La sexta extinción masiva, actualmente en curso, constituye una amenaza crítica para el futuro de la civilización humana debido a la degradación asociada de los servicios provistos por los ecosistemas. Las acciones propuestas para doblar la curva de extinción masiva son heterogéneas y dependen del ecosistema objetivo. En este contexto, la tecnología juega un papel crucial para mantener un registro del estado de las especies y los ecosistemas, identificar las causas de extinción de las primeras y degradación de los segundos, evaluar la eficacia de las medidas de mitigación de ambos fenómenos, y monitorizar la evolución del entorno natural mientras se recopilan datos para impulsar acciones futuras y tomar decisiones bien fundamentadas. El análisis manual "offline" de los datos recopilados por los sensores ha sido el procedimiento estándar en el campo de la conservación durante muchos años. A medida que evolucionaron las capacidades de los sensores, el procesamiento manual de la información se convirtió en el principal factor limitante para el pleno aprovechamiento de las posibilidades que ofrece la tecnología. Para superar esta situación, se espera que la inteligencia artificial (IA), y más concretamente su materialización en forma de redes neuronales profundas (DNN), sea el catalizador de los avances más importante en los próximos años.
En este momento, los servicios basados en procesamiento en la nube están transformando el paradigma clásico antes mencionado de análisis manual "offline" en análisis automático "offline". Sin embargo, persiste el cuello de botella de transmitir todos los datos a la nube. En última instancia, el objetivo es el análisis automático in-situ, es decir, los sistemas implementados para la monitorización de la naturaleza deberían poder sensar su entorno, procesar los datos localmente, y producir información resumida de interés para investigadores, gestores, y conservacionistas. Los desafíos para la implementación exitosa de estas capacidades son notables. Las DNNs, que son la implementación estándar de facto actual de la IA debido a su alta precisión en tareas de inferencia, son computacionalmente pesadas y consumen mucha memoria, no solo durante el entrenamiento sino también cuando se trata de inferir en escenarios reales. Con el presente proyecto, tenemos la intención de contribuir a la implementación de análisis automático in-situ a través del diseño e implementación de una plataforma embebida de procesamiento que integrará y fusionará datos visuales, acústicos y ambientales para la monitorización inteligente de la naturaleza en lugares predeterminados. Esta plataforma se construirá bajo los principios de baja potencia, bajo coste, e inferencia precisa, es decir, debe proporcionar a los especialistas información muy fiable para que puedan tomar decisiones con un análisis manual mínimo. Como primer paso, en este proyecto de 2 años haremos uso de componentes comerciales cuidadosamente seleccionados para la plataforma objetivo. Como meta a largo plazo, nuestro objetivo es diseñar e integrar chips específicos sobre la base de la experiencia adquirida con componentes comerciales para crear un sistema miniaturizado en la línea del paradigma largamente deseado de "smart dust".
Proyecto TED2021-131835B-I00 financiado por MCIN/AEI /10.13039/501100011033 y por la Unión Europea NextGenerationEU/ PRTR.
