Los estudios de Renzo Larenas y Diego Silva, de la Universidad Andrés Bello, desarrollados bajo la guía del académico de la UNAB e investigador de CENIA, Billy Peralta, fueron presentados en una de las conferencias más importantes del área en el mundo.
La Inteligencia Artificial aplicada en la solución de problemas concretos. Eso es lo que tuvieron en mente dos jóvenes investigadores de la Universidad Andrés Bello (UNAB), cuando elaboraron sus respectivos estudios enfocados en el monitoreo de campos agrícolas y en la predicción del tránsito santiaguino.
Guiados por el académico de la UNAB e investigador de CENIA Billy Peralta, estas soluciones fueron presentadas en una de las conferencias de IA más importantes del área en el mundo, la International Joint Conference on Artificial Intelligence (IJCAI 2025) en Montreal, Canadá y mostraron resultados prometedores.
Renzo Larenas, recién titulado en Ingeniería Civil Informática (UNAB–CENIA), presentó en el Workshop in Artificial Intelligence for Sustainability de IJCAI 2025 su estudio Self-refining Segment Anything: A Perturbation-Driven Approach for Semi-Supervised Satellite Image Segmentation, desarrollado junto al académico Billy Peralta (UNAB–CENIA).
La investigación muestra la exitosa adaptación realizada a uno de los modelos de Inteligencia Artificial más avanzados del mundo, el Segment Anything (SAM), con el objetivo de que las imágenes satelitales sean más precisas al identificar suelos agrícolas.
SAM es un modelo creado por Meta en 2023, capaz de reconocer y marcar objetos dentro de una imagen a partir de una instrucción. “Es decir, si alguien pide ‘gato´´, la máquina colorea la silueta exacta de todos los gatos en la foto. Esa técnica se llama segmentación y es fundamental para que las máquinas “entiendan” qué hay en una imagen”, explica el investigador.
Larenas y su equipo dieron un paso más: tomaron esta herramienta y la especializaron en imágenes satelitales, un campo en el que la versión original del modelo no era lo suficientemente precisa. Así nació SAM-Noise, una variante entrenada con una mezcla de imágenes reales de campos agrícolas y versiones alteradas de esas mismas fotos. El objetivo era poner a prueba la consistencia del modelo: si a pesar de los cambios seguía reconociendo la zona agrícola, significaba que había aprendido a identificarla correctamente.”El propósito fue aprendiera mejor cómo se ven los campos desde el espacio, incluso cuando no hay suficientes ejemplos reales disponibles.”, amplía el ingeniero.
El resultado fue un salto significativo en la capacidad de monitoreo agrícola desde el espacio. Mientras el modelo original lograba identificar alrededor del 70% de las áreas agrícolas, la versión mejorada de Larenas alcanzó mayores niveles. “Esto tiene aplicaciones directas en agricultura, monitoreo ambiental y planificación territorial, donde saber qué hay en la tierra y en qué lugar se encuentra resulta fundamental para tomar decisiones”, explica.
IA para la planificación urbana
Predecir la velocidad del tráfico en Santiago para mejorar la movilidad urbana y optimizar la planificación de rutas nunca ha sido fácil, pero la Inteligencia Artificial podría marcar la diferencia. Así lo demuestra la investigación Multimodal Spatio-Temporal Vehicle Speed Prediction Using Hexagonal Grids in Santiago, Chile, liderada por Diego Silva (UNAB) en colaboración con Orietta Nicolis (UNAB), Andrés Bronfman (PUC), Luis Caro (PUC) y Hans Lobel (CENIA–PUC). Ésta fue presentada por Billy Peralta (CENIA–UNAB) -coautor del estudio- en el Workshop on Spatio-Temporal Representation Learning (STRL) de IJCAI 2025.
El estudio propone un modelo de IA “que combina datos GPS, que capturan la dinámica histórica de las velocidades en diferentes puntos de la ciudad, e imágenes satelitales que entregan información del entorno físico y geográfico, como parques, colegios o calles principales”, explica Diego Silva.. Esto permite entregar información concreta, precisa y en tiempo real sobre las calles de Santiago, que podrían dar respuesta a preguntas como: ¿a qué hora se saturan las principales arterias?, ¿cómo impacta la presencia de un colegio en la fluidez de las calles cercanas?, ¿qué zonas conviene reforzar con semáforos inteligentes o vías exclusivas? Con estos datos, no solo se optimizan rutas en tiempo real, sino que también se generan insumos clave para planificar políticas de movilidad y decidir dónde invertir en infraestructura vial.
Para procesar los datos GPS y los satelitales, el equipo usó dos redes neuronales: HexConvLSTM, que aprende cómo cambia el tráfico y cómo se conectan las calles, y MLP, que analiza imágenes satelitales y detecta elementos del entorno que afectan la movilidad. “La combinación de ambas permite que el modelo no solo entienda qué ocurrió antes en cada calle, sino también por qué, considerando el contexto urbano, algo que no logran los métodos tradicionales”, agrega Silva.
Otro aspecto innovador del estudio fue usar hexágonos en lugar de las tradicionales cuadrículas para dividir la ciudad. Los hexágonos permiten una mejor representación del espacio y requieren menos recursos computacionales para cubrir la misma área. “Imaginemos el Parque Almagro en Santiago: las calles alrededor tienen zonas lentas por semáforos y tramos rápidos en avenidas cercanas. Con hexágonos, cada celda tiene seis vecinos a la misma distancia, lo que permite al modelo capturar de manera uniforme cómo el parque afecta el tráfico en todas las direcciones. En cambio, con las cuadrículas tradicionales, los vecinos diagonales están más lejos, por lo que la influencia del parque no se refleja correctamente en esas direcciones. Por eso, los hexágonos son una mejor opción”, explica el investigador.
Los resultados muestran predicciones de tráfico más certeras que podrían tener aplicaciones directas en planificación urbana y movilidad: “Empresas de transporte y reparto pueden optimizar rutas en tiempo real, y las autoridades diseñar políticas más inteligentes o justificar nuevas vías”, concluye Silva.
