Los grandes datos se están volviendo tan grandes que están deslizando los lazos hoscos de la Tierra.
Una startup llamada Orbital Insight, que recientemente recaudó casi $ 9 millones en fondos, está utilizando imágenes satelitales y técnicas informáticas de vanguardia para estimar el excedente mundial de petróleo, predecir la escasez de cultivos antes del tiempo de cosecha y detectar las tendencias minoristas al realizar un seguimiento de la cantidad de automóviles en Estacionamientos grandes. También debería ser posible entrenar el software para detectar la deforestación ilegal de manera temprana y hacer un mejor seguimiento del cambio climático.
La compañía utiliza técnicas de aprendizaje automático y redes informáticas que imitan el cerebro humano para detectar patrones en grandes cantidades de datos visuales. Facebook utiliza técnicas similares para reconocer caras en imágenes cargadas y etiquetarlas automáticamente a usted y a sus amigos. Pero en lugar de buscar rostros, Orbital Insight aprovecha la creciente cantidad de imágenes satelitales, gracias al aumento de satélites pequeños y de bajo costo, y enseña a sus redes a reconocer automáticamente cosas como vehículos, la tasa de construcción en China y las sombras proyectadas por los contenedores de aceite con tapa flotante, que cambian según cuán llenos estén.
Sería imposible, por supuesto, para los humanos examinar las imágenes satelitales globales actualizadas regularmente. Pero con computadoras masivamente paralelas y técnicas avanzadas de reconocimiento de patrones, Orbital Insight tiene como objetivo entregar tipos de datos que no estaban disponibles antes. Las estimaciones mundiales actuales del petróleo, por ejemplo, ya tienen seis semanas cuando se publican. Con Orbital, el análisis de los rendimientos de los cultivos podría realizarse a mediados de la temporada, información importante, ya sea un trabajador de alto nivel de las Naciones Unidas que intenta adelantarse a una crisis alimentaria o un comerciante de productos básicos que trabaja para un fondo de cobertura.
Orbital Insight no ha existido por mucho tiempo: se fundó a fines de 2013 y solo salió del "modo sigiloso" a fines del año pasado. Pero el fundador de la compañía, James Crawford, tiene mucha experiencia en campos compatibles. Ex jefe de autonomía y robótica en el Centro de Investigación Ames de la NASA, también pasó dos años como director de ingeniería en Google Books, convirtiendo las páginas impresas archivadas en texto de búsqueda.
Varias compañías, como Spire e Inmarsat, e incluso Elon Musk de Tesla, están trabajando en hardware, diseñando y lanzando nuevas redes de satélites, pero Crawford dice que Orbital Insight se está centrando exclusivamente en el software.
"De alguna manera, veo lo que estamos haciendo aquí en el impulso de esta compañía", dice Crawford, "está aprendiendo mucho [en Google] sobre cómo hacer grandes datos, cómo aplicar [inteligencia artificial], cómo aplicar el aprendizaje automático a estos canales de imágenes y aplicarlo al espacio satelital. "
La compañía de Crawford puede ser una de las pocas que trabaja en el uso de técnicas de software emergentes, como redes neuronales artificiales y aprendizaje automático para analizar satélites imágenes. Pero la técnica que está utilizando, también conocida como aprendizaje profundo, está explotando en el espacio tecnológico en este momento. Compañías establecidas como Facebook, Google y Microsoft están utilizando técnicas de aprendizaje profundo para cosas como el etiquetado automático de imágenes y el reconocimiento y traducción mejorados de voz. IBM también adquirió recientemente una compañía de aprendizaje profundo, llamada AlchemyAPI, para mejorar su sistema informático Watson.
Con el aprendizaje profundo, las computadoras potentes y las múltiples capas de reconocimiento de patrones que se ejecutan simultáneamente (de ahí el "profundo" en el aprendizaje profundo) imitan las redes neuronales del cerebro humano. El objetivo es lograr que una computadora "aprenda" a reconocer patrones o realizar tareas que serían demasiado complejas y lentas para "enseñar" con el software tradicional.
