Nueva Estrategia de Seguridad en el Metro de Londres
Transport for London (TfL) ha puesto en marcha una innovadora estrategia para incrementar la seguridad y eficiencia en sus estaciones de metro. La iniciativa se basa en la utilización de imágenes de CCTV, algoritmos de Inteligencia Artificial (IA) y «modelos de detección» para identificar patrones de comportamiento que puedan indicar situaciones problemáticas. El objetivo es proporcionar al personal de la estación información en tiempo real sobre el movimiento y comportamiento de los usuarios, permitiendo una respuesta más rápida ante situaciones potencialmente peligrosas o disruptivas.
Resultados y Críticas del Ensayo de la Nueva Tecnología
El ensayo de esta nueva tecnología ha proporcionado información valiosa, especialmente en relación a la evasión de tarifas, lo que permitirá a TfL desarrollar enfoques e intervenciones más efectivas en el futuro. A pesar de las preocupaciones sobre el sesgo en los algoritmos de IA, TfL asegura que no se encontró evidencia de sesgo en los datos recogidos durante el ensayo. Sin embargo, es importante mencionar que durante el ensayo no se informó a los usuarios sobre las pruebas de estas herramientas de vigilancia de IA. Actualmente, TfL está considerando el diseño y alcance de una segunda fase del ensayo.
La tecnología empleada en el ensayo incluye sistemas de visión por computadora que pueden detectar objetos y personas en imágenes y vídeos. Durante el ensayo en Londres, se utilizaron algoritmos entrenados para detectar ciertos comportamientos o movimientos, combinados con imágenes de las cámaras de CCTV de la estación de metro. Cuando el sistema detectaba uno de los 11 comportamientos o eventos identificados como problemáticos, emitía una alerta al personal de la estación.
Comportamientos Problemáticos y Desafíos Futuros
Los comportamientos problemáticos identificados incluyen el movimiento de multitudes, acceso no autorizado, situaciones de protección, asistencia a la movilidad, delitos y comportamiento antisocial, personas en las vías, personas heridas o enfermas, peligros como basura o suelos mojados, objetos abandonados, clientes varados y evasión de tarifas.
A pesar de los resultados prometedores del ensayo, TfL ha enfrentado críticas y desafíos. El informe de TfL menciona que se intentó incluir actos de agresión en la lista de comportamientos problemáticos, pero no se logró detectarlos con éxito. Daniel Leufer, analista de políticas en Access Now, cuestiona la capacidad de los sistemas de aprendizaje automático para detectar la agresión de manera fiable sin replicar los sesgos existentes en la sociedad. Durante el ensayo, se registraron un total de 66 alertas de comportamiento agresivo, incluyendo datos de prueba.
En conclusión, TfL está explorando nuevas formas de utilizar la tecnología para mejorar la seguridad y eficiencia de sus estaciones de metro. Aunque el ensayo ha tenido éxito en muchos aspectos, también ha planteado preguntas importantes sobre la privacidad, el sesgo y la efectividad de los algoritmos de IA en la detección de comportamientos problemáticos.
Sandra es especialista en marketing digital y experta en redes sociales. Ha completado un posgrado en Comunicación y RRPP de marcas de moda en Idep Barcelona, así como otro en Marketing y reputación online: comunidades virtuales. Sandra está al tanto de las últimas tendencias y mejores prácticas en redes sociales, y eso se refleja en su trabajo diario generando un impacto positivo en el mundo digital.
