En el ámbito de la inteligencia artificial (IA) aplicada a la información geoespacial, la calidad y estandarización de los datos de entrenamiento son fundamentales para desarrollar modelos precisos y fiables. El Open Geospatial Consortium (OGC) ha abordado esta necesidad mediante el desarrollo del estándar Training Data Markup Language for Artificial Intelligence (TrainingDML-AI), que proporciona un marco común para describir, compartir y reutilizar conjuntos de datos de entrenamiento en proyectos de IA y aprendizaje automático (ML).

TrainingDML-AI es un estándar que define un modelo conceptual, basado en UML, y codificaciones en formatos como JSON y XML para describir conjuntos de datos de entrenamiento utilizados en IA/ML. Su objetivo principal es mejorar la interoperabilidad y facilitar la reutilización de estos datos, especialmente en aplicaciones que involucran información geoespacial y observación de la Tierra.

El estándar se organiza en tres partes principales:

• Parte 1: Modelo Conceptual. Define la estructura y los componentes necesarios para describir conjuntos de datos de entrenamiento, incluyendo información sobre la procedencia, calidad y características del dominio.
• Parte 2: Codificación en JSON. Especifica cómo representar los datos en formato JSON, facilitando su integración en aplicaciones modernas.
• Parte 3: Codificación en XML. Proporciona una representación equivalente en XML, asegurando compatibilidad con sistemas que utilizan este formato.

Los beneficios de este estándar

• Interoperabilidad: facilita el uso y comprensión de los datos entre distintos sistemas y organizaciones.
• Reutilización: permite aplicar los mismos conjuntos de datos en múltiples proyectos.
• Transparencia y trazabilidad: mejora la confianza en los modelos gracias a metadatos detallados.
• Compatibilidad: se alinea con otros estándares OGC como GML, integrándose en el ecosistema geoespacial.

TrainingDML-AI es útil en proyectos que requieren grandes volúmenes de datos geoespaciales para entrenar modelos de IA, como monitoreo ambiental: análisis del uso del suelo, detección de deforestación, seguimiento de fenómenos naturales, gestión urbana: planificación de infraestructuras, análisis de movilidad, gestión de servicios, agricultura de precisión: monitoreo de cultivos, predicción de rendimientos, optimización de recursos.

Para más información, se pueden consultar los siguientes enlaces:

• Especificación oficial del estándar
• Repositorio en GitHub
• Implementación en Python: pytdml

Publicado por la editora.