Optimización del proceso de embarque: implementación de Deep Learning

• Con este algoritmo se espera ahorrar a las compañías aéreas tiempo y costes

El pasado 9 de noviembre tuvo lugar el evento GDG La Rioja DevFest, una sesión que organiza Google Developer Group en todo el mundo y que reúne a desarrolladores de todos los sectores. Este año la temática principal fue la Inteligencia Artificial. Nuestro equipo de Data Scientists participó como ponente y presentó un algoritmo basado en Deep Learning para una compañía aérea líder en el sector.

Es común que una vez se inicie el proceso de embarque se produzca una larga cola que a veces viene acompañada de una larga espera. En ocasiones esto ocurre porque hay demasiados pasajeros que únicamente viajan con equipaje de mano, pero las cabinas de los aviones solo aceptan un número limitado de maletas y el resto debe ir a bodegas.

Las aerolíneas solo cuentan con 15 minutos para dejar la pista asignada o han de abonar una cantidad de dinero por cada minuto de más que pasen allí. Esta situación ha llevado a una compañía aérea líder en el sector a solicitarnos un sistema que agilice el proceso de detección de equipaje.

David Díaz y Darío Pascual, ambos Data Scientist en SDG Group, desarrollaron un algoritmo basado en Deep Learning para detectar el número total de maletas y determinar cuántas tienen cabida en cabina y cuántas deben ir a bodega.

Cómo funciona: una cámara de Amazon Deep Lens graba toda la cola de pasajeros y de cada frame del vídeo el algoritmo realiza una predicción de cuántas maletas hay y de qué tipo son. De esta manera consiguen hacer una estimación aproximada.

Para resolver el problema se utilizó el algoritmo YOLO2 (You Only Look Once) que fue alimentado con los datos de la competición de visión artificial COCO (Common Objects in Context).