- Se trata de una evolución en el uso del aprendizaje automático que permite la homogeneización y agregación de grandes volúmenes de datos heterogéneos en tiempo real, la predicción de eventos y la obtención de conocimiento de datos en Smart Cities
- A nivel medioambiental, contribuye a mejorar la gestión de los recursos y optimizar el flujo de actividades para reducir considerablemente la generación de cualquier tipo de residuo
El departamento de I+D de la tecnológica andaluza INNOVASUR continúa apostando por la innovación tecnológica con el diseño y desarrollo de PONADEPAT, un proyecto avanzado de hiperconexión con capacidad para analizar en tiempo real grandes volúmenes de datos haciendo uso de la inteligencia artificial, lo que permite establecer predicciones e implementar patrones de comportamiento en el marco de eventos vinculados a Smart Cities.
Esta evolución en el uso del aprendizaje automático desarrolla mecanismos apropiados para homogeneizar de manera eficiente los datos de las ciudades inteligentes, alcanzando un nivel de efectividad superior respecto a soluciones anteriores aplicadas en las siguientes áreas: gestión de infraestructuras, red e IoT; energía y medio ambiente; gestión del territorio y turismo; movilidad y transporte; y bienestar social.
El director adjunto y director del departamento de I+D de INNOVASUR, Jesús Sotomayor, ha destacado la importancia de este avance poniendo en valor el trabajo del equipo que lo ha llevado a cabo: “En el departamento de innovación de INNOVASUR trabajamos cada día para conseguir llevar nuestras soluciones inteligentes un paso más allá, algo que en este caso hemos podido lograr gracias al trabajo y al compromiso de todo el equipo. Con PONADEPAT hemos mejorado considerablemente la respuesta que el aprendizaje automático nos ofrece frente a la información recogida por todos los sensores, que cada vez son más precisos y diversos, de ahí la dificultad para conseguir logros como este”.
De esta manera, se han conseguido alcanzar los diferentes objetivos estratégicos marcados por la compañía, entre los que se encuentran el fomento de las nuevas tecnologías por parte del ciudadano mediante la integración de servicios, facilitar la toma de decisiones, modernizar la administración simplificando los trámites y aumentando el grado de satisfacción, promover una movilidad urbana sostenible, disminuir la contaminación acústica y atmosférica, involucrar al ciudadano en el diseño de iniciativas públicas y fomentar el desarrollo del tejido económico local potenciando los sectores estratégicos de la ciudad.
Uno de los puntos más destacados de PONADEPAT está relacionado con los objetivos ambientales y la contribución a la transformación digital, con una solución que permite implantar un alto grado de automatización en la ciudad con el propósito de optimizar distintos aspectos medioambientales, como los sistemas de riego, contribuyendo a mejorar la gestión de los recursos y optimizar el flujo de actividades para reducir considerablemente la generación de cualquier tipo de residuo.
Desde el punto de vista técnico, INNOVASUR ha implementado los procesos necesarios para homogeneizar los datos en bruto de cualquiera que de los sensores inteligentes, sea cual sea su naturaleza, para obtener información estructurada de valor que sea potencialmente utilizable posteriormente en las aplicaciones de analítica y visualización de datos. Para ello, se ha realizado un proceso previo de homogeneización realizando tareas de detección y clasificación de patrones mediante algoritmos de aprendizaje automático, a fin de obtener información estructurada y de calidad sobre datos de imagen y sonido.
Esto ha ido acompañado del desarrollo de un sistema de predicción de eventos en series temporales, con el objetivo de ofrecer al usuario final información futura con un elevado porcentaje de confianza, y de un sistema de minería de datos para la búsqueda automática de patrones, encargado de analizar patrones de comportamiento regular en los datos y de detectar anomalías para entender en profundidad los hábitos de la Smart City.
La consecución de este avance ha sido posible gracias al apoyo y la financiación de la Corporación Tecnológica de Andalucía y el Centro para el Desarrollo Tecnológico y la Innovación, proyecto que ha supuesto una inversión aproximada de 800.000€, y que permite a INNOVASUR seguir situándose a la vanguardia en el desarrollo de soluciones pioneras como esta.
Información sobre el proyecto
- Título: Plataforma para la homogeneización y agregación de grandes volúmenes de datos heterogéneos en tiempo real, predicción de eventos y obtención de conocimiento de datos de smart cities por medio de aprendizaje automático.
- Duración: 2 años (24 meses). Desde el 03/06/2022 al 03/06/2024.
- Presupuesto: 835.232,83€.
- Beneficiario de la ayuda: INNOVACIONES TECNOLÓGICAS DEL SUR S.L.
- Importe de la ayuda UE: 340.844,66€.
