- Sara Beery, profesora del Instituto Tecnológico de Massachusetts (MIT), conversó con Mongabay Latam sobre los desafíos de la inteligencia artificial (IA) para la conservación.
- Durante la charla habló sobre la importancia de contar con una IA de código abierto, transparente y fácil de usar.
- También se refirió a la importancia de que los países no solo inviertan en tecnología, sino en desarrollar las capacidades humanas.
- Además ahondó sobre las desigualdades en el acceso a la tecnología entre los países altamente desarrollados y los países en desarrollo.
Sara Beery es una defensora de los modelos de inteligencia artificial (IA) de código abierto, transparentes y fáciles de usar, pero sobre todo de “que no estén ocultos tras un muro de pago ni sean de propiedad privada, así son más accesibles y, creo, más sostenibles”, dice con entusiasmo en una entrevista para Mongabay Latams.
Junto con Dan Morris, creó Megadetector, un modelo de IA de código abierto para la conservación que detecta animales, personas y vehículos captados en imágenes de cámaras trampa y filtra aquellas que están en blanco, lo que reduce el trabajo de revisión manual de los científicos y técnicos cuando tienen grandes conjuntos de datos.
“Me gustan los modelos donde todo el código para ejecutar el modelo es de código abierto y transparente y la capacidad de ejecutarlo o adaptarlo también es de código abierto. Por eso comparto la idea del modelo de Mälmo –desarrollado por el Allen Institute– de que todo sea rastreable y transparente y que nada sea privado o secreto”, reafirma Beery cuando habla de sus proyectos y del camino que debería seguir la IA para la conservación.
Leer más |Llega el PUMA FEST: I Festival Latinoamericano de Periodismo Ambiental
Actualmente Beery es profesora de Inteligencia Artificial y Toma de Decisiones en el Departamento de Ingeniería Eléctrica e Informática del Instituto Tecnológico de Massachusetts (MIT, por sus siglas en inglés), desde donde impulsa el aprendizaje automático con la IA y con la experiencia humana para comprender mejor el planeta, explicó en diálogo con Mongabay Latam.
Beery fue una de las ponentes centrales de la Conferencia Internacional de Tecnología para la Conservación (ICTC), que se realizó en Lima, Perú, en febrero pasado.
—El uso de la IA es cada vez más frecuente para el cuidado del medioambiente ¿Qué tan importante son estas herramientas para la conservación de los ecosistemas y la biodiversidad?
—Desde mi punto de vista, depende mucho de la pregunta que se plantee y de cómo se conciba el uso de la IA. Hay muchos ejemplos que hemos visto en los últimos 15 años en los que algunos esfuerzos de conservación, basados particularmente en la comprensión de especies mediante la recopilación de datos de cámaras trampa, datos bioacústicos o datos de drones presentan volúmenes de información que no son escalables si se trabaja solo con personas, y ahí es donde la IA no solo es valiosa, sino necesaria.
Por ejemplo, si se recopilan cientos de miles, incluso millones de imágenes de cámaras trampa en una temporada y el objetivo de conservación es establecer cuotas de caza de ciervos en Estados Unidos, una decisión que debe tomarse desde el sector público. Entonces, la cantidad de tiempo que le tomaría a un pequeño equipo con recursos limitados revisar manualmente cada imagen e identificar cuáles contienen ciervos para luego convertir esa información en un modelo de la población de ciervos o de su distribución espacial y temporal representa un enorme cuello de botella.
—En esa situación, el procesamiento manual de datos supone un gran obstáculo…
—Es indiscutible que si esto forma parte de un proceso de conservación, si la toma de decisiones se basa en la recopilación de datos a gran escala —ya sean datos bioacústicos, imágenes de cámaras trampa, de drones o de satélites— y se intenta procesar manualmente, simplemente no va a funcionar. Se invertiría muchísimo tiempo en revisar los datos. Ahí es donde la IA resulta valiosa. Creo que hay mucho potencial, aunque aún no se ha explorado por completo cómo podría usarse la IA más allá del simple procesamiento de datos. Sin embargo, es absolutamente cierto que la IA es útil y valiosa para ayudar a los ecólogos y expertos a procesar grandes volúmenes de datos rápidamente y así llegar a lo que realmente interesa: qué hacer con la información que se obtiene de estos sistemas de recopilación de datos.
—¿Cuáles son las limitaciones en el uso de la IA en conservación?
—Si hablamos de diferentes tipos de datos, diferentes preguntas y paisajes muy diferentes, desde la Amazonía hasta el África subsahariana, la IA puede significar muchas cosas. Pero la IA no es gratuita. Su uso no es gratuito. Hay importantes limitaciones de recursos, por tanto, la pregunta clave es: si tengo limitaciones de ancho de banda, de acceso a la infraestructura computacional, etcétera, entonces, ¿qué modelo de IA debería usar? La decisión depende del contexto, de las cuestiones ecológicas que nos importan, de la forma en que queremos usar la IA.
