Chisme 121 del lince: clasificar nubes con IA en 4 clases

El Lince de la Noche miraba el cielo de Sierra Bermeja desde la azotea del instituto. Víctor Vílchez, el profe de Lynx Enterprises, le había pedido un parte de nubes para las prácticas de la tarde.

—Cúmulos, cirros, cubierto… —murmuró el Lince—. Me paso el día mirando hacia arriba y no me aclaro.

La Gata Montesa bajó de la valla: —Tú pon la cámara. Que lo decida una IA entrenada con fotos, y que la Echidna encienda un LED con el resultado. Y luego miramos si se equivoca.

Introducción

En este chisme vamos a clasificar nubes con inteligencia artificial y la placa Echidna Black 2. Entrenamos un modelo de imágenes con 4 clases: cúmulos, cirros, cielo cubierto y cielo despejado. La Echidna enciende un LED RGB con el color de la clase y lee la luz y la temperatura.

Es una forma sencilla de empezar a clasificar nubes como lo hace la ciencia ciudadana: con fotos, un modelo y mucha duda razonable.

Por qué clasificar nubes

El programa NASA GLOBE Cloud Gaze pide a voluntarios que identifiquen nubes en fotos. Incluso hay un proyecto escolar de GLOBE que clasifica tipos de nube con machine learning.

Aquí hacemos una versión de aula. Practica primero con el simulador del Chisme 121: dataset, entrenamiento, programa y preguntas de ciencia.

Qué necesitamos para clasificar nubes

• Echidna Black 2 conectada por USB-C, con el conmutador en Modo Sensores.
• EchidnaML (Scratch de Echidna con LearningML).
• El dataset de nubes (.rar): 10 fotos de entrenamiento y 2 de prueba por clase, de Wikimedia Commons, con autor y licencia en licencias.csv.

Conecta la placa antes de abrir el programa, como vimos en el Chisme 116.

Paso 1: crear el modelo para clasificar nubes

• Pulsa Ir a LearningML y elige datos de tipo imágenes.
• Crea 4 clases: cumulos, cirros, cubierto y despejado.
• Sube a cada clase sus 10 fotos de entrenamiento.
• Pulsa Aprender a reconocer imágenes y prueba con las 2 fotos de prueba de cada clase.

Las fotos de prueba no se usan para entrenar. Si examinas al modelo con las mismas fotos que estudió, solo medirás su memoria.

Paso 2: el modo avanzado

LearningML permite cambiar cómo aprende el modelo. Con 10 fotos por clase, la red neuronal por defecto acierta regular, sobre todo con el cielo despejado. ¿Qué podemos tocar?

• Algoritmo: la red neuronal o KNN, que compara cada foto nueva con las más parecidas del entrenamiento. Con pocos ejemplos suele funcionar muy bien.
• Épocas: cuántas veces repasa todas las fotos. Pocas, y se queda corto; demasiadas, y memoriza (sobreajuste).
• Tamaño del lote: cuántas fotos mira antes de corregirse.
• Ritmo de aprendizaje: lo grande que es cada corrección. Muy alto, y se pasa de largo.
• % de validación: fotos que se apartan para examinar al modelo durante el entrenamiento. Con 0 %, el acierto de la gráfica no demuestra nada.

En nuestras pruebas, con la red neuronal por defecto el despejado fallaba, y con KNN lo detectó con un 100 % de confianza. Cambiar el algoritmo ayudó más que ajustar parámetros. Cambia un solo ajuste cada vez y anota los aciertos sobre las 8 fotos de prueba.

Paso 3: el programa para clasificar nubes

Sube las 8 fotos de prueba como disfraces de un único objeto. Nombra las variables nube, seguridad, luz y temp. El programa clasifica el disfraz actual cada vez que pulsas SR:

• Al clic en la bandera: LED R 0 G 0 B 0 y cambiar a la primera foto.
• Por siempre: si ¿botón SR pulsado?, entonces:
• Dar a nube el valor clasificar imagen (disfraz actual).
• Dar a seguridad el valor confianza para la imagen (disfraz actual).
• Dar a luz el valor leer sensor luz y a temp el valor leer temperatura.
• Cuatro «si» seguidos con el LED: cúmulos verde (0,255,0), cirros azul (0,0,255), cubierto blanco (255,255,255), despejado amarillo (255,200,0).
• Decir nube, seguridad y luz durante 3 segundos.
• siguiente disfraz después de clasificar, y repetir hasta que no ¿SR pulsado? con esperar 0.01.

Si pones el siguiente disfraz antes de clasificar, la primera foto nunca se clasifica. Y sin la espera final, mantener SR pulsado pasaría varias fotos de golpe.

Paso 4: clasificar nubes con la webcam en el cielo real

Cambia disfraz actual por imagen de vídeo en los dos bloques de clasificar y añade activar vídeo al principio. Apunta la cámara a la ventana o al patio. Ahí sí compararemos lo que ve la IA con lo que mide la placa. Si repasas el Chisme 119, verás cómo combinar sensores y machine learning.

Qué estamos midiendo realmente

Para clasificar nubes la IA mira píxeles: color, textura y formas. El LDR mide la luz del aula y el sensor de temperatura mide el aire de la sala. Con las fotos del dataset, luz y temperatura no cambian con la nube, porque no miden la foto. Con la webcam apuntada al cielo sí puede haber relación, pero eso es correlación, no prueba de causa.

El modelo funciona en el navegador: las fotos no salen de tu equipo. Y la confianza es lo seguro que está el modelo, no la probabilidad de que acierte. Una confianza alta puede equivocarse, sobre todo si el dataset está sesgado.

Para el aula

• Al clasificar nubes, rellena una tabla con el algoritmo, el ajuste cambiado, los aciertos sobre 8 y la confianza media.
• ¿Qué clase se confunde más? ¿Por qué se parecen despejado y cubierto?
• Entrena con este dataset y prueba con otro de otro sitio: ¿falla? Eso es sesgo del dataset.
• Haz 3 fotos del cielo del patio y comprueba si el modelo coincide con tu observación y con la de un compañero.
• ¿Qué datos tendríamos que recoger para sacar una conclusión?

Retos

• Reto 1: haz que funcione y practica clasificar nubes con las 8 fotos.
• Reto 2: cambia los colores del LED o añade el zumbador cuando la confianza sea baja.
• Reto 3: si la confianza es menor de 60, enciende el LED rojo (no estoy seguro).
• Reto 4: con la webcam, anota en una tabla la clase, la luz y la hora.
• Reto 5: compara tus observaciones con las de GLOBE Observer.

Qué hemos aprendido

Con la Echidna hemos aprendido, en la práctica, a clasificar nubes mirando datos, algoritmos y sesgos. Los datos y el algoritmo pesan más que los pequeños ajustes. Más información en la web de Echidna Educación. Y para repasar el modelo de texto, el Chisme 117.

Prototipo educativo. Los resultados dependen de tus fotos y de tu placa. Fotos de Wikimedia Commons con licencias libres; autores en el archivo de licencias.