Presentació de Proves de Concepte (PoC) de dades i intel·ligència artificial

El Centre of Innovation for Data tech and Atificial Intelligence (CIDAI) va organitzar una jornada, el passat 21 de setembre, per presentar vuit proves pilot d’aplicació d’algorismes de big data i d’IA a àmbits tan diversos com la cultura, la mobilitat o la ramaderia, entre d’altres. Daniel Marco, director general d’Innovació i Economia Digital del Departament de la Vicepresidència i de Polítiques Digitals i Territori, i Joan Mas, director del CIDAI i cap de l’Àrea Digital d’EURECAT, van ser els encarregats de fer la presentació institucional de l’acte.

Pilot recomanador de llibres – SDG Group

Amb la intenció de millorar el servei que ofereixen, les biblioteques de la Generalitat, adscrites al Departament de Cultura, van demanar la implementació d’un recomanador de llibres pels seus usuaris registrats. L’empresa SDG Group, encarregada de desenvolupar el pilot, va exposar els problemes que es van trobar amb les dades d’entrada i com els van resoldre per arribar a la solució proposada:

• D’entrada, calia fer una auditoria de les dades d’entrada, que consistien en la informació dels préstecs a usuaris i a altres biblioteques, per comprovar la viabilitat per poder aplicar algorismes d’analítica avançada.

• La prova pilot es va acotar a 5.000 llibres prestats, als idiomes català, castellà i anglès i a fer 10 recomanacions per usuari.

• Es va buscar un algorisme d’IA textual existent que fos idoni per resoldre el problema.

• Per acabar, es volia donar visibilitat a la solució amb una eina front-end, en aquest cas el Microsoft Power BI.

Els resultats obtinguts han estat sorprenents perquè es va arribar a una taxa d’encert del 98% en les recomanacions, ja que es va comprovar que els llibres recomanats havien estat demanats pels usuaris amb anterioritat.

Prova de Concepte AI Graph Treatment – NTT DATA

Aquesta PoC vol demostrar que l’aplicació de models d’intel·ligència artificial amb dades en format graf pot millorar la presa de decisions.

D’una banda, les dades en format graf són una representació més acurada de la realitat, però precisament per això, suposen una major complexitat pel que fa al seu model d’implementació, el seu tractament i el consum de recursos. Un altre inconvenient és l’incipient desenvolupament de les llibreries GNN (Graph Neural Networks, xarxes neuronals que operen en estructures de graf).

La irrupció de bases de dades de grafs en cloud com Amazon i Azure, han fet emergir l’interès per la seva explotació.

L’objectiu d’aquesta PoC és determinar l’estat de l’art i l’aplicabilitat de les tècniques d’intel·ligència artificial en grafs. Per començar, es van estudiar les principals llibreries en GNN i els principals algorismes per determinar quins es farien servir en la implementació de la solució.

La solució es va centrar en tres casos d’us d’aplicació de la IA en un graf que representava les transaccions amb bitcoins, on els nodes del graf representaven diferents transaccions, i els enllaços informaven el trànsit de diners entre dues transaccions. El graf resultant constava de l’ordre de 200.000 nodes i 235.000 enllaços.

Aquests són els reptes treballats:

• Determinar transaccions potencialment fraudulentes per classificació nodal.

• Predir cap a on és susceptible que es moguin els diners entre les transaccions existents. Aquest és un cas de predicció d’enllaços.

• Avaluar la dificultat d’implementar i la productivitat d’un servei API predictiu amb dades en grafs.

Les proves realitzades van constatar que no tots els grafs són adients per aplicar-hi IA, només ho són els homogenis. Per tant, en molts casos cal preprocessar les dades. Al final s’ha pogut concloure quins han estat els algorismes que han funcionat millor, quin model de xarxa ha obtingut millors resultats i quins han estat els temps d’entrenament per a cada repte treballat. Els models d’IA amb grafs poden obtenir similar resultats, o de vegades millors, que les tècniques clàssiques de Machine Learning.

Pel que fa a la industrialització d’un model d’IA amb grafs, cal dir que tot i que augmenta la complexitat de desenvolupament del servei, és absolutament factible, proporcionant temps de resposta inferior a 30s. Finalment, l’ús de la IA en bases de dades en format graf, pot ser d’interès i impacte pels següents casos:

• Rastreig de l’origen de la producció

• Detecció de frau en les transaccions

• Detecció de possibles casos d’assetjament escolar

• Seguiment i control d’expansió de malalties

Prova de Concepte Aplicació de la IA per detectar l’ús del mòbil i del cinturó de seguretat durant la conducció – CTTI

L’objectiu d’aquesta prova és demostrar com la IA pot ajudar a detectar infraccions de trànsit, concretament l’ús del mòbil i la manca d’ús del cinturó de seguretat durant la conducció, a partir de les imatges obtingudes per les càmeres del Servei Català de Trànsit (SCT).

