Google TensorFlow rappresenta la piattaforma del futuro nel contesto del tema prevenzione incendi. Un argomento forte di uno strumento chiamato Smart Wildfire Sensor, messo a punto da due studenti della Monta Vista High School in California.
Google TensorFlow: al fuoco!
Mentre ci si sta concentrando sulla prossima generazione di Pixel Phone 3 l’attenzione deriva verso il centro nevralgico dell’interesse Google, ovvero sia il machine learning applicato alla sicurezza e, più espressamente, al contrasto del fenomeno incendi che riguarda da vicino foreste ed ambienti.
Aditya Shah e Sanjana Shah sono i nuovi protagonisti di un sistema che elimina alla fonte la necessità di ricorrere a squadre di prevenzione che operano nelle foreste e nelle zone ad alto rischio. Si tratta di nuovi set di sensori che monitorano e classificano lo stato della biomassa in modo automatico, senza l’intervento dell’uomo.
In base ai dati raccolti in merito al tasso di umidità di rami e foglie, potenziali propagatori di incendi, il sistema machine learning di Google fornisce una stima di rischio. Tanto più basso è il valore tanto più alto sarà il rischio che un potenziale focolaio di incendio possa diventare distruttivo per le foreste e gli abitanti in zona.
Il sistema funziona, ed è già stato sperimentato sul campo dai due studenti in collaborazione col corpo dei vigili del fuoco della California. In particolare, si è passata in rassegna una vasta area sensibile, dove è stato possibile raccogliere un elevato numero di fotografie della biomassa fornito poi all’IA Google, che ha cominciato il suo iter di addestramento per il riconoscimento e la valutazione degli incendi boschivi.
Il risultato finale ha visto l’identificazione certa delle aree maggiormente a rischio, e la precisione risulta elevatissima entro un’area di 100 metri quadrati. In tal senso, quindi, l’Intelligenza Artificiale Google consente di concentrarsi su aree delimitate e ben specifiche, senza spreco di tempo e di risorse. Il prossimo step prevederà l’ausilio di droni aerei e terrestri, da utilizzarsi per il monitoraggio accurato delle zone e l’affinamento delle capacità predittive del sistema.