.

En el caso de TomTom, para todo el proceso de la creación de mapas, si queremos hacer un uso óptimo de la IA y mejorar el servicio, primero necesitamos contar con una vasta fuente de información con la que empezar a perfilar los algoritmos de aprendizaje. Es decir, necesitamos recurrir al Big Data, ya que, cuanta mayor cantidad de datos, mejores resultados finales obtendremos. Y es que el poder de los datos es cada vez mayor, y está perfilando todos los aspectos que forman parte de nuestro día a día.

En este sentido, en el de los datos, no debemos olvidarnos de la necesidad de una rigurosa política de protección de los mismos, que invierta muchos recursos y esfuerzos en mantener el anonimato y la privacidad de la fuente, y que garantice que solo se usan para la investigación y el desarrollo de nuevas funcionalidades y mejorar los servicios ya existentes para los usuarios.

No sólo es importante obtener esos datos, sino garantizar su privacidad. En conclusión, «Machine Learning», IA, Big data, privacidad de datos… Todas estas tecnologías se entrelazan y forman parte de un mismo ecosistema. Son tecnologías invisibles para los usuarios, pero cuya existencia es fundamental para mejorar el presente y forjar un futuro mejor, más conectado, seguro y eficiente para todo el mundo, tanto dentro como fuera de las carreteras.

(www.abc.es)

admin

0 Reviews

Write a Review

Entradas