Cómo los avances en la ciencia de datos ayudarán a una mejor conducción en el futuro
La ciencia de datos no es precisamente algo nuevo, pero hasta hace unos cinco años era una disciplina un tanto recluida a ciertos campos de la informática y la estadística. Pero con la popularización de la minería de datos, el big data (macrodatos) y la inteligencia de los datos, pasando por los campos de la inteligencia artificial y el aprendizaje automático ahora abarca muchas más áreas de la ingeniería y las tecnologías. A veces con aplicaciones y conceptos realmente curiosos.
¿En qué se parecen las estadísticas de los equipos de baloncesto de la NBA y los sistemas de gestión del tráfico en las ciudades o los algoritmos de conducción automática de algunos automóviles? Es un ejemplo estupendo para entender cómo los avances en unos campos de la ciencia de datos pueden afectar a otros sectores, algo que está sucediendo cada día.
Ciencia de datos y deporte: una pareja perfecta
Una explicación estupenda de todo el proceso es la de Rajiv Maheswaran, uno de los pioneros en ese seguimiento de datos en la NBA. Tal y como cuenta, los jugadores, equipos, las jugadas y las ligas completas se convierten en “millones de puntos en movimiento“. Analizándolos se pueden diferenciar las jugadas tácticas (bloqueos y continuación, cortes, penetraciones, etcétera) y por supuesto calcular todas las estadísticas imaginables sobre los porcentajes de acierto en tiros de dos o de tres puntos, pases, bloqueos y demás. Esto, como explicaba un reportaje de The Economist, ha transformado la NBA, casi tanto como cuando se cambian las reglas (la introducción de la línea de tres puntos fue quizá el cambio más conocido).
Con el paso del tiempo se contaba cada vez con más datos, procedentes de cámaras en los estadios, las cámaras de televisión o los sensores que llevan encima los jugadores. Se empezaron a analizar en 2D, pero luego se pasó al 3D. Los análisis se realizan hoy en día mediante aprendizaje automático (machine learning): los algoritmos aprenden a diferenciar cientos de tipos de jugadas según lo que muestran los fríos datos. Con esto se pueden desarrollar complejas simulaciones, ver los resultados y actuar en consecuencia.
Dos ejemplos estupendos son las historias de Ivana Seric, científica de datos de los Philadelphia 76ers y de Susana Ferreras, otra científica de datos zamorana que hace lo mismo para la selección femenina de baloncesto española compaginándolo con su trabajo para el Arsenal en Inglaterra. Ambas son piezas importantes para las estrategias de los equipos y emplean algoritmos desarrollados a medida que los entrenadores consideran “armas secretas” por las ventajas que pueden proporcionarles frente a otros equipos.
De las canchas a las calles y carreteras
Curiosamente, del mismo modo que muchos equipos de la NBA y del fútbol se han agrupado para compartir sus datos –en una estupenda actitud de “dar para recibir”– los fabricantes de automóviles y las organizaciones que gestionan las ciudades y carreteras están haciendo otro tanto: compartir sus datos, análisis e incluso los algoritmos. Cada vez hay más fuentes de datos: el posicionamiento GPS de los vehículos, los datos de las cámaras de las ciudades y los registros de los sensores de los coches que circulan por ellas.
Compartiendo toda esta información los fabricantes podrán mejorar la experiencia de conducción en el futuro. Con equipos de científicos de datos se pueden investigar mejores formas para guiar a los conductores o ayudar a circular a los coches con nuevos sistemas de asistencia a la conducción. Es un auténtico Empowered Driving, una conducción mejorada y más segura tanto para quienes van dentro de los vehículos como para quienes caminan por las calles de las ciudades.