La IA podría saber adónde vas antes que tú. Investigadores de la Universidad Northeastern utilizaron grandes modelos lingüísticos, el tipo de inteligencia artificial avanzada normalmente diseñada para procesar y generar lenguaje, para predecir el movimiento humano.
Cómo RHYTHM predice el movimiento humano
RHYTHM, su innovadora herramienta, “puede revolucionar la previsión de los movimientos humanos”, pronosticando “dónde estarás en los próximos 30 minutos o las próximas 25 horas”, dijo Ryan Wang, profesor asociado y vicepresidente de investigación en ingeniería civil y ambiental en Northeastern.
La esperanza es que RHYTHM mejore dominios como el transporte y la planificación del tráfico para hacernos la vida más fácil, pero en casos extremos, RHYTHM podría incluso utilizarse para responder a desastres naturales, accidentes de tráfico y ataques terroristas. La investigación se publica en el servidor de preimpresiones arXiv.
“La predicción precisa es muy importante para que las personas entiendan qué está sucediendo y hacia dónde deben ir”, dijo Haoyu He, candidato a doctorado en ingeniería civil y ambiental en Northeastern.
Comprender los patrones de movilidad humana
Históricamente, predecir cómo se mueven las personas ha sido un desafío por una sencilla razón: los movimientos humanos suelen ser aleatorios. Sin embargo, si observamos con más atención, es posible ver los patrones o el ritmo del movimiento humano. Las personas pueden ir al supermercado, a la escuela o al gimnasio el mismo día y a la misma hora todas las semanas. Al utilizar datos de movilidad de código abierto y la comprensión contextual que tienen los LLM, Wang y He construyeron un modelo que no solo imita patrones anteriores sino que crea predicciones basadas en ciertas condiciones.
“Comprender que las personas tienen estos patrones 24/7, semanales o mensuales ayuda a predecir su ubicación”, dijo Wang. “Esto hace que el patrón abstracto sea más concreto. El modelo puede interpretarlo y utilizarlo para mejorar nuestra predicción”.
Precisión y ventajas RYTHM
Según He, RHYTHM es un 2,4% más preciso que modelos similares, pero durante periodos irregulares, como los fines de semana, donde las personas no siguen sus patrones habituales, es un 5% más preciso que la competencia. RHYTHM también requiere mucho menos tiempo para entrenar con datos, una de las partes más laboriosas del proceso de cualquier LLM.
Uno de los mayores desafíos en torno a la predicción de la movilidad ha sido pronosticar dónde y cómo se mueve una persona, dijo Wang. Los LLM ya están facilitando eso.
“Durante el día, las personas que viven en los alrededores de Boston se apresuran a ir a trabajar a la ciudad, y por la noche vuelven a casa, pero a nivel individual es altamente aleatorio y estocástico”, dijo Wang. “Ahora, con los LLM, ese aspecto se puede incorporar y nos ayuda a predecir o representar mejor cómo se desarrollará esta aleatoriedad”.
Pruebas y aplicaciones futuras
Wang y He probaron RHYTHM con datos de movimiento de siete días de un grupo de personas y descubrieron que podía predecir con fiabilidad el movimiento para el día siguiente, los días siguientes y la semana siguiente. Añadió que, en teoría, podía predecir a un futuro mucho más lejano, pero los errores tienden a acumularse.
Centrarse en ese marco temporal inmediato es realmente perfecto para el futuro que esperan alcanzar con RHYTHM: predecir cómo se mueven las personas durante desastres naturales y otros eventos extremos.
“Muchas veces, especialmente durante eventos extremos, queremos saber qué sucederá en las próximas 24 horas o varias horas”, dijo Wang. “¿Cómo podemos aprovechar los LLM, que poseen características más complejas, para predecir esos eventos que apenas observamos, pero que son posibles de generar o predecir incluso con una probabilidad muy baja de que ocurran?”
Fuente: Tech Xplore.