Los algoritmos de aprendizaje automático son excelentes para preguntas que se pueden responder con un simple “sí” o “no”. Por ejemplo, con ellos se pueden explorar enormes conjuntos de datos y obtener respuestas a interrogantes como “¿esta transacción con tarjeta de crédito parece fraudulenta?” o “¿hay un gato en esta foto?”.
Sin embargo, no solo sirven para preguntas simples; se pueden usar también para abordar consultas variadas y complejas.
Hoy en día, los algoritmos de aprendizaje automático pueden detectar más de 100 tipos de tumores cancerosos con mayor fiabilidad que un ojo humano que ha sido entrenado. Dada esta increíble precisión, nos empezamos a preguntar: ¿qué nos podría decir el aprendizaje automático acerca de donde vive la gente? En ciudades que están creciendo a tasas impresionantes y que se encuentran en riesgo de sufrir desastres naturales, ¿podría alertarnos si la muralla de una casa se derrumbará durante un terremoto o un techo será arrastrado por el viento durante un huracán?
Con demasiada frecuencia, entramos en acción después de que un desastre ocurre y evitamos hacer inversiones en medidas de mitigación previamente. Como dijo en una ocasión el famoso cirujano Denis P. Burkitt: “Si la gente se cae continuamente de un acantilado, tenemos dos opciones: poner ambulancias bajo el acantilado o construir una cerca en la cima del acantilado”. Con la ayuda del aprendizaje automático, nos encontramos ahora en mejores condiciones para construir la cerca en la cima del acantilado.
Se estima que por cada dólar destinado a medidas de mitigación se ahorran cuatro dólares (PDF, en inglés) en esfuerzos de recuperación y reconstrucción. Sin embargo, pese a estos ahorros de costos, los Gobiernos prefieren enviar ambulancias en vez de construir cercas. Entre 1991 y 2010, solo una pequeña fracción (12,7 %) de los gastos relacionados con desastres a nivel mundial (USD 3300 millones) se destinó a la reducción de riesgos, mientras que en cambio 87,3 % se dirigió a respuestas de emergencia, reconstrucción y rehabilitación. La mayor parte (PDF, en inglés) de estos desembolsos se utilizó en viviendas dañadas.
Desde la perspectiva de la ingeniería, las medidas de prevención necesarias para reforzar estas casas son bien conocidas.
Soluciones simples —tales como agregar una viga de anillo continua, tabiques interiores adicionales o losas de concreto reforzado entre los pisos— pueden reducir a la mitad el riesgo de colapso. Entonces, ¿por qué no se hace más?
Sencillamente porque encontrar viviendas que sean buenas candidatas para ese tipo de rehabilitación tardaba meses y se requerían decenas de supervisores de obra. Era costoso identificar de manera manual estos inmuebles de alto riesgo en una cada vez mayor cantidad de viviendas precarias.
Aunque ahora, con imágenes y el aprendizaje automático, se puede hacer en pocas semanas. Con una cámara instalada en el automóvil, un dron, una computadora portátil y algoritmos avanzados, es posible medir la altura de cada inmueble, calcular el material del techo y recopilar información sobre la fachada. Con este enfoque se “explora” un vecindario para crear una base de datos abundante y detallada que se puede utilizar para diversos tipos de viviendas de alto riesgo.
Tomemos el caso de los terremotos…
Luego del terremoto de 7,6 grados que afectó a Gorkha, en Nepal, la reconstrucción y recuperación requirió una cifra estimada de USD 6 695 000 millones, y aproximadamente la mitad de ese costo se originó en el sector inmobiliario (USD 3 278 000 millones). (PDF, en inglés) ¿Qué pasaría si pudiéramos encontrar y rehabilitar estas construcciones con antelación?
En la Ciudad de Guatemala, se usaron imágenes y algoritmos para localizar inmuebles con “piso débil” (piso blando), construcciones de al menos dos pisos que tienen un primer piso estructuralmente deficiente. Luego de explorar 4967 viviendas, la computadora detectó 503 posibles pisos blandos con una precisión de 85 %. De una manera similar a como un médico usa el aprendizaje automático para detectar el cáncer, los ingenieros estructurales pueden contar con el aprendizaje automático para encontrar viviendas con posible “piso débil” y que necesitan inspección adicional.
Tomemos el caso de los huracanes…
El huracán María que azotó Dominica el año pasado dañó el 90 % de las viviendas, y las tareas de reparación y reconstrucción tuvieron un costo estimado de USD 519,75 millones (38 % del presupuesto total). El financiamiento de este esfuerzo fue equivalente al 89 % del PIB del país. (PDF, en inglés) Pero ¿qué pasaría si supiéramos —antes de un huracán— qué viviendas posiblemente necesitan refuerzo adicional y su valor de reposición?
Para comprobar cómo dichos costos se pueden evitar fácilmente, usamos drones y aprendizaje automático en Santa Lucía, una isla propensa a huracanes. Un inventario geoespacial de más de 10 000 inmuebles, que incluye la forma, el material y la condición de sus techos, se utilizó para evaluar los posibles daños y pérdidas en el sector inmobiliario derivados de un huracán de categoría 5. Al generar automáticamente información de las casas, los Gobiernos, los propietarios de viviendas y el sector privado reciben la información de referencia que necesitan para tomar decisiones.
La utilidad de este enfoque va más allá de la mitigación de riesgos de desastres. En Bogotá (Colombia), se creó un modelo para correlacionar las características derivadas del aprendizaje automático con los valores inmobiliarios, y medir el crecimiento vertical de más de 15 000 viviendas. Al superponer estas huellas inmobiliarias con información censal y de tenencia de la tierra, podemos estimar las necesidades en materia de reasentamiento, mejoramiento de viviendas o regularización.
Aprovechar las ventajas del aprendizaje automático podría también contribuir a las evaluaciones de los daños y las necesidades posteriores. Si estamos en condiciones de documentar la altura, el material y la forma de cada inmueble, podríamos regresar después de un desastre con sensores similares para registrar los cambios: por ejemplo, el volumen de escombros o la cantidad de casas que han perdido el techo.
Por último, los algoritmos del aprendizaje automático pueden detectar si un inmueble se usa para actividades comerciales en vez de solo como vivienda. En Guatemala, desarrollamos un algoritmo para identificar letreros con logotipos, que indican los negocios de los vecindarios.
Los algoritmos entrenados ya están transformando la educación, la industria, el sector minorista y la atención médica. Es hora de que empecemos a aprovechar de manera sistemática el aprendizaje automático en proyectos de vivienda. El Programa Mundial de Vivienda Resiliente del Banco Mundial se dispone a combinar algoritmos complejos con diseños de construcción simples para aumentar la seguridad y la resiliencia de las viviendas ante los peligros naturales y el cambio climático.
En definitiva, nuestro objetivo es ayudar a las ciudades y comunidades en los países en desarrollo no solo a reconstruir mejor, sino también a “construir mejor antes” de un desastre.
Columna publicada originalmente en Blog del Banco Mundial
