A este drama hay que sumar a las entre 20 y 50 millones de personas que sufren lesiones no mortales y, muchas de ellas, discapacidad derivada de las mismas. Para abordar este problema, Meha Nelson, licenciada en Ciencias de la Computación por la Universidad de Amity (India) y máster en Inteligencia Artificial por la Universidad de Edimburgo (Reino Unido), cofundó en 2016 Predina, una start-up que utiliza modelos de aprendizaje de máquinas para predecir dinámicamente el riesgo de accidentes.
Pero, en lugar de utilizar el comportamiento del conductor para sus predicciones, Nelson analiza datos del contexto y el ento o de la conducción. Junto a su cofundadora, Bola Adegbulu, han creado Guardian, un mapa dinámico de riesgo de accidentes construido a partir de más de dos millones de datos de accidentes de tráfico en el Reino Unido en un período de diez años. Con esta herramienta pueden predecir, dada una ubicación y una hora del día, el riesgo de tener un accidente en ese momento y lugar.
Las predicciones pueden hacerse desde el presente y hasta 48 horas en el futuro, explica Nelson. Guardian es capaz de anticipar también la severidad del accidente en caso de producirse y sus causas. Para construir su modelo, han incluido 28 variables contextuales que influyen directa o indirectamente en cada accidente, como el tipo de carretera, el tiempo, el tráfico, las temporadas de vacaciones y la coincidencia de acontecimientos deportivos. Sus modelos se basan en estos grandes conjuntos de datos para "dibujar la escena" de cada uno de los accidentes, explica Nelson.
Predina ya ha probado Guardian en ento os reales con uno de los mayores proveedores de gases industriales del mundo, que distribuye sus productos mediante una amplia flota de camiones. Tras un test inicial en el que lograron una precisión superior al 70 % en la predicción de accidentes, conectaron Guardian a través de una API a los dispositivos de navegación de una de las flotas de este cliente en Reino Unido. Durante seis meses Guardian envió una alerta sonora cada vez que el camión entraba y salía de un área de alto riesgo. "El resultado fue una reducción del 25 % en el número de accidentes respecto al año anterior, mientras que en las localizaciones donde no se utilizó, aumentó un 41 %", explica Nelson.
Pese a los buenos resultados, lograr el beneplácito de los usuarios finales no fue sencillo. Si los camioneros reciben demasiados avisos de riesgo (falsas alarmas) dejan de prestarles atención. "Hay que darles la información correcta, no sobrecargarlos", explica Nelson. Para ello incorporaron al sistema nuevos datos y normas de priorización. Por ejemplo, hay zonas como la de Londres que son de alto riesgo siempre, porque allí ha sucedido un elevado número de accidentes. No obstante, como indica Nelson, "esto no significa que allí vaya a suceder un accidente cada hora". Para estas áreas, Predina establece "una línea de base general del riesgo" y, si detectan una subida por encima de ella, saben que están ante una información relevante. También tienen en cuenta el factor de severidad. Priorizan los casos que pueden dar lugar a muertes o a vuelcos de camiones, frente a otros con índices de severidad más bajos, indicativos de golpes o arañazos.
Nelson espera que en el futuro los Gobie os usen su sistema para modificar las carreteras peligrosas y construir otras más seguras. También están en conversación con Google para conectar su API a la aplicación de navegación Waze. Y, dado que Guardian se basa exclusivamente en el contexto, podría funcionar igual de bien para el transporte sin conductor.
Para el cofundador de Barbara IoT y miembro del jurado de Innovadores menores de 35 Europa 2019, Javier Agüera, el sistema de Predina "puede tener un impacto significativo en la industria del transporte, incluso antes de que los vehículos sin conductor de nueva generación sean comunes". De hecho, el esfuerzo de Nelson se enmarca en los objetivos de la Agenda 2030 para el Desarrollo Sostenible que aspira a reducir a la mitad el número de muertes y lesiones causadas por accidentes de tráfico para el próximo año.