Tras una catástrofe, decidir quién debe recibir ayuda primero puede convertirse en un dilema sin una solución perfecta. Llevar a cada persona al centro de ayuda más cercano puede provocar su saturación; priorizar a quienes presentan mayor vulnerabilidad puede aumentar los desplazamientos, y repartir a los afectados entre distintos centros puede obligar a algunos a recorrer rutas peligrosas.
Un equipo de investigación de la Universidad de Granada (UGR) ha desarrollado un sistema basado en inteligencia artificial que permite afrontar este problema ofreciendo diferentes alternativas de decisión. La herramienta tiene en cuenta simultáneamente la vulnerabilidad de las personas, el tiempo de desplazamiento, la seguridad y viabilidad de las rutas y la capacidad disponible en los centros de ayuda.
El trabajo, encabezado por Daniel Arias Aranda, catedrático del Departamento de Organización de Empresas I de la UGR, se presenta en un artículo publicado en la revista científica Applied Sciences.
La particularidad del sistema es que no impone una única respuesta. En lugar de decir a los responsables de una emergencia qué deben hacer, genera diferentes soluciones óptimas y muestra qué se gana y qué se sacrifica con cada una.
La IA no decide por los equipos de emergencia
“Tras una catástrofe, los equipos de protección civil y respuesta humanitaria enfrentan decisiones imposibles: enviar a las personas al centro más cercano puede saturarlo, priorizar a los más vulnerables puede alargar los desplazamientos, y distribuir la carga entre centros puede obligar a algunos afectados a recorrer rutas peligrosas”, explica el profesor de la Universidad de Granada.
El modelo, desarrollado por Daniel Arias Aranda y Peyman Rabiei, de la UGR y de la Vladimir Stantchev – SRH University of Applied Sciences Berlin, busca precisamente hacer visibles esas decisiones difíciles.
Para ello genera un conjunto de alternativas óptimas de compromiso, conocido como frontera de Pareto. Cada alternativa representa un equilibrio diferente entre cuatro objetivos: garantizar la equidad para las personas más vulnerables, reducir el tiempo de desplazamiento, asegurar la viabilidad de las rutas y repartir de forma equilibrada la carga entre los distintos centros.
De esta manera, los responsables de la operación pueden comparar las consecuencias de diferentes decisiones y mantener el control final sobre qué alternativa aplicar.
La inteligencia artificial tiene que tomar decisiones con información imperfecta
Uno de los aspectos más innovadores del sistema es la utilización de lógica difusa, una técnica que permite incorporar al modelo valoraciones humanas que no pueden expresarse fácilmente mediante categorías exactas.
En una emergencia, por ejemplo, una persona puede ser considerada «muy vulnerable», una carretera puede estar «parcialmente bloqueada» o un centro puede encontrarse «cerca de la saturación». No se trata de variables con límites perfectamente definidos.
El sistema transforma estas valoraciones en puntuaciones comparables mediante inferencia difusa de tipo Mamdani, de modo que puede trabajar con un grado de incertidumbre similar al que afrontan los equipos de emergencia sobre el terreno.
Esto permite incorporar al proceso de decisión información que difícilmente podría reducirse a un simple «sí» o «no».
Cuatro prioridades para gestionar una catástrofe
El modelo se basa en el denominado marco de las 4R de la resiliencia, utilizado en la gestión de riesgos y en las cadenas de suministro. En este caso, las cuatro dimensiones se aplican a la respuesta ante emergencias. La capacidad de respuesta permite priorizar a quienes presentan mayor vulnerabilidad y necesidad; la robustez busca garantizar que las rutas sean viables pese a los daños o peligros existentes; la rapidez trata de minimizar el tiempo necesario para llegar a los centros; y la redundancia pretende distribuir la carga entre diferentes instalaciones para evitar una dependencia excesiva de un único centro.
La combinación de estos cuatro factores es precisamente la que convierte la asignación de personas en un problema complejo. La opción más rápida no siempre es la más segura, ni la más equitativa es necesariamente la que implica menos desplazamientos. La inteligencia artificial permite presentar esas alternativas de forma conjunta para que los responsables puedan valorar sus consecuencias.
Un simulador permite probar decisiones después de un desastre
Los investigadores han desarrollado además un demostrador interactivo de acceso libre que permite a profesionales de protección civil, investigadores y estudiantes simular diferentes escenarios posteriores a un desastre.
La herramienta representa mediante mapas las consecuencias de cada decisión e incorpora indicadores relacionados con la equidad, la carga de desplazamiento y el nivel de saturación de los centros.
“A diferencia de sistemas que imponen una única recomendación, este portal muestra explícitamente qué se gana y qué se sacrifica en cada alternativa. Los responsables de la operación mantienen el control final de la decisión, pero cuentan con información transparente y comparable sobre las consecuencias de cada opción”, detalla el catedrático de la UGR Daniel Arias.
Una IA capaz de encontrar soluciones en minutos
El estudio compara tres algoritmos evolutivos multiobjetivo —NSGA-II, NRGA y NSGA-III— mediante 540 ejecuciones. Los resultados indican que NSGA-III es un 32 % más rápido que NSGA-II en todos los tamaños de problema analizados. Sin embargo, la calidad de las soluciones depende de cómo se defina el punto de referencia utilizado para medir el espacio de compromisos cubierto.
La velocidad tiene una importancia especial cuando el modelo se aplica a situaciones de emergencia. Una solución que llega demasiado tarde puede perder buena parte de su utilidad, aunque sobre el papel sea mejor que las demás.
“La comparación es relevante porque en emergencias humanitarias la velocidad de cómputo puede ser tan importante como la calidad de las soluciones. Disponer de alternativas bien distribuidas en minutos, no en horas, marca la diferencia en las primeras fases de una catástrofe”, recuerda el profesor de la Universidad de Granada.
Un sistema abierto para que otros investigadores puedan comprobarlo
El proyecto apuesta además por la reproducibilidad y el código abierto como elementos esenciales de la resiliencia digital. La implementación se publica en Python y cuenta con pruebas continuas y auditoría de dependencias. Esto permite que otros equipos puedan revisar, ejecutar y validar los resultados utilizando hardware convencional.
Los escenarios empleados en el demostrador se generan de forma sintética y no almacenan datos de personas reales, lo que facilita su utilización con fines pedagógicos y de entrenamiento.
Este aspecto permite que la herramienta pueda utilizarse no solo para estudiar el funcionamiento del modelo, sino también para formar a profesionales y estudiantes en la toma de decisiones durante situaciones de emergencia.
De las catástrofes a la distribución de suministros médicos
Aunque el modelo está diseñado para la respuesta inmediata posterior a un desastre, sus principios pueden aplicarse a otros problemas de logística humanitaria.
La misma lógica podría utilizarse para asignar voluntarios a diferentes tareas, distribuir suministros médicos, planificar evacuaciones temporales o gestionar la capacidad disponible en redes de refugios a medio plazo.
El objetivo, en todos estos casos, no sería sustituir a las personas responsables de la emergencia, sino proporcionarles información estructurada sobre las consecuencias de las diferentes decisiones posibles.
En una catástrofe, donde el tiempo es limitado y los recursos también, disponer de varias alternativas calculadas de forma rápida puede marcar la diferencia entre tomar una decisión a ciegas y saber qué se gana y qué se pierde con cada opción.
