Salmón en el Bucle: IA con intervención humana para conteo de peces en hidroeléctricas

TL;DR

• Contar peces en presas hidroeléctricas es un problema sociotécnico complejo, modelado por regulación, control de calidad y impacto ecológico.
• Los datos se generan bajo supervisión de agencias como FERC y deben demostrar que no afectan de forma adversa a poblaciones de peces amenazados o en peligro.
• Enfoques con intervención humana combinan la experticia en biología de peces con aprendizaje automático para mejorar la consistencia y acelerar el procesamiento de datos.
• Las estrategias de captura de datos varían (video en vivo vs imágenes estáticas) según el objetivo (densidad poblacional vs detección de enfermedades/heridas), con un objetivo común de alrededor del 95% de precisión frente al conteo humano.
• El campo subraya la necesidad de enmarcar el problema, alinear a las partes interesadas y asegurar garantías regulatorias al construir soluciones automatizadas de conteo de peces en una industria altamente regulada.

Contexto y antecedentes

Las grandes centrales hidroeléctricas operan bajo la regulación de la Federal Energy Regulatory Commission (FERC), una agencia independiente que otorga licencias y supervisa la construcción y operación de represas para garantizar seguridad, fiabilidad y cumplimiento ambiental. Licencias y permisos requieren planes y estudios detallados que demuestren adherencia a las regulaciones, con revisión y consultas interinstitucionales extensas. Si una instalación viola estándares, la FERC aplica sanciones, multas o la terminación de arrendamientos, lo que puede poner en riesgo la generación de energía. En Pacific Northwest, la energía hidroeléctrica es una fuente predominante, y las represas actúan como barreras en los cursos de agua, a menudo perturbando el movimiento y los ciclos de vida de los peces. Esto genera preocupaciones para especies nativas de salmón, muchas de las cuales están amenazadas o en peligro, haciendo esencial evidencia robusta de impactos no perjudiciales. Para demostrar cumplimiento, los operadores de represas recopilan datos de paso de peces. El conjunto de datos central es un conteo de peces, contado a través de estructuras como escaleras para peces desde el lado de la reserva hacia el río. El conteo se realiza tradicionalmente de forma visual por observadores entrenados que identifican peces y registran atributos adicionales (enfermedad, lesión, origen de criadero o salvaje, etc.). Estas clasificaciones pueden ser visibles solo brevemente y requieren conocimiento experto de especies, etapas de vida y morfología. El trabajo es físicamente exigente y se realiza en ubicaciones remotas con condiciones ambientales desafiantes. Los errores de transcripción pueden ocurrir cuando los conteos se registran en papel, y pueden existir disputas sobre la clasificación de especies. Los operadores recogen conteos con diferentes granularidades (horaria, diaria, mensual) y con estacionalidad que sigue las migraciones. Después de la recopilación, los datos se cruzan con la información operativa de la central para evaluar si las actividades de la presa han afectado negativamente o positivamente a las poblaciones de peces. La fragmentación de datos y la variabilidad en las normas de gobernanza impulsan a las organizaciones a buscar eficiencias mediante tecnología. Algunas organizaciones están explorando el uso de visión por computadora y aprendizaje automático para automatizar significativamente parte del conteo de peces. Surge así un sistema de “humano en el bucle” que combina el juicio de biólogos con la consistencia y fiabilidad de los algoritmos de aprendizaje automático para reducir errores y sesgos en el conjunto de datos utilizado por el sistema. Un sistema con intervención humana podría reducir la necesidad de recopilación y análisis manuales, y al mismo tiempo proporcionar información más oportuna y precisa sobre la salud de las especies. Construir un sistema de este tipo en una industria tan regulada es un reto que normalmente implica varios pasos: definir el espacio del problema, establecer metas de desempeño y considerar elecciones técnicas sobre cómo capturar datos. Cualquiera de estas decisiones debe respetar restricciones regulatorias y garantizar seguridad, integridad de datos y confiabilidad. El artículo describe un marco para construir sistemas de conteo de peces mediante visión por computadora en industrias reguladas. Un ejemplo práctico es capturar video en vivo para estimar densidad poblacional durante picos de paso, o capturar imágenes fijas y etiquetar subsecciones para entrenar un clasificador. En escenarios más desarrollados, podría ser suficiente utilizar detección de objetos genérica para identificar peces en movimiento y, luego, pedir a un humano que etiquete la especie para entrenar un clasificador. En cuanto a las metas de desempeño, muchas utilidades buscan soluciones que alcancen aproximadamente el 95% de precisión frente al conteo humano, aunque hay dudas sobre si esos métricos son alcanzables y cuándo podrían implementarse en la producción. The Gradient, Salmon in the Loop.

¿Qué hay de nuevo?

El texto presenta Salmon in the Loop como un problema sociotécnico en proceso de transformación digital, destacando la producción de conjuntos de datos con intervención humana y la necesidad de comunicar avances a reguladores y stakeholders. Se describen pasos prácticos para desarrollar sistemas de conteo automatizados en entornos regulados: definir el problema y los objetivos, establecer metas de desempeño y considerar estrategias de captura de datos (video vs imágenes estáticas) para apoyar el entrenamiento y la validación. También se subraya la importancia de un enmarcado claro del problema para guiar decisiones técnicas, ya sea para estimar densidad durante flujos altos o para detectar enfermedades.