—Hablemos de Megadetector. ¿Cómo surge este proyecto?
—Este modelo se utiliza ampliamente para analizar datos de cámaras trampa y detectar personas, animales y vehículos. No identifica especies en particular, solo animales. Precisamente por eso, al no identificar especies y referirse únicamente a los animales logra generalizar mejor a los ecosistemas. Esto significa que puede ser más útil de inmediato, sin necesidad de reentrenamiento ni especialización para un proyecto específico. Por tanto, su uso resulta menos costoso, ya que no requiere la capacidad, el conocimiento, ni la infraestructura para entrenar un modelo propio o encontrar un modelo específico para un proyecto concreto. Para que una herramienta como el Megadetector sea útil creo que este enfoque en la generalidad, en lugar de la especificidad, se traduce en una mayor accesibilidad a la IA.
La desventaja radica en que, al diseñarlo para que fuera generalizable, no podíamos permitirle predecir especies. Por tanto, después de ejecutar el modelo, aún se requiere una gestión exhaustiva de los datos. Hay que etiquetar a cada animal detectado según su especie, en el caso del uso más sencillo posible. Así que no se elimina la intervención humana. Creo que mucha gente quiere que la IA sea una varita mágica, simplemente le entregas tus datos y te olvidas de ellos, pero ese es un modelo mental completamente erróneo. Lo ideal es que sea una herramienta que los ecólogos puedan usar para ser más eficientes y abordar las preguntas que realmente les interesan.
Ahora estamos empezando a ver modelos cada vez mejores que funcionan de forma genérica. Por ejemplo, el modelo SpeciesNet es un modelo que publicamos y que entrenamos con todos los datos de WildLife Insights. Este modelo está empezando a reducir la barrera para proyectos más específicos de especies. Hay muchas partes del mundo donde ese modelo funciona bastante bien para muchas de las especies comunes que nos interesan, lo que significa que la cantidad de tiempo que un experto tiene que dedicar a verificar o corregir los datos disminuirá con el tiempo.
—Menciona que modelos como Megadetector o SpeciesNet son mucho más accesibles, pero, aún así, ¿existen desigualdades en cuanto al acceso a la IA?
—Todo lo que mencionaba sobre capacidad, ancho de banda e infraestructura computacional no está disponible universalmente. Por ejemplo, una de las mejores maneras de subir tus datos a la nube, para poder usarlos en Wildlife Insights, es enviarlos a Estados Unidos y subirlos allí. Eso ya implica un desequilibrio bastante significativo en cuanto a quién tiene acceso a la capacidad de transferir datos desde un disco duro local a una infraestructura en la nube. Por lo tanto, creo que definitivamente existen desigualdades en cuanto al acceso a la IA. También creo que existen desigualdades en el acceso al desarrollo de capacidades. Por ejemplo, en Estados Unidos hay muchos programas, mucha documentación y materiales educativos en inglés que ayudan a la gente a entender y si quisieran implementar algo, podrían hacerlo a través de este modelo.
Sin embargo, esa documentación no necesariamente está disponible en otros idiomas. Hay muchas maneras en que las barreras para el acceso aumentan y se agravan, sobre todo si uno se encuentra en países en desarrollo o en lugares que históricamente han tenido menos acceso a los recursos.
Hace poco escribí un documento para las Naciones Unidas sobre el gran potencial de la tecnología de IA en el monitoreo de la biodiversidad. Sin embargo, si no somos cuidadosos al invertir en infraestructura –-de datos, computacional y humana– en los países en desarrollo para asegurar que se beneficien de la IA de la misma manera que los países altamente desarrollados, veremos cómo aumenta la brecha en cuanto a las posibilidades, el acceso y los beneficios. Lo escribimos en el contexto de Asia y el Pacífico Sur, pero creo que los desafíos generales que identificamos son aplicables a nivel global.
—¿Cómo superar esos desafíos?
—Si los países no quieren quedarse atrás, deben replantearse su inversión en estas tecnologías. Invertir específicamente en la capacidad humana tiene mucho valor. Si se cuenta con personas con habilidades tecnológicas adecuadas, pueden ayudar a implementar estas soluciones en el contexto que tenga sentido para cada país y sus objetivos de conservación específicos. Creo que el impacto externo de una persona con la capacidad tecnológica adecuada, con los recursos suficientes para desarrollar la infraestructura computacional puede ser enorme. En general, diría que la inversión sistemática en infraestructura a nivel nacional es una pieza clave del rompecabezas, pero también es importante que estas organizaciones, incluidas las áreas protegidas, consideren si pueden invertir en el desarrollo de capacidades y cómo hacerlo, incorporando a alguien en su equipo con el conocimiento y la habilidad necesarios para que la IA funcione a su favor.