Aquestes són les passes que es van fer per a la primera PoC de detecció del cinturó de seguretat:

• Es disposava de 90.462 imatges procedents del sistema de detecció de matrícules i captura d’imatge del vehicle

• Es va triar com a primera PoC la detecció automàtica de l’ús de cinturó de seguretat

• Es van escollir els algorismes més adequats a aplicar

• Es va fer una selecció manual de 1.500 imatges i es van etiquetar. En aquestes imatges l’ull humà podia detectar si el conductor duia el cinturó posat

• Es va fer l’entrenament a aquesta selecció

• La xarxa neuronal es va testejar amb un conjunt de 174 noves imatges, i es va aconseguir una efectivitat del 78% de la predicció

Quant a la detecció de l’ús del mòbil, es va ampliar el mateix model de xarxa neuronal que en el cas del cinturó de manera que es pogués utilitzar pels dos casos d’ús. L’arquitectura escollida va ser l’EfficientDet, basada en la millor arquitectura coneguda al 2020, l’EfficientNet, que és una Deep Convolutional Neural Network (DCNN). Finalment es va aconseguir una efectivitat del 92% a predir noves imatges i una fiabilitat superior al 85%.

Enhancing the operation of real-time analytics of cities – BSC

El repte consisteix en aconseguir coneixement en temps real de les situacions de risc a les vies urbanes, a partir del munt de dades que s’obtenen dels sensors i de les imatges de les càmeres amb la finalitat de donar resposta el més ràpid possible.

Es tracta d’un problema complex, amb moltes dades d’entrada, i recursos de comunicació i de computació heterogenis. El BSC ha desenvolupat una plataforma d’aplicació d’analítica de dades en temps real on s’apliquen tècniques d’IA i més concretament de Deep Learning, amb l’objectiu de resoldre aquest problema.

A tall d’exemple, es va presentar el cas d´ús de la plataforma a la ciutat de Florència per tal de preveure els riscos que es produeixen a la xarxa de tramvia. A les dades provinents dels diferents sensors que hi ha a la ciutat i dels tramvies, se’ls apliquen diferents mètodes d’analítica de dades i la informació obtinguda s’agrega al sistema de manera que es pugui detectar la situació de risc i a partir d’aquí enviar una alerta, tant al conductor del tramvia com el del vehicle. La plataforma s’ha provat per dos situacions, una és la que es produeix quan un vianant travessa la via quan està punt de passar el tramvia donant lloc a una situació de perill. En aquest cas es genera una alerta que li arriba al conductor amb temps suficient per poder reaccionar. La segona situació es donava en el pas de vianants que comunica una estació de bus i una de tramvia, molt freqüentat pels usuaris, que no sempre travessen amb el semàfor en verd i de vegades ho fan fora del pas. A partir del procés d’analítica de les dades dels semàfors i de les imatges de les càmeres del carrer, la plataforma pot determinar si la configuració d’aquest pas de vianants que permet la intermodalitat, en aquest cas de tramvia a bus, és correcta o s’hauria de millorar.

Aquesta feina s’emmarca dins del projecte europeu ELASTIC (a software architecture for Extreme-scaLe big-data AnalyticS in fog computing eCosystems) que va finalitzar el maig de 2022. www.elastic-project.eu

Smart farming: estimar el pes dels porcs a partir d’imatges – CVC

A les granges de porcs on els animals s’engreixen per posteriorment enviar-los a l’escorxador, els grangers han de seleccionar els porcs que s’hi han d’enviar mitjançant els camions. Els porcs passen uns quatre mesos en aquestes granges, arriben amb uns 20Kg i quan fan uns 120Kg ja es poden enviar a sacrificar. És una feina feixuga, que els grangers realitzen a ull, que es podria automatitzar. D’entrada s’estudia el creixement de 25 porcs al llarg dels quatre mesos i s’observa que no és homogeni, així que es decideix estimar el pes dels animals a partir d’imatges. Per fer-ho, es construeix un circuit pel qual fan passar els porcs per fotografiar-los i a partir de les imatges calcular-ne el volum aproximat de cadascun. S’observa que si se’ls fa també una foto zenital s’obtenen resultats més acurats. Amb el muntatge d’aquest circuit s’aconsegueix omplir el data set de manera automàtica i que es puguin aplicar els algorismes de càlcul del pes a partir d’imatges.

