El aprendizaje automático es un subconjunto de la Inteligencia Artificial que tiene un lenguaje y un tramo de problemas propios. A medida que el sector de la movilidad inteligente adopta plenamente los beneficios de la IA, Intertraffic habló con el experto en aprendizaje automático, David Reinke de Kittelson & Associates, para obtener más información sobre la tecnología que está desempeñando un papel crucial en la forma en que las personas y los bienes se mueven y se moverán en el futuro.
“En primer lugar, la inteligencia artificial y el aprendizaje automático no son lo mismo.”
David Reinke, reconocido experto en Machine Learning y veterano del Comité de IA de la Junta de Investigación de Transporte y del Comité ITS del IEEE, quiso dejar algo claro antes de que Intertraffic presionara 'record' en la sesión de Zoom.
Reinke, planificador asociado de Kittelson & Associates, con sede en San Francisco, es un ingeniero / economista de transporte con más de 30 años de experiencia en modelado de demanda de viajes, economía del transporte y, lo que es más importante, aplicaciones de técnicas computacionales avanzadas para el transporte y, últimamente, movilidad inteligente. Él es un entrevistado de ensueño: hazle una pregunta y él responde a las 12 que te ha llevado dos días encontrar.
"Entonces, si miramos las tres ramas, hay Aprendizaje Supervisado donde estás tratando de hacer modelos predictivos, tus datos están etiquetados, tienes un valor eje en los datos. Lo que estás haciendo, en pocas palabras, es decirle a la máquina que encuentre un modelo que prediga mejor. Así que Predictive Analytics es otro término que usamos para eso. Luego está el aprendizaje no supervisado, donde los datos no están etiquetados en su conjunto y solo le está diciendo a la máquina que encuentre algo interesante en los datos. Y luego hay algo llamado Aprendizaje por Refuerzo, que es donde no estás tratando de encontrar un objeto, lo que estás tratando de hacer es encontrar una política o una secuencia de acciones. Por ejemplo, está tratando de encontrar una secuencia de acciones para un robot que le permita ponerse de pie y caminar o hacer que un dron vuele de forma independiente sin ayuda humana.
“El refuerzo es donde intenta encontrar una secuencia de acciones para un robot que le permita ponerse de pie y caminar o hacer que un dron vuele de forma independiente sin ayuda humana.”
"Con el aprendizaje por refuerzo", añade, "estás dividiendo tu tiempo entre la exploración y la explotación. El aprendizaje automático ha sido, con mucho, la parte más exitosa de la IA. Ese es el que ha entregado los bienes, por así decirlo".
Momentos de enseñanza
Para aquellos lectores para los que esta entrevista está sirviendo como una especie de introducción al Machine Learning y sus posibilidades, Intertraffic le pide a Reinke un ejemplo "cotidiano" de ML en acción.
"Si escribes a mano una dirección en un sobre, lo más probable es que haya un algoritmo de IA, que lo escaneará usando caracteres ópticos. Entonces, si bien es imposible escribir un programa de computadora que reconozca la escritura a mano desde cero, es posible escribir un programa de computadora que pueda aprender de los ejemplos, de ahí la parte de Aprendizaje Automático. Así que esa es la parte en la que he estado involucrado. Y llevo mucho tiempo interesado en las aplicaciones del transporte".
“Entonces, si bien es imposible escribir un programa de computadora que reconozca la escritura a mano desde cero, es posible escribir un programa de computadora que pueda aprender de los ejemplos, de ahí la parte de Aprendizaje Automático"
La transición de la movilidad
Entonces, en términos de cómo las técnicas de aprendizaje automático se pueden aplicar al tema de Intertraffic de Acelerar la transición de movilidad, una gran cantidad de ejemplos pertinentes vienen a la mente de Reinke.
"Puedo pensar en una serie de aplicaciones. Comencemos con el paratránsito. Es esencialmente un servicio puerta a puerta dirigido principalmente a personas mayores y con discapacidad. Solía haber sistemas como ese para el público en general donde se podía reservar un vehículo. A principios de la década de 1980, recuerdo haber evaluado un sistema de marcación como el del Condado de Orange, California, justo al sur de Los Ángeles. Estaban usando una computadora para reservar llamadas para asignar personas a vehículos con el fin de enrutar los vehículos, incluso en ese entonces. Solo tuvo un éxito moderado, ya que estaban probando un enfoque directo de escribir un programa que lo hiciera todo. Yo diría que hoy en día, con un algoritmo de Aprendizaje por Refuerzo que aprendería de la experiencia, ¡podrían hacerlo mucho mejor en ese sentido! Hasta donde yo sé, las compañías de paratránsito todavía dependen principalmente de un despachador humano".
Recordando el viaje
IIntertraffic ha cubierto el tema del viaje compartido en los últimos años y es un tema que Reinke ve como uno que está maduro para los múltiples beneficios del aprendizaje automático.