- Descripción del proyecto:
Se identifican los siguientes objetivos:- Desarrollar un sistema que sea capaz de adaptar y unificar en tiempo real volúmenes elevados de datos no estructurados provenientes de sensores IoT “estándar” y de Inteligencia Artificial: Dadas las distintas naturalezas de la sensórica disponible en un entorno de ciudad inteligente, se implementarán los procesos necesarios para la homogeneización del dato en bruto de cualquiera que sea la naturaleza del sensor proveniente, para obtener en cualquier caso como resultado información estructurada de valor y potencialmente utilizable posteriormente en aplicaciones de analítica y visualización de datos. Dados sensores de inteligencia artificial, se realizará un proceso de detección y clasificación de patrones mediante algoritmos de aprendizaje automático, a fin de obtener información estructurada y de calidad sobre datos de imagen y sonido. En cualquier caso. Disponiendo de datos ya estructurados provenientes de cualquier sensor (estándar o IA, tras haberse realizado la tarea de IA pertinente), se llevará a cabo un proceso de preprocesamiento de los datos que tendrá los siguientes objetivos concretos:
- Desarrollar un sistema de predicción de eventos en series temporales: Para datos temporales de sensórica IoT, se ha de implementar un módulo que automáticamente halle el modelo de aprendizaje automático que mejor caracteriza el comportamiento de dichos datos, con el objetivo de realizar tareas predictivas y dar al usuario final información futura, con un porcentaje de confianza elevado.
- Desarrollar un sistema de minería de datos para la búsqueda automática de patrones: Sobre la información actual y futura de las distintas entradas de datos existentes en el almacén de datos, se implementará un módulo que de manera automática se encargará de la búsqueda de patrones de comportamiento regular en los datos, así como la detección de anomalías. La finalidad principal es la de proveer al usuario final de informes que advierten de causalidades potenciales en sus datos y patrones que le permitan llegar a un entendimiento más profundo del dominio de la ciudad inteligente objeto de análisis.
Resultados del Proyecto
- Desarrollo e implementación de modelos optimizados de aprendizaje profundo
Se han desarrollado modelos de aprendizaje profundo optimizados mediante técnicas de destilación de redes neuronales, fusión de capas y cuantización (FP32, FP16, INT8). Estas optimizaciones han permitido reducir el tamaño de los modelos y mejorar su eficiencia en dispositivos con capacidades limitadas, como cámaras de vigilancia y dispositivos edge computing. - Creación de un módulo de importación de datos con múltiples conectores
Se ha implementado un módulo de importación de datos que permite integrar información de diversas fuentes y formatos, como bases de datos SQL y NoSQL, APIs web y archivos en formatos estándar (CSV, JSON, XML, XLS). Esto facilita la interoperabilidad y el enriquecimiento del almacén de datos de la plataforma. - Algoritmo avanzado para la combinación de datos heterogéneos
Se ha desarrollado un algoritmo que permite fusionar datos de distintas fuentes garantizando la coherencia semántica y temporal. Esto permite realizar análisis más completos y mejorar la calidad del conocimiento derivado de los datos urbanos, facilitando la toma de decisiones basadas en información integrada. - Algoritmos de limpieza y reducción de dimensionalidad
Se han implementado algoritmos de reducción de dimensionalidad como PCA y análisis factorial, junto con técnicas de selección de características basadas en modelos, para eliminar variables redundantes y optimizar la eficiencia de los análisis de minería de datos. - Implementación de técnicas avanzadas de minería de datos
Se han desarrollado y aplicado diversos métodos de aprendizaje automático supervisado y no supervisado, incluyendo Máquinas de Soporte Vectorial (SVM), Redes Neuronales Artificiales (ANN), Árboles de Decisión, K-Means, DBSCAN y detección de anomalías. Estos algoritmos han permitido identificar patrones, tendencias y relaciones en los datos urbanos. - Creación de un módulo de representación semántica de resultados
Se ha implementado un módulo para la generación automática de informes y representación semántica de resultados de minería de datos. Este sistema permite transformar datos complejos en información accesible y contextualizada para distintos usuarios, facilitando la interpretación y visualización de los hallazgos obtenidos. - Desarrollo de widgets integrados en el Cuadro de Mando Integral (CDMI)
Se han diseñado e integrado visualizaciones específicas como gráficos de dispersión semánticos, mapas de calor, gráficos de barras, histogramas y gráficos circulares. Estas herramientas permiten representar de manera clara y comprensible los resultados del análisis de datos en el entorno de la plataforma Smart City. - Automatización de flujos de entrenamiento e inferencia
Se ha establecido un sistema automatizado para la ejecución de entrenamientos e inferencias de los algoritmos de minería de datos. Esto permite que la plataforma mantenga actualizados los modelos y optimice la generación de conocimientos en tiempo real sin intervención manual. - Integración completa de la plataforma en una arquitectura de microservicios
Se ha desarrollado una arquitectura basada en microservicios, con todos los módulos desplegados en contenedores Docker y comunicándose a través de una red interna segura. Esto ha mejorado la escalabilidad, modularidad y facilidad de mantenimiento de la plataforma. - Despliegue y validación en un entorno piloto
Se ha implementado una instancia de la plataforma en un entorno realista de Smart City, integrando sensores IoT y cámaras de vigilancia para evaluar su desempeño en condiciones de operación. Se ha verificado la capacidad de procesamiento en tiempo real de grandes volúmenes de datos sin pérdida de rendimiento.
