Esta actividad forma parte de ciclo de seminarios organizados por Instituto de Ciencias Marinas y Limnológicas de la Facultad de Ciencias de la Universidad Austral de Chile (UACh).
Una innovadora mirada a los océanos fue el eje de la conferencia “De las Redes de Pesca a las Redes Neuronales: Articulando Inteligencia Artificial con Registros Biológicos para Mapear Hábitats Submarinos”, dictada por el Dr. Felipe Benavides, investigador del Roux Institute de Northeastern University, y del Gulf of Maine Research Institute (GMRI) en Portland-Maine, Estados Unidos. La organización del evento estuvo a cargo del Instituto de Ciencias Marinas y Limnológicas de la Universidad Austral de Chile, en cabeza de su director José Garcés, quien viene colaborando con el Dr. Benavides desde hace varios años en investigación y docencia entorno al Machine Learning aplicado a las ciencias marinas.
Durante su presentación, desarrollada el pasado 8 de julio en la UACh, el Dr. Benavides abordó los desafíos que enfrentan las ciencias del mar para cartografiar los ecosistemas submarinos, debido a que el agua actúa como una barrera para los sensores remotos tradicionales. Esta limitación genera vacíos críticos en la gestión de los recursos hidrobiológicos, especialmente en zonas con escaso monitoreo.
Como respuesta a esta problemática, presentó un enfoque interdisciplinario que integra Inteligencia Artificial (IA) Generativa y datos biológicos recopilados por pescadores artesanales durante décadas. Su propuesta consta de cuatro fases conectadas de una forma innovadora: 1) Interpolación espacial usando Redes Adversarias Generativas Convolucionales; 2) Compresión semántica basada en Autoencoders Convolucionales; 3) Segmentación espacial mediante Mapas Autoorganizados; y 4) Validación biológica iterativa, que confronta los modelos generados con registros reales de presencia de especies.
Lo novedoso del método reside en que optimiza la interpretación ecológica de los hábitats en función de dos elementos clave: 1) cuales son sus atributos dominantes (físicoquímicos, hidrogeológicos, biológicos), 2) y qué especies deberían vivir ahí según sus adaptaciones/requerimientos fisiológicos, y no al revés, como ocurre con muchas metodologías basadas exclusivamente en modelos estadísticos multivariantes. Esto implica un avance significativo en uno de los problemas más grandes del Deep Learning: la interpretabilidad de las predicciones que hacen los modelos.
Con esta aproximación, el Dr. Benavides busca no solo mejorar el cartografiado de hábitats submarinos, sino también fortalecer el vínculo entre ciencia y conocimiento local, apostando por tecnologías que respeten y utilicen saberes tradicionales para enfrentar los desafíos del ambientales y la conservación marina.
