ambient@
Tecnología de Amazon Web Services para identificar y comprender los patrones migratorios de los cachalotes
Coteja las imágenes de estos cetáceos y elabora una base de datos con miles de ellos, logrando una identificación más precisa y acelerando la investigación
Cada semana, la bióloga marina Lisa Steiner realiza una videollamada desde su casa en la remota isla de Faial, en las Azores (Atlántico Norte), para hablar con un pequeño equipo de científicos y desarrolladores de datos. Quieren ver, como ella misma dice, si puede romper lo que han estado construyendo para ella. Una herramienta digital, diseñada por un equipo de la consultora global Capgemini, que utiliza la tecnología del aprendizaje automático de Amazon Web Services (AWS) para ayudar a Steiner a identificar ejemplares de cachalotes con más rapidez y precisión.
Steiner rastrea los cachalotes, que pueden vivir hasta 70 años, fotografiando las aletas de las colas, o aleta caudal, y almacenando las imágenes en una base de datos. Al igual que las huellas dactilares humanas, cada ejemplar tiene una aleta caudal diferente. Al catalogar y cotejar las imágenes de la aleta caudal a lo largo del tiempo, Steiner puede identificar si el mismo animal ha el regresado a la zona y en qué momento lo ha hecho.
Cuando Steiner llegó al archipiélago de las Azores para empezar a estudiar los cachalotes en 1988 su labor investigadora era eminentemente manual. «Salíamos en un velero desde las 9 de la mañana hasta las 10 de la noche —recuerda—. Fotografiaba las ballenas con un carrete en blanco y negro, pero no sabía hasta que la revelaba si realmente había captado una instantánea clara». La única manera era colocar las imágenes sacadas en el suelo, armarse de paciencia y compararlas como si de un juego de coincidencias se tratara.
Aunque Steiner ha seguido a algunas ballenas durante tanto tiempo que ahora puede reconocer a alrededor de 100 ejemplares a simple vista, ni siquiera su vasto conocimiento y su infinito entusiasmo serían suficientes para encontrar las coincidencias en una base de datos cada vez mayor, en la que se aglutinan hasta 8.000 imágenes.
Hasta ahora, el programa informático con el que contaba Steiner la obligaba a cargar las imágenes e introducir manualmente en el sistema los datos que describían los contornos izquierdo y derecho de la aleta caudal de cada ballena. El programa era lento e incapaz de captar los pequeños cambios que se producían con el paso del tiempo, ya que no reconocía que, aunque el contorno de una cola hubiera cambiado ligeramente debido al desgaste, seguía siendo el mismo animal.
Tecnología de visión por ordenador
Cuando un empleado del grupo de consultoría global Capgemini se unió a uno de los viajes de observación de ballenas de Steiner, tuvo claro el potencial del aprendizaje automático para ayudarla. Así nació la idea del Fluketracker.
«Les facilité todas mis fotografías y han logrado un algoritmo para saber cómo es la cola de un cachalote —explica Steiner—. Gracias a él se ha conseguido encontrar coincidencias que yo era incapaz de detectar, sobre todo en colas con contornos muy suaves que son difíciles de distinguir entre sí». El Fluketracker, que utiliza la tecnología de visión por ordenador y aprendizaje automático de AWS para clasificar y emparejar imágenes a gran velocidad, ya ha ayudado a Steiner a clasificar todas sus fotos, identificando más de 200 ballenas nuevas.
«Ahora solo tengo que subir las imágenes, esperar unos minutos y si hay una ballena en el catálogo que ya está en línea, encontrará la coincidencia», afirma. «El objetivo final es realmente que la plataforma esté disponible al público y sea de código abierto, para que cualquiera pueda enviar fotos». Su investigación solo abarca las Azores, pero esta tecnología le permite clasificar imágenes de otras regiones: «Cuanto más colaboremos, más información podremos obtener y mejor podremos entender a dónde van las ballenas y cómo se relacionan”, sentencia la investigadora.