En un paso innovador en materia de seguridad vial, los investigadores de la Universidad Johns Hopkins han desarrollado SafeTraffic Copilot, una herramienta impulsada por inteligencia artificial capaz de predecir riesgos de accidentes automovilísticos e informar sobre medidas preventivas.
Los investigadores de la Universidad Johns Hopkins han logrado un hito importante en la seguridad del transporte con el desarrollo de SafeTraffic Copilot, una herramienta de inteligencia artificial avanzada diseñada para predecir y mitigar los riesgos de accidentes automovilísticos en todo Estados Unidos.
Los hallazgos son publicado en la revista científica Nature Communications.
“Los accidentes automovilísticos en EE. UU. siguen aumentando, a pesar de décadas de contramedidas, y se trata de eventos complejos afectados por numerosas variables, como el clima, los patrones de tráfico y el comportamiento del conductor”, declaró en un comunicado de prensa el autor principal, Hao (Frank) Yang, profesor de ingeniería civil y de sistemas en Johns Hopkins. “Con SafeTraffic Copilot, nuestro objetivo es simplificar esta complejidad y proporcionar a los diseñadores de infraestructura y a los responsables de la formulación de políticas información basada en datos para mitigar los accidentes”.
SafeTraffic Copilot aprovecha los modelos de lenguaje grande (LLM), un tipo de IA capaz de procesar, comprender y aprender a partir de datos extensos.
El modelo se entrenó con diversas fuentes de datos, incluyendo descripciones textuales del estado de la carretera, datos numéricos como la concentración de alcohol en sangre, imágenes satelitales y fotografías in situ. Su sofisticado diseño le permite evaluar los factores de riesgo individuales y combinados de accidentes de tráfico, ofreciendo una comprensión detallada de cómo interactúan estos elementos.
El ciclo de aprendizaje continuo de esta innovadora herramienta garantiza que su precisión predictiva mejore a medida que se introducen más datos relacionados con accidentes. Esta característica única aumenta la fiabilidad de la herramienta con el tiempo.
Los investigadores también pueden cuantificar la confiabilidad de cada predicción, proporcionando un porcentaje de precisión para escenarios del mundo real.
“Al replantear la predicción de accidentes como una tarea de razonamiento y usar LLM para integrar datos escritos y visuales, las partes interesadas pueden pasar de estadísticas generales y agregadas a una comprensión más precisa de las causas de accidentes específicos”, agregó Yang.
SafeTraffic Copilot busca ser un recurso invaluable para los legisladores y diseñadores de transporte, permitiéndoles identificar combinaciones de factores de riesgo e implementar intervenciones basadas en evidencia. La información de la herramienta puede guiar una planificación de infraestructura y medidas de seguridad más efectivas, salvando vidas y reduciendo las lesiones en las carreteras estadounidenses.
“En lugar de reemplazar a los humanos, los LLM deberían servir como copilotos (procesando información, identificando patrones y cuantificando riesgos), mientras que los humanos siguen siendo quienes toman las decisiones finales”, agregó Yang.
La visión más amplia del equipo incluye la aplicación de SafeTraffic Copilot como plantilla para la integración responsable de la IA en otras áreas de alto riesgo como la salud pública y la seguridad humana.
Dada la naturaleza de caja negra de los modelos basados en LLM, los investigadores continúan explorando formas de hacer que las decisiones impulsadas por IA sean transparentes, responsables y alineadas con los valores sociales.
“El objetivo principal de nuestra investigación en curso es encontrar la mejor manera de combinar las fortalezas de los humanos y los LLM para que las decisiones en dominios de alto riesgo no solo estén basadas en datos, sino que también sean transparentes, responsables y alineadas con los valores sociales”, agregó Yang.
Los coautores del estudio incluyen a Hongru Du, profesor asistente de la Universidad de Virginia, junto con los candidatos a doctorado de Johns Hopkins Yang Zhao, Pu Wang y Yibo Zhao.
Fuente: La Universidad Johns Hopkins