Sé que es un objetivo ambicioso, pero creo que muchos, incluyéndome a mí, hemos estado diseñando programas educativos adecuados para facilitar el acceso a esta tecnología.
—Durante la Conferencia Internacional de Tecnología para la Conservación (ICTC) varios ponentes de los pueblos indígenas mencionaron esta desigualdad en el acceso a la tecnología pero también dijeron que muchas veces la información que los investigadores recogen en sus territorios no está alineada con sus intereses comunales. Además, la tecnología no toma en cuenta los conocimientos ancestrales. ¿Es posible incorporar este conocimiento en los modelos de IA? ¿Se pueden reducir estas desigualdades?
—Hasta ahora, la perspectiva sobre qué es la IA o cómo podríamos usarla en ecología es bastante limitada, centrándose en entrenar modelos predictivos con un solo tipo de datos de entrada para realizar una predicción. Por ejemplo, con la imagen de una cámara trampa y la etiqueta de un experto, se genera una identificación de especie. Estos sistemas son muy estructurados. Por lo tanto, es muy difícil pensar en cómo incorporar conocimientos menos estructurados que podrían no integrarse bien en sistemas sustentados en bases de datos. De hecho, lo digo con mucha cautela y escepticismo.
La forma en que hemos visto mejorar el modelado del lenguaje para muchos idiomas ha sido fundamental. Claro, sé que muchos idiomas indígenas no cuentan con el mismo soporte que el inglés o el español, pero el lenguaje es un mecanismo para traducir información no estructurada en información estructurada. Para ser más precisa, muchos laboratorios están trabajando para que los expertos describan su conocimiento a través del lenguaje y luego lo incorporen a los modelos.
Una de las maneras es describir las características del hábitat que se sabe son importantes para una especie determinada. Luego tenemos un método de modelo de lenguaje visual que hemos desarrollado donde se pueden tomar esas descripciones de las características del hábitat, por ejemplo, una densa maleza leñosa o cerca de un río. Puedes tomar estas descripciones de texto y usarlas directamente para generar covariantes de hábitat cuantificables y continuas. Luego, puedes modelar la ocupación usando esas covariantes. Es solo el comienzo. Un primer paso para explorar, pero creo que hay maneras muy creativas de incorporar conocimiento para que formen parte integral del sistema.
Estos grupos indígenas no tienen acceso a la tecnología actualmente. Lo que estoy describiendo es un sistema tecnológicamente avanzado. Creo que hay dos cosas que tendrían que suceder para que se concrete esta visión que tengo sobre cómo podemos diseñar estos sistemas de manera que la información experta pueda informar directamente nuestra comprensión de las especies y su ubicación. En primer lugar, necesitamos definir los métodos, asegurarnos que sean fiables y dignos de confianza. Se trata de comprender cómo trabajar con el lenguaje de forma estructurada. Lo segundo es definir cómo esos prototipos de investigación deberían adaptarse a las comunidades locales y qué tipo de infraestructura se necesita para que ese valor añadido se materialice.
—¿Y qué sucede con el impacto del uso de la IA en el ambiente?
—Una de las cuestiones es la conservación, pero el desarrollo de estos modelos de IA y toda esta tecnología tiene un gran impacto en los recursos ambientales, como el agua y la energía. Creo que este es un punto crucial y sutil que la gente ha perdido de vista en los últimos años.
Si se piensa que la IA significa ChatGPT o computación en la nube, un modelo generativo a gran escala, entrenado con datos de internet y utilizado para generar resultados, entonces hablamos de un tipo de modelo que tiene un impacto significativo en el consumo de energía de los centros de datos y en la escasez de agua [que se utiliza para refrigerar los potentes servidores y disipar el calor extremo que generan al procesar algoritmos complejos].
Pero este es solo un tipo de método de IA. En realidad, la gran mayoría de la IA aplicada a la conservación no es IA generativa. No se trata de modelos generativos costosos y a gran escala. Los modelos a los que me refiero tienen costes computacionales, sí, pero son relativamente ligeros. Son modelos más ligeros y a menudo los diseñamos teniendo en cuenta las limitaciones de recursos de los usuarios. Lo que realmente necesitamos es comprender qué costos climáticos tiene y saber que tomamos en cuenta esos costos climáticos, energéticos e hídricos para el tipo específico de IA que queremos utilizar.
Creo que es fundamental hablar de los costes ambientales de la IA, pero también es importante saber que no todo tiene el mismo coste ambiental, sino analizar específicamente los costes ambientales de los métodos y tecnologías de los que hablamos e incluirlos en nuestra decisión sobre si debemos o no utilizarlos.
*Imagen principal: Sara Beery, durante su intervención sobre IA para el clima y la naturaleza, en el TED Countdown & Bezos Earth Fund, en Nueva York el 24 de septiembre de 2025. Foto: cortesía Jasmina Tomic / TED Bezos Earth Fund
Créditos
