Por Borja García, Premio Juan Ruíz de la Torre 2021 al mejor Estudio de carácter forestal
El mundo se halla sumido en una tendencia imparable hacia la automatización de toda clase de procesos industriales. En medio de esta manía colectiva, centenares de ingenieros informáticos de Silicon Valley (y de otros lugares no tan glamurosos) han ido construyendo, artículo a artículo, lo que podríamos describir como el genio de la lámpara de la Industria 4.0. Este genio, al que se le ha llamado en términos muy generales Inteligencia Artificial (IA), tiene nombre y apellidos: Redes Neuronales Artificiales, también conocidas como Deep Learning.
De manera sucinta, Deep Learning (o Aprendizaje Profundo) se define como el conjunto de algoritmos que tratan de recrear la estructura del cerebro humano mediante la interconexión de neuronas virtuales organizadas por capas. Cada neurona realiza un cálculo muy sencillo, pero cuantas más capas de neuronas se conectan y más profundo se hace el modelo, más complejos son los resultados que estos algoritmos son capaces de ofrecer, hasta el punto de superar a los humanos en tareas tan delicadas como la identificación de tumores.
Este genio, el Deep Learning, es el combustible de la Industria 4.0 que ya impregna cada aspecto de nuestro día a día: detección de matrículas en aparcamientos, aplicaciones de móvil para rejuvenecernos o cambiar nuestro sexo en una fotografía e incluso asistentes virtuales capaces de ofrecer tratamiento psicológico.
El sector forestal no es una excepción, aun cuando los avances tecnológicos percolan más lentamente en él. Diversos autores han demostrado ya que este tipo de modelos puede servir para detectar defectos en madera aserrada o realizar el seguimiento de las trozas a lo largo del proceso productivo utilizando la cámara de un smartphone, lo que pone de manifiesto su capacidad para automatizar toda clase de procesos forestales y hacerlos más rápidos y eficientes.
Con el fin de añadir mi granito de arena, versé mi Trabajo Final de Máster sobre un modelo de Deep Learning, llamado Mask R-CNN, al cual entrenamos para que fuese capaz de detectar automáticamente las testas en imágenes de trozas apiladas. Con este fin, delimitamos manualmente las testas contenidas en ellas y generamos una base de datos de 418 imágenes que sirvió para entrenar al modelo. Posteriormente evaluamos su precisión y estudiamos el efecto que la forma de las trozas, su tamaño y su número tuvieron en el desempeño del modelo.
De manera interesante, su precisión fue excelente, ofreciendo un error relativo promedio en la estimación de la superficie de las testas inferior al 3.6%. Además, observamos que la calidad de las predicciones no dependía de la forma de estas, ni del número de trozas contenidas en los cargamentos.
Ejemplos como este representan solamente un pequeño paso en la automatización de procesos como el de la cubicación de madera, pero establece un precedente y muestra lo que es posible conseguir si se dispone de datos y recursos suficientes. No obstante, debemos ser prudentes al implementar estas tecnologías.
El proceso de automatización no se va a detener, y englobará aspectos cada vez más complejos de nuestros sistema productivo, relegando al desempleo a miles de personas y sumiéndolas en la pobreza. Este fenómeno será especialmente dañino en el caso del sector forestal, dado que muchos de sus procesos se llevan a cabo en entornos rurales donde el empleo escasea, agravando la crisis demográfica que afecta a estas zonas.
Así pues, estas técnicas pueden aliviar a la humanidad de las cadenas del trabajo, pero si queremos controlar al genio de la Inteligencia Artificial, nuestra sociedad debe aprender a estimar al ser humano no por la riqueza económica que genera, sino por su valor intrínseco como persona.