"Otra aplicación que vería para Smart Mobility es el despacho de taxis. Los taxis son un recurso muy poco utilizado en los Estados Unidos. De hecho, sería más barato para algunos operadores de tránsito cortar el servicio en rutas no productivas en un contrato con el taxi en su lugar; de hecho, lo hicieron en San Diego hace algunos años, y fue bastante exitoso. Así que esas son dos de las cosas que veo. En este momento, las cosas están cambiando mucho, porque solo nos preguntamos cuál será el papel del tránsito después de la pandemia. Finalmente hemos roto la barrera del teletrabajo, hubo mucha oposición a él en el pasado. Los gerentes dijeron que no podían monitorear lo que sus trabajadores estaban haciendo, y así sucesivamente. Pero, por supuesto, todo eso ha cambiado y la IA y el ML son enormemente influyentes. Y es dudoso que el tránsito realmente vaya a volver a ser lo que era. Por ejemplo, BART [Bay Area Rapid Transit], que es el sistema ferroviario regional aquí en el norte de California, informa que su número de pasajeros ha disminuido aproximadamente un 70%".
“Finalmente hemos superado la barrera del teletrabajo: hubo mucha oposición en el pasado. Los gerentes dijeron que no podían monitorear lo que estaban haciendo sus trabajadores, pero todo eso cambió y la IA y el ML tienen una gran influencia.”
Detente y piensa
Los seres humanos de todo el mundo todavía están trabajando arduamente para tratar de resolver los problemas inextricablemente vinculados del estacionamiento y la congestión. Reinke está de acuerdo y cita a la IA y el ML como grandes actores en la búsqueda de una solución a lo que son, sin duda, problemas globales.
"Vivo en East Bay, justo al sur de Oakland. Si quiero ir a San Francisco tengo una estación bart a un par de kilómetros de distancia. Puedo caminar o conducir hasta allí, o mi esposa me deja. Treinta minutos después, estoy en San Francisco, así que ¿por qué iba a conducir? ¿Por qué debería pagar US$20 o más por hora para estacionar y arriesgarme a que me rompan el auto? El problema del estacionamiento es un gran problema para las rutas alternativas, pero ahora con los vehículos automatizados, impulsados por IA, la idea sería que puedes pelotear vehículos, muy densamente en pelotones de 100 vehículos por carril con avances de medio segundo, esencialmente triplicarías tu capacidad en la carretera ".
Máquinas impulsadas por inteligencia artificial que aprenden de la experiencia: el sector del tráfico y el transporte ha recorrido un largo camino desde la primera feria Intertraffic Amsterdam en 1970.
"Estuve en un seminario en el que el jefe del programa de vehículos automatizados de Intel pronunció la conferencia magistral. Ella estaba hablando de los problemas técnicos generados por los vehículos autónomos que deben abordarse. Ella dijo, por ejemplo, que un vehículo automatizado va a generar más de cuatro terabytes de datos al día, entonces, ¿cómo se procesa eso? Hay problemas de comunicación: ¿cómo se encuentra el espectro para manejar toda la comunicación entre vehículos? Y luego hay todo un problema de IA / Aprendizaje automático. ¿Es posible diseñar algoritmos para hacer eso?"
Sin emociones/autónomo
Reinke señala uno de los problemas más complejos de los vehículos autónomos que ha dejado perplejos a algunas de las mentes más grandes en la esfera del transporte, el de la ética, específicamente eliminando la emoción de la toma de decisiones en fracciones de segundo.
"Escuché a un par de profesores de filosofía en Stanford dar un artículo sobre la ética de los vehículos automatizados. El escenario hipotético es así: te vas a estrellar. No hay forma de evitarlo. Entonces, ¿a quién salvas? ¿El conductor y potencialmente el pasajero, la persona en el otro vehículo, el peatón que va a golpear? Una cosa es que esto sea una casualidad aleatoria, pero si eso está programado en el vehículo, ¡entonces eso es el cielo de los abogados! Así que aún no han resuelto algunos de esos problemas legales".
"En un escenario en el que no tienes otra alternativa que estrellarte, ¿a quién salvas? ¿El conductor y potencialmente el pasajero, la persona en el otro vehículo, el peatón que va a golpear? Si la respuesta está programada en el vehículo, ¡entonces ese es el cielo de los abogados!"
Aquí es donde entran en foco las complejidades de eliminar la emoción de la toma de decisiones, y donde el aprendizaje automático tiene, y tendrá cada vez más en el futuro, un papel importante que desempeñar.
"Odiaría pensar que toda la emoción se le quita. No creo que haya nada tan puramente objetivo, incluso el algoritmo de IA va a tener algunos valores de la persona o personas que lo crearon incorporados en él. Escuché una charla interesante cuando estaba en Londres, del jefe de Investigación de London Transport, David Corby, y él, dijo que si no pones valores en las cosas, alguien más lo hará por ti. Así que siempre va a haber algún valor involucrado".
