La nueva era de la coordinación de emergencias: inteligencia artificial para salvar vidas

Imaginemos un escenario en el que los equipos de emergencia, como los bomberos, pueden coordinar sus intervenciones de manera más efectiva y rápida. Esto ya es una realidad gracias a la plataforma IRIS de Unblur y su poderoso módulo de inteligencia artificial desarrollada por la fundación i2CAT, centro de desarrollo e investigación sin ánimo de lucro.

En la medida que la inteligencia artificial aumenta sus aplicaciones, el mercado de tecnología especializado en el desarrollo de soluciones innovadoras para la coordinación de equipos de emergencia madura a pasos agigantados. Y aquí, la plataforma IRIS de la compañía Unblur tiene el objetivo de posicionarse como una solución líder que está revolucionando la industria.

IRIS es algo más que una simple aplicación, explican en una entrevista con CIO España Sergi Mercadé i Rizk Allah Touma, investigadores del área de Inteligencia Artificial Distribuida de la Fundación i2CAT y desarrolladores del módulo que dota de inteligencia a la plataforma. Es una herramienta que permite a los servicios de emergencia compartir información al instante, enviar imágenes, desplegar mapas, diseñar estrategias de rescate y asignar recursos de manera eficiente. Algo así como tener de asesor a un superhéroe tecnológico en un dispositivo.

El proyecto nace de la necesidad de mejorar la toma de decisiones en situaciones de emergencia, donde cada segundo cuenta. "Determinar qué recursos son los óptimos para cada situación, teniendo en cuenta el estado actual del incidente, la evolución de este y los recursos disponibles, puede ser una tarea compleja en entornos tan dinámicos como un accidente", señalan los expertos.

“Los sistemas llamados Emergency Decision Support Systems (EDSS) se utilizan para asistir a los servicios de emergencia en la toma de decisiones complejas para reducir su carga de trabajo en las diferentes etapas de resolución de un incidente. No obstante, la mayoría de EDSS desarrollados dan soluciones genéricas para entornos concretos”, explican. Con este proyecto se ha conseguido que estos sistemas sean capaces de dar recomendaciones óptimas de asignación de recursos de manera detallada y de funcionar en diferentes entornos en tiempo real, acompañando a los servicios de emergencia en todo momento.

El J.A.R.V.I.S. del equipo de rescate

Pero ojo. El sistema es un complemento del trabajo de los bomberos y en ningún caso “toma las decisiones de asignación de recursos pos sí solo”. Explica qué recursos considera óptimos, dejando la decisión final al usuario. Un compañero de equipo como J.A.R.V.I.S. personaje del universo Marvel y asistente virtual y sistema de inteligencia artificial creado por Tony Stark (Iron Man) para ayudarlo en sus actividades y controlar la tecnología de su traje.

Tal y como comparten los investigadores, al tratarse de una aplicación crítica donde se involucran vidas humanas y bienes materiales, se ha complementado el modelo predictivo con un módulo de explicabilidad que añade contexto a las predicciones.

El desarrollo del proyecto se basó en un enfoque ágil y colaborativo entre Unblur e i2CAT. Juntos se sumergieron en el mundo de los equipos de emergencia para comprender a fondo sus necesidades y desafíos. La experiencia de los profesionales del sector fue clave para identificar qué información era realmente relevante y cómo podía marcar la diferencia en cada situación. “Una vez identificadas las necesidades y el impacto de las diferentes variables, nos pudimos centrar en conseguir los datos necesarios para entrenar nuestros modelos y realizar las correcciones pertinentes para que los modelos obtuvieran unos resultados lo más ajustados posibles a los que un experto podría dar en las mismas situaciones”, explican.

Los datos, clave de bóveda del proyecto

Las prioridades del equipo fueron claras desde el principio: dotar a la plataforma de Unblur de un poderoso cerebro de inteligencia artificial. Se trató de aprovechar al máximo los datos disponibles, desbloqueando su valioso potencial para tomar las decisiones más acertadas.

Así, los datos del incidente se recopilan y procesan para adaptarlos a la inteligencia artificial. A partir de ahí, la plataforma utiliza su conocimiento histórico y su capacidad de aprendizaje automático para predecir las necesidades futuras en términos de recursos y habilidades requeridas. “Todos los datos crudos de las actuaciones históricas contienen información valiosa sin explotar” y, en este sentido, aplicar un proceso de ingeniería de datos capaz de explorar las características más importantes de los mismos fue fundamental.

Complementar las predicciones inteligentes con una capa de argumentación ha sido uno de los aspectos más destacados para el equipo.

“Este enfoque nos permite obtener una asignación de recursos óptima con gran detalle: podemos saber por qué se ha considerado óptimo enviar un vehículo o persona a un incidente, ya que sabemos qué características o habilidades se han considerado necesarias y a su vez podemos saber las características del incidente que el modelo de IA considera relevantes para esas habilidades o características. Con este nivel de información, el personal de los servicios de emergencia puede tomar una decisión informada usando el sistema de IA”, explican.

La incorporación de algoritmos de inteligencia artificial en las operaciones de servicios de emergencia puede generar ahorros significativos en costes y tiempo al proporcionar recomendaciones precisas y justificadas aumenta la eficiencia y la toma de decisiones fundamentadas. Esto no solo beneficia a los equipos de emergencia, sino que también puede tener un impacto positivo en la seguridad de la comunidad en general.

Tan sencillo como pulsar un botón

El sistema de inteligencia artificial no requiere una formación especializada, ya que está integrado directamente en la plataforma de Unblur. Es tan sencillo como pulsar un botón. “La plataforma devuelve los recursos que considera óptimos y próximamente también indicará los factores de la situación del incidente que han tenido más peso para la predicción de necesidades futuras”, explican.

Un ejemplo de su alcance. “Imaginemos que, en una intervención de emergencia, un bombero principiante es asignado a un incendio en un edificio de varias plantas”, exponen. “A medida que el bombero llega al lugar del incidente, se enfrenta a múltiples decisiones críticas, como determinar qué equipos y recursos específicos se necesitan para controlar el fuego y rescatar a las personas atrapadas”.

En esta situación, la plataforma puede proporcionar al bombero recomendaciones que le ayuden a tomar decisiones más fundamentadas y a optimizar el uso de recursos disponibles en la intervención.

“Al tener acceso a una gran cantidad de datos históricos de incidentes similares y al conocimiento adquirido a través del entrenamiento del modelo de aprendizaje automático, el personal principiante puede beneficiarse de la experiencia acumulada y concentrarse en la operación, sin tener que lidiar con toda la carga de trabajo y la toma de decisiones complejas a las que normalmente se enfrentarían en su etapa inicial”, resumen.

Preguntados sobre si es posible extrapolar la aplicación a otros entornos o escenarios, los investigadores destacan que el carácter modular y flexible del sistema permite adaptarlo a otros escenarios “siempre y cuando se disponga de datos históricos”.

“El concepto usado en este proyecto se puede tomar como base para otros casos de uso que tengan dinámicas parecidas, es decir, dónde se necesite optimizar recursos futuros para dar respuesta a una situación actual, por ejemplo, en la asignación de trabajadores a turnos o en la asignación de recursos en una situación de catástrofe”, concluyen.