Por qué es importante (impacto para desarrolladores/empresas)

Para desarrolladores y empresas, el artículo ilustra cómo la transformación digital en monitoreo ambiental debe compatibilizarse con marcos regulatorios, gobernanza de datos y expectativas de las partes interesadas. La regulación de la FERC exige documentación y validación rigurosa para demostrar conformidad; la calidad de los datos es central para la aceptación regulatoria. La contabilidad automatizada promete reducir la carga de trabajo de recolección de datos y acelerar la entrega de resultados, pero debe implementarse de forma que preserve la integridad de los datos, la transparencia de los algoritmos y la responsabilidad de las decisiones. El modelo de intervención humana se presenta como una forma de conservar la experiencia de especialistas mientras se aprovecha el aprendizaje automático para estandarizar clasificaciones, reducir sesgos y acelerar la generación de datos. Construir sistemas ML para entornos regulados requiere no solo rendimiento técnico, sino también gobernanza, validación y la capacidad de justificar decisiones ante reguladores y partes interesadas. The Gradient, Salmon in the Loop.

Detalles técnicos o Implementación (perspectiva práctica)

El artículo describe un enfoque por fases para construir conteo de peces mediante visión en entornos regulados:

1. Definir el espacio del problema

• Antes de implementar un sistema, es crucial definir con claridad las tareas que debe realizar (por ejemplo, identificación de la especie o del estadio de vida de un pez). Este encuadre debe considerar regulaciones estrictas que exigen herramientas fiables, seguras y auditable. La participación de las partes interesadas en esta fase ayuda a garantizar una comprensión común de metas y limitaciones. Dependiendo del objetivo, ya sea estimar densidad durante picos de paso o detectar enfermedades, la estrategia de captura de datos puede variar.
• Si el objetivo es estimar densidad poblacional durante pasos altos utilizando patrones de comportamiento como el encaje de cardúmenes, puede ser razonable capturar y etiquetar video en vivo para observar movimientos en tiempo real. Si el objetivo es identificar enfermedades o lesiones en situaciones con pocos peces, puede ser adecuado capturar imágenes y etiquetar subsegmentos para entrenar un clasificador. En un ejemplo hipotético, podría considerarse detectar especies raras mediante detección de objetos en video y pedir a un humano que etiquete para entrenar un clasificador.

2. Establecer metas de desempeño

• La definición del problema y el flujo de proceso inicial debe compartirse con las partes interesadas para alinear expectativas. En la práctica, las utilidades suelen estar interesadas en soluciones de conteo automático que alcancen alrededor del 95% de precisión frente al conteo humano visual, aunque hay dudas sobre si estas métricas son alcanzables y cuándo pueden lograrse en un entorno de producción.

3. Flujo de datos, gobernanza y validación (elementos conceptuales)

• El texto trata de cómo los datos se recogen, validan y se correlacionan con la información operativa de la presa para evaluar impactos en las poblaciones de peces. El enfoque de intervención humana se presenta como una forma de reducir errores y sesgos manteniendo la integridad científica necesaria para decisiones regulatorias. La transparencia, la integridad de los datos y la rendición de cuentas son componentes centrales de este marco.

4. Consideraciones prácticas de implementación (ejemplos conceptuales)

• Un flujo de trabajo conceptual describe un detector basado en video que marca movimiento, seguido por un revisor humano que etiqueta la especie, generando datos anotados para entrenar un clasificador. Este enfoque híbrido busca equilibrar la velocidad de la automatización con la precisión y la interpretabilidad exigidas por reguladores. La idea principal es que cada implementación debe respetar las regulaciones mientras se avanza en la monitorización ambiental mediante tecnología.

5. Objetivos típicos y limitaciones

• El texto recuerda que, si bien un objetivo del 95% de precisión es atractivo, existen incertidumbres sobre la viabilidad de alcanzarlo de forma consistente en ciclos de producción, especies y condiciones ambientales. El énfasis está en la evaluación continua, el refinamiento y la gobernanza, más que en una solución técnica aislada. El objetivo es alinear las capacidades de la herramienta con los objetivos de conservación y las exigencias regulatorias. The Gradient, Salmon in the Loop.

Puntos clave

• La regulación FERC condiciona la forma en que se generan y utilizan los datos ambientales, como los conteos de peces.
• Los conteos de peces son fundamentales para evaluar impactos en especies amenazadas y para demostrar cumplimiento regulatorio.
• El conteo manual puede introducir errores de transcripción y clasificación; las soluciones automatizadas buscan reducirlos sin perder rigor científico.
• El enfoque en la intervención humana preserva la experiencia de los especialistas y mejora la fiabilidad, la transparencia y la interpretabilidad de las decisiones algorítmicas.
• Las decisiones sobre capturar datos (video vs imágenes) dependen del objetivo y de las condiciones operativas del entorno.
• Las metas de desempeño, como el 95% de precisión, muestran aspiraciones de automatización, pero también señales de incertidumbre ante condiciones reales.
• Desarrollar sistemas ML para ecosistemas regulados requiere un encuadre claro del problema, alineación de intereses, gobernanza y validación rigurosa.

Referencias

• https://thegradient.pub/salmon-in-the-loop