Optimització de la productivitat en les granges de porcs – Eurecat

Aquest cas es centra en les granges de cria de porcs, no d’engreix com en el cas anterior. El repte plantejat consisteix en millorar la productivitat en aquestes granges a base d’incrementar l’eficiència, reduir els costos i ser més sostenibles. Les tecnologies digitals poden ajudar a resoldre-ho.

El cicle reproductiu de les truges està organitzat per cicles o lots que van des de que poden tenir cries fins que o bé avorten, o bé arriben al deslletament. En cada nou cicle, un cert nombre d’animals són reemplaçats per nous que entren a la granja. El granger decideix quins han de ser aquests animals basant-se en la seva intuïció. Per automatitzar aquest procés caldrà definir un rànquing d’animals al final de cada cicle, de forma que cada vegada que un lot acaba un cicle s’utilitzin les dades emmagatzemades de l’últim deslletament i altres informacions prèvies per fer una predicció de la futura producció de cada porc del lot. Això permetrà definir un rànquing dels porcs segons la producció futura. Aquest procés basat en analítica de dades i IA ajuda al grangers a prendre decisions en el procés de selecció, millora l’eficiència i assegura la màxima productivitat de la granja.

Antitracking de vehicle connectat mitjançant IA – i2CAT

Els vehicles connectats envien i reben missatges d’altre vehicles, de la infraestructura, dels vianants i de la xarxa per circular amb seguretat. Però el fet de que aquests missatges siguin públics faria possible que algú amb males intencions pogués enviar missatges falsos als vehicles. Per resoldre-ho es proposa signar els missatges per verificar-los, és el concepte d’Authorization Tickets(AT), que són expedits per una autoritat central i a més no contenen informació personal de l’usuari. Però aquí apareix un altre problema perquè algú podria seguir la trajectòria (tracking) de tots els missatges signats amb un mateix AT. La solució passaria per anar canviant l’AT al llarg del temps, però res assegura que una IA no pugui fer tracking amb diferents AT. Llavors, el repte plantejat és poder decidir quin és el millor moment per canviar l’AT per tal de minimitzar aquest risc.

La solució proposada passa per entrenar un sistema basat en IA per fer el tracking del vehicle i llavors decidir el moment de canvi d’AT en funció de la dificultat d’aquest tracking.

Pilot AI4Agriculture – UPC

Aquest pilot s’emmarca dins el projecte europeu AI4Agriculture, i a banda del grup IDEAI – UPC, també hi van participar en el projecte: ATOS, SmartRural, Deutsches Zentrum für Luft und Raumfahrt i National and Kapodistrian University of Athens.

Els objectius a assolir per la prova pilot eren:

• Ajudar als agricultors a reduir els costos de producció i obtenir el màxim rendiment

• Automatitzar la presa de decisions

• Comptar els fruits en una planta, mesurar la seva maduresa i qualitat

• Predir el temps de recol·lecció òptim i la quantitat de recursos necessaris

El treball de l’IDEAI – UPC estava centrat en el cultiu de la vinya, concretament era responsable del mòdul de recompte de fruits, un mòdul de primer nivell dins de l’arquitectura de la solució. Amb un model de Deep Learning és possible detectar i comptar els raïms. Aquesta informació serà utilitzada posteriorment per altre mòduls del projecte, encarregats de predir el pes de la producció en la collita.

El mòdul de recompte de fruits, està basat en un model de Visió per Computador per detectar automàticament els raïms a partir de fotografies. Les deteccions es marquen amb rectangles. Després d’entrenar el model, el resultat és l’àrea coberta pels raïms en cada imatge, ja que aquest valor és més rellevant per l’estimació del pes que no pas pel nombre de raïms.

El mòdul de segon nivell per predir la producció i la qualitat agrega les dades del recompte de fruits i juntament amb altres fonts de dades com la humitat, la varietat de les plantes, anàlisis de laboratori, meteorologia, etc., retorna un conjunt d’entrenament per generar models predictius. Els models finals poden predir la producció en pes, i alguns indicadors de qualitat com el pH i l’acidesa total. S’ha de tenir en compte que per obtenir resultats vàlids cal ajustar els paràmetres del model per a cada vinya.

Finalment, els resultats de les prediccions es poden visualitzar sobre un mapa accessible als usuaris finals, els agricultors, a través d’una app.

Enllaços d’interès

Presentacions i vídeo de la jornada Presentació Proves de Concepte de Dades i IA (21/09/2022)