La Universidad A&M de Texas ha desarrollado una herramienta altamente innovadora llamada "CLARKE" (Computer Vision and Learning for Roads and Critical Knowledge Extraction), que promete revolucionar la forma en que el personal de respuesta de emergencias evalúa los daños después de un desastre.
"CLARKE" fue creado por un equipo de investigación liderado por el estudiante de doctorado en Ciencias de la Computación e Ingeniería Tom Manzini y la pionera en robótica de rescate Robin Murphy. Es el primer sistema de inteligencia artificial capaz de clasificar daños en edificios y carreteras a gran escala y alta velocidad basado en imágenes de drones. El objetivo del equipo es completar la evaluación de daños en una comunidad de 2.000 hogares en solo siete minutos, con el propósito de salvar vidas y ahorrar recursos.
Este sistema ya ha demostrado su efectividad en la temporada de huracanes de 2024. Después de los huracanes "Debby" y "Helene", fue desplegado en Florida y Pensilvania, probando su valor. Su nombre "CLARKE" es un homenaje a la cita del escritor de ciencia ficción Arthur C. Clarke, inspirado en la admiración de los pilotos de drones que usan el sistema por sus capacidades de aprendizaje automático.
Desde el punto de vista científico, "CLARKE" no tiene nada de misterioso. Utiliza algoritmos avanzados de visión por computadora y aprendizaje automático para analizar imágenes tomadas por drones, superponiendo evaluaciones de daños en mapas y generando hojas de cálculo que incluyen la dirección de cada edificio y el grado de daño. Para las carreteras, está equipado con un planificador de rutas similar al de Google Maps, ayudando al personal de rescate a evitar secciones intransitables. Murphy indica que "CLARKE" no solo identifica ubicaciones dañadas, sino que también proporciona planes de reparación, lo cual es crucial en rescates donde cada segundo cuenta.
En los métodos tradicionales, la evaluación de daños en áreas rurales o remotas puede tomar días, retrasando la ayuda y aumentando la complejidad logística. En cambio, "CLARKE" permite a los funcionarios recibir un informe completo de daños en minutos después de lanzar un dron, acelerando drásticamente el tiempo de respuesta. Incluso en áreas rurales con conexiones inalámbricas deficientes, donde no se pueden enviar imágenes para revisión manual por agencias estatales y federales, "CLARKE" permite una acción inmediata.
El sistema se entrenó con imágenes de drones de más de 21.000 hogares en 10 desastres mayores (incluyendo los huracanes "Harvey" e "Ian"), lo que le permite reconocer patrones de destrucción variados y adaptarse a diferentes desastres como huracanes, inundaciones y incendios forestales.
Aunque la tecnología en sí es innovadora, el éxito de "CLARKE" depende de sus usuarios. El mes pasado, la Universidad Estatal de Florida organizó un curso de entrenamiento cognitivo sobre "CLARKE", que originalmente planeaba atraer a 15-20 participantes, pero finalmente se inscribieron casi 100, destacando el fuerte interés en herramientas de desastre impulsadas por IA. David Merrick, director del programa de Gestión de Emergencias y Seguridad Nacional de la Universidad Estatal de Florida y líder del Grupo de Trabajo de Sistemas de Drones de Florida, elogió las capacidades del sistema, considerándolo de gran significado para los condados rurales, ayudando a mejorar la eficiencia y efectividad de la evaluación de desastres.
El desarrollo de "CLARKE" comenzó en 2022, y sus creadores lo han refinado continuamente basado en retroalimentación real. Después de su despliegue en 2024, el equipo de la Universidad A&M de Texas participó en un ejercicio de escritorio en abril de 2025 para recopilar opiniones del personal de rescate, no solo obteniendo sugerencias valiosas, sino también inspirando la demanda de entrenamiento formal, lo que llevó a una actividad de entrenamiento en junio.
Murphy cree que el futuro de "CLARKE" es prometedor; es tanto una herramienta práctica como una plataforma para investigaciones adicionales. Actualmente, el equipo ha identificado defectos fundamentales significativos en el aprendizaje automático para procesar este tipo de imágenes, similares a los de las imágenes médicas, con potencial para optimizaciones futuras.
