Desafío 1: unificar los datos sobre la basura oceánica del mundo

Estimar el volumen de basura marina dispersa en los cinco océanos es más difícil de lo que parece. No existe un método estándar de recopilación de datos marinos para guiar a países y organizaciones. El Wilson Center, una de las principales organizaciones políticas no partidistas de Estados Unidos, junto con el PNUMA y el equipo Data Science and AI Elite (DSE) de IBM, necesitaban armonizar toneladas de esquemas y metadatos para poder utilizar datos procedentes de todos los rincones del mundo.

Para fomentar una colaboración más eficaz entre todas las partes interesadas, PNUMA estableció un objetivo clave para establecer una plataforma global para residuos marinos. Con el catálogo de conocimientos de IBM en IBM Cloud Pak for Data, pudieron limpiar, clasificar, conformar y poner a disposición de los científicos de datos los datos adecuados de forma rápida y automática. La solución también permitió a los científicos ciudadanos rastrear orígenes de los datos, colaborar con otros científicos, solicitar conjuntos de datos y compartir sus conocimientos sobre los conjuntos de datos utilizando mecanismos de clasificación y etiquetado.

Desafío 2: conquistar los conjuntos de datos condicionales para preservar la salud de las playas

El segundo desafío era calcular el volumen de residuos marítimos de playa. Las encuestas aleatorizadas estadísticamente ayudan a crear estimaciones científicas precisas, pero la recopilación de datos sobre residuos es, por naturaleza, aleatoria. Al depender en gran medida de equipos de limpieza voluntarios, los datos sobre los esfuerzos de limpieza pueden estar condicionados por sesgos temporales y espaciales. Por ejemplo, un voluntario recoge diariamente la basura de la playa. Pero lo que recopilan cada día difiere de lo que puede encontrar alguien que recopila semanalmente o mensualmente, lo que conduce a muestras altamente dependientes de innumerables variables, por lo que es difícil de comparar y analizar.

Y los esfuerzos de limpieza son inconsistentes en todas las ubicaciones, ya que algunos lugares se limpian con demasiada frecuencia y otros rara vez o nunca se tocan, lo que indica que las muestras no son independientes ni se distribuyen de manera idéntica (IID). Estos conjuntos de datos condicionales impiden la resolución de problemas mediante métodos típicos de machine learning.

Para abordar estos desafíos, el equipo de DSE utilizó el método de inferencia bayesiana con técnicas de muestreo de Makov Chain Monte Carlo (MCMC). El enfoque bayesiano les permitió dar cuenta de las incertidumbres del problema; MCMC les permitió crear una cadena de eventos dependientes para estimar los parámetros de la basura marina. Esta prueba de concepto reveló que esta metodología híbrida única podría ajustarse y modificarse para mejorar la resistencia del modelo.

El equipo de DSE creó una canalización de machine learning en IBM Cloud Pak for Data para establecer un ciclo de vida de IA integral optimizado. Una vez que establecieron un punto de partida para medir los residuos marinos, el equipo podría predecir el número de voluntarios necesarios para un esfuerzo de limpieza en una playa en particular. Dado las tendencias y políticas actuales, el modelo ayudará a proyectar la cantidad de basura esperada cinco años en el futuro.

Desafío 3: mirar al futuro para reforzar la prevención y el apoyo

La mejor manera de resolver el problema de la basura marina es prevenirlo. De cara al futuro, ¿cómo pueden las comunidades costeras evitar daños permanentes a las costas vírgenes? El equipo de DSE creó un pronóstico de series temporales para ayudar a rastrear el plástico marino y desarrollar políticas más precisas y efectivas para erradicarlo. Para que el conjunto de datos se pueda consumir fácilmente, el equipo creó un panel de control ejecutivo que permite a varias partes interesadas:

• Monitorizar la progresión de la densidad de basura marina año tras año
• Desglosar los datos por ubicación nacional para evaluar las tendencias de la basura a lo largo del tiempo.
• Concentrarse en playas específicas para una recopilación de datos más granular
• Perfeccionar la metodología para recomendar las mejores aplicaciones móviles a los grupos de voluntarios

Con un ciclo de vida integral de la IA, los científicos y los responsables políticos podrían extraer aún más valor de los conjuntos de datos de Wilson Center, ya sea para coreografiar limpiezas o predecir un cronograma para llegar a cero contaminación. El panel de control digital personalizado de IBM hace que el trabajo sea fácilmente accesible y compartible, incluso para aquellos que no tienen experiencia técnica.

Estas herramientas permiten a una parte interesada del PNUMA como Costa Rica hacer un seguimiento de sus progresos hacia el objetivo nacional de librarse por completo de los plásticos.

Desafío 4: hacer que más personas se preocupen por la basura marina

El liderazgo de PNUMA quería profundizar aún más en los datos, para crear un vínculo entre el público y el tema del litter marino. Para lograr esta conexión, la organización imaginó un avatar digital como referencia de la información. Así que nació un humano digital llamado Sam.

"Sam puede conectarse emocionalmente con los usuarios porque realmente responde", explica Richard Darden, ingeniero distinguido y defensor digital humano de IBM.

Las respuestas emotivas de Sam derivan de IBM watsonx Assistant utilizando la tecnología IBM watsonx Speech to Text. Estos programas pueden interpretar la intención de un usuario y luego elaborar la respuesta de Sam buceando en el vasto repositorio del PNUMA y en otras fuentes.

Esa información se filtra a través de un avatar realista creado por Soul Machines, una empresa con sede en San Francisco que hace lo que llama "gente digital".

Al aprovechar el poder de la tecnología para combatir la contaminación por plásticos, IBM demostró ante la Asamblea de las Naciones Unidas para el Medio Ambiente su compromiso con la preservación del medio ambiente, enfatizando que la IA puede ser una herramienta vital para medir el progreso futuro y puede influir en la política directa sobre intervenciones plásticas marinas hacia la construcción de un ecosistema marino sostenible. El PNUMA ahora está centrando su atención en hacer que la recopilación de datos sea más fácil e impactante.

El Wilson Center está explorando formas de utilizar la ciencia ciudadana en los informes del PNUMA más allá de la limpieza de playas, incluso con aplicaciones móviles más sofisticadas que ofrecen detección y clasificación de objetos, dice la Dra. Anne Bowser, Directora de Innovación del Centro Wilson y líder del proyecto.

Basándose en el éxito inicial de su colaboración con IBM, Bowser cree que el empoderamiento de los científicos ciudadanos con IA podría beneficiar a otros objetivos del PNUMA (enlace externo a ibm.com). "La IA es un poderoso aliado de la ciencia ciudadana que puede ayudar a las comunidades locales y globales", afirma Bowser. "Solo estamos dando los primeros pasos para aprovechar este potencial".

El Wilson Center (enlace externo a ibm.com), creado por el Congreso de los Estados Unidos en 1968 como monumento oficial al presidente Woodrow Wilson, es el principal foro político no partidista del país para abordar los problemas globales a través de la investigación independiente y el diálogo abierto a fin de informar ideas prácticas para la comunidad política. La organización ayudó a lanzar Earth Challenge 2020, una plataforma para aumentar la cantidad de datos científicos ciudadanos abiertos e interoperables, conuna aplicación móvil para atraer al público.

Programa de las Naciones Unidas para el Medio Ambiente (PNUMA)

PNU (enlace externo a ibm.com) es la autoridad medioambiental global líder que establece la agenda medioambiental global, promueve la aplicación coherente de la dimensión medioambiental del desarrollo sostenible dentro del sistema de las Naciones Unidas. Formado en 1972, sirve como defensor acreditado del entorno global. Para obtener más información, visite: https://www.unep.org (enlace externo a ibm.com).