Al marcar manualmente los automóviles en unos pocos cientos de estacionamientos y alimentar los datos en la red informática, el software puede aprender cómo se ve un automóvil y posteriormente contarlos en miles de otras imágenes. (Orbital Insight, imágenes satelitales: DigitalGlobe) Los detalles del aprendizaje profundo son técnicos, pero en un nivel muy básico, es sorprendentemente simple. Cuando se trata de medir las tendencias minoristas con la actividad de estacionamiento, Crawford dice que la compañía primero hace que los empleados marquen manualmente los automóviles en unos cientos de estacionamientos con puntos rojos. "Luego, alimenta cada automóvil individual en la red neuronal, y generaliza los patrones de luz y oscuridad, el patrón de píxeles de un automóvil", dice Crawford. "Y cuando [la computadora] mira una nueva imagen, lo que está haciendo esencialmente es bastante sofisticado, pero sigue siendo básicamente una coincidencia de patrones".
Al estimar la actividad minorista, Crawford dice que su compañía es mucho mejor para inferir cómo le está yendo a una cadena a nivel nacional, midiendo qué tan llenos están los estacionamientos con el tiempo y comparándolos con qué tan llenos estaban los mismos lotes en trimestres anteriores usando imágenes más antiguas, que medir la salud de una tienda individual.
Admite que muchos minoristas ya tienen formas de rastrear estos datos para sus propias tiendas, pero estarían felices de saber cómo están sus competidores meses antes de que se publiquen los resultados financieros. Lo mismo sería cierto para los fondos de cobertura, que según Crawford son algunos de los primeros clientes de la compañía. Es fácil ver cómo este tipo de datos podría ayudar a los inversores. Las imágenes satelitales ya están disponibles, y Orbital Insight solo lo está analizando, por lo que es poco probable que genere inquietudes de información privilegiada.
Si la red comete un error ocasional, por ejemplo, confundir un contenedor de basura para un automóvil, no es un gran problema, explica Crawford, porque los errores tienden a cancelarse entre sí a gran escala. Para cosas como las estimaciones de petróleo, incluso si están apagadas en varios puntos porcentuales, sigue siendo mejor que esperar hasta seis semanas para obtener datos más concretos.
Si bien la startup parece centrada en proporcionar datos a los inversores del mercado primero, lo que hace la compañía también podría utilizarse para usos más altruistas. "Tenemos curiosidad en el futuro sobre el uso de esto para detectar la deforestación y para detectar cosas como la construcción de carreteras que podrían ser un precursor de la deforestación", dice Crawford. "También hay cosas realmente interesantes que se pueden hacer en torno a la acumulación de nieve, el agua y otros aspectos del cambio climático". También dice que están investigando la agricultura del tercer mundo y dice que las imágenes multiespectrales son una buena manera de saber qué tan saludables son las plantas, para predecir las malas cosechas.
Por supuesto, cualquier aspecto de big data que también incorpore imágenes satelitales plantea problemas de privacidad. Pero Orbital Insight no está tomando las fotos, están accediendo y analizando imágenes que ya están disponibles. Y como señala Crawford, las regulaciones actuales de los EE. UU. Para satélites de imágenes comerciales estipulan que no se puede bajar de 20 cm por píxel. Con esa resolución, la persona promedio aparecería como unos pocos puntos. Por lo tanto, sería difícil distinguir a personas individuales, y mucho menos la identidad de una persona o incluso el género.
Crawford dice que gran parte de los avances a corto plazo en las técnicas de aprendizaje profundo en general implicarán simplificar y automatizar los ajustes a los algoritmos (lo que significa menos etiquetado manual de automóviles o campos de maíz), de modo que las empresas puedan aplicar más rápidamente el aprendizaje automático a nuevas áreas.
En cuanto al futuro de Orbital Insight específicamente, el fundador de la compañía definitivamente no habla poco. Él compara lo que la compañía está haciendo para crear un "macroscopio" que podría impactar al mundo en un grado similar al que el microscopio transformó la biología.
"Mucho de lo que estamos viendo sobre la Tierra, ya sea el rendimiento del maíz o la deforestación, o el inventario de petróleo, es tan grande que no se puede ver con el ojo humano porque tendría que procesar un millón de imágenes a la vez ", Dice Crawford. "En última instancia, cambiará la forma en que vemos la Tierra, cambiará nuestra forma de pensar sobre ella y cambiará nuestra forma de pensar sobre su gestión".
