Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2.1.4. Lectura de La Catástrofe A La Acción PDF
2.1.4. Lectura de La Catástrofe A La Acción PDF
El objetivo de esta lectura es conocer cómo las tecnologías que permiten extraer
valor del Big Data permiten obtener conocimiento de las redes sociales, lo cual
puede resultar muy interesante para ayudar a gestionar catástrofes. A
continuación, se analiza el complejo contexto que se originó como consecuencia
del terremoto que tuvo lugar en el noroeste ecuatoriano en abril de 2016 y la
solución tecnológica propuesta.
1
Las primeras alertas en forma de hashtags
El 16 de abril de 2016, a las 18:52 horas, las poblaciones costeras del noroeste
ecuatoriano fueron asoladas por un terremoto de magnitud de 7,8 en la escala de
magnitud de momento. En 30 minutos, se destruyeron las principales infraestructuras
y fue un enorme golpe para la economía y el turismo de la zona, sin contar los
centenares de muertos y heridos que generó el sismo.
Para ser más exactos, la problemática detectada en esas primeras horas tras el
evento se puede resumir en cuatro aspectos:
2
que miles de personas vuelcan expresiones sobre necesidades específicas y
muchos ofrecen su ayuda para cubrirlas.
Para que los tuits sirvan de fuente de información a las autoridades, hay que hacer
dos cosas: primero, “normalizar” el texto de los tuits y luego, clasificarlos.
3
de clasificación posterior. Por citar algún ejemplo, procesos de normalización son la
unificación de términos con el mismo significado (“Bs. As.”, “Buenos Aires” y “CABA”
se unifican bajo el término “Buenos Aires”; “ventana” y “ventanas” bajo el término
“ventana”, etc.) o la “lematización”, que consiste en la extracción de lemas lingüísticos
de las palabras (por ejemplo, si en un tuit se indican las palabras “soy”, “seré”, “fui”,
se tomará el verbo “ser” en el procesado posterior del tuit).
Una vez obtenido el texto normalizado, el objetivo es categorizar los mensajes en, por
ejemplo: peticiones de ayuda, reporte de incidencias o casos donde se expresa una
necesidad explícita.
4
El aprendizaje con redes convolucionales se basa en la búsqueda de características
comunes en pequeños grupos de entradas, en este caso, los tuits. En nuestro
ejemplo, el análisis de un grupo de tuits desordenados de la catástrofe, donde los
usuarios piden ayuda, comentan el incidente u ofrecen recursos; permite identificar
tres tipos de tuit en base a estos patrones: solicitar ayuda, informar del incidente,
ofrecer ayuda.
5
red neuronal, en base al usuario que lo publicó, sería de fiable o no fiable. El nivel de
fiabilidad está directamente relacionado con el nivel de entrenamiento de los criterios
que puntúan esta fiabilidad (por ejemplo, ciertas palabras o expresiones en los tuits
que el programador de la red le enseñó a la red a identificar).
El formato de explotación o forma de mostrar los datos es una visión geoespacial (es
decir, un mapa integrado en un panel de control) con la categorización de los tuits,
una visión que incorpora variables organizadas de acuerdo a su prioridad (para
resolver primero los problemas más urgentes). Esto permite al usuario clave de un
centro de mando la gestión rápida que situaciones como terremotos suponen. La
solución, en su versión condensada, debería ser un mapa de procesos que incluya
las siguientes características:
6
5. Evolución de hashtags. Seguimiento de la evolución de los hashtags iniciales
para descartar o incorporar nuevos.
A continuación, podrás ver un diagrama donde incluimos cada uno de estos pasos.
Recomendamos que hagas zoom para ver el detalle:
7
Como puedes observar, esta propuesta toma en cuenta las últimas novedades en el
campo de la inteligencia artificial, aplicada al procesamiento del lenguaje natural;
El procesamiento del lenguaje natural es el campo que combina las tecnologías de
la inteligencia artificial, con la lingüística aplicada, con el objetivo de hacer posible la
comprensión y el procesamiento asistidos por ordenador de información expresada
en lenguaje humano para determinadas tareas, como la traducción automática o el
análisis de opiniones, etc.; como se ha hecho en este caso con Twitter, utilizando un
enfoque de servicio al bienestar común
8
Conclusiones
Esta obra está sujeta a la Licencia Reconocimiento-NoComercial-SinObraDerivada 3.0 España de Creative Commons. Para ver una copia
de esta licencia, visite http://creativecommons.org/licenses/by-nc-nd/3.0/es/ o envíe una carta Creative Commons, PO Box 1866, Mountain
View, CA 94042, USA.