L'exploració dels fons marins continua sent un dels grans desafiaments de la ciència i la tecnologia modernes. Mapejar amb precisió els hàbitats bentònics —és a dir, els ecosistemes que es desenvolupen en el llit oceànic— és essencial per a la conservació de la biodiversitat, la gestió sostenible de recursos pesquers i la planificació d'infraestructures submarines. No obstant això, la falta de conjunts de dades anotades i multimodals ha frenat durant anys l'avanç de models d'intel·ligència artificial capaços d'automatitzar aquesta tasca. En aquest context, l'aparició de BenthiCat, un dataset opto-acústic massiu per a classificació bentònica i mapatge, representa un salt qualitatiu: combina prop d'un milió de tils de sonar d'escombratge lateral (SSS) amb mapes batimètrics i imatges òptiques obtingudes mitjançant vehicles autònoms submarins (AUV). D'aquests tils, aproximadament 36.000 compten amb màscares de segmentació manuals, la qual cosa permet entrenar i afinar models de classificació amb un nivell de detall fins ara inèdit.
Però més enllà dels números, el realment transformador de BenthiCat és el seu enfocament multimodal. En creuar dades acústiques amb imatges òptiques i batimetria, s' obren possibilitats per a l' aprenentatge auto-supervisat i la fusió de sensors, dues àrees on la indústria i l' acadèmia porten anys buscant solucions robustes. Un sistema que aprèn a reconèixer prats de posidònia, fons rocosos o sediments tous combinant senyals de diferent naturalesa no només és més precís, sinó també més resilient davant de condicions adverses (terbolesa, baixa il·luminació o soroll acústic). I aquí és on les empreses de tecnologia especialitzades poden marcar la diferència. Per exemple, en Q2BSTUDIO desenvolupem aplicacions a mesura que integren models d'intel·ligència artificial amb pipelins de dades heterogenis, facilitant que organitzacions de recerca i empreses del sector marí adoptin aquests datasets sense haver de construir tot des de zero.
Des d'un punt de vista tècnic, treballar amb un recurs com BenthiCat implica manejar volums enormes d'informació georeferenciada, cosa que requereix infraestructura cloud escalable. Els serveis cloud AWS i Azure ofereixen potència de còmput sota demanda per entrenar models de deep learning amb milers de tils, a més d'emmagatzematge durador i eines d'orquestració. En la nostra experiència, combinar aquestes plataformes amb un bon disseny de dades (data lakes, catàlegs de metadades) permet reproduir experiments i compartir resultats de manera eficient, una cosa crítica quan es treballa amb datasets oberts com BenthiCat que busquen establir un benchmark estandarditzat.
La intel·ligència artificial aplicada al mapatge bentònic no es limita a la classificació d'imatges. Els agents IA poden automatitzar tasques com la detecció de canvis en l' hàbitat al llarg del temps, la identificació d' espècies invasores o la generació de mapes de risc per a infraestructures submarines. Imagina un sistema que, alimentat amb el dataset opto-acústic, sigui capaç de suggerir zones prioritàries per a la conservació o alertar sobre possibles impactes de la pesca d' arrossegament. Aquest tipus de solucions requereixen no només algoritmes precisos, sinó també un sòlid coneixement del domini i un desenvolupament de programari a mesura que asseguri la integració amb els sistemes d'informació geogràfica (SIG) i els dashboards de seguiment. En Q2BSTUDIO, per exemple, implementem quadres de comandament amb Power BI que visualitzen en temps real les prediccions dels models, permetent a biòlegs marins i gestors prendre decisions basades en dades sense necessitat de ser experts en IA.
Un altre aspecte crucial és la ciberseguretat. Les dades d' hàbitats bentònics poden tenir valor estratègic per a la defensa, l' explotació de recursos o la protecció d' àrees marines protegides. Un repositori com BenthiCat, tot i que públic, s'ha de manejar amb precaució: les APIs d'accés, els pipelins d'entrenament i els models desplegats en camp s'han de protegir contra accessos no autoritzats, injeccions de dades malicioses o atacs d'adversaris. Per això, en els nostres projectes incorporem serveis de ciberseguretat i pentesting per auditar tant la infraestructura cloud com les aplicacions que consumeixen el dataset. Una plataforma d' IA per a empreses que processa imatges submarines ha de complir amb estàndards de seguretat des del disseny, especialment si els resultats s' utilitzen per a certificacions ambientals o informes regulatoris.
Des de la perspectiva empresarial, BenthiCat obre un ventall d'oportunitats. Les empreses de prospecció petroliera, les consultores ambientals, les startups d' aqüicultura de precisió o fins i tot els parcs eòlics marins necessiten mapes detallats del fons oceànic. Comptar amb un dataset de referència permet crear ia per a empreses que resolguin problemes concrets: localitzar canonades, avaluar l'impacte de dragatges, monitoritzar la regeneració d'esculls artificials o planificar rutes de cablejat submarí. I no parlem només de models de classificació estàtics; els agents IA poden actuar de forma autònoma a bord d'AUVs, prenent decisions en temps real sobre quines àrees mostrejar o com ajustar la ruta en funció de les dades acústiques recollides.
La disponibilitat d'eines de preprocessament i anotació de codi obert que acompanyen BenthiCat també redueix la barrera d'entrada. No obstant això, per escalar aquestes solucions a nivell industrial, moltes vegades es necessita un programari a mesura que automatitzi els fluxos de treball: des de la descàrrega i neteja dels tils fins a la reentrenament periòdic dels models amb noves dades. En aquest punt, la cloud AWS i Azure tornen a ser protagonistes, ja que permeten desplegar pipelins de MLOps amb escalat automàtic, versionat de datasets i monitoratge de la deriva del model. Sense una arquitectura sòlida, un dataset de milions d'imatges pot convertir-se en un llast en lloc d'un actiu.
Pel que fa a la integració amb sistemes d'intel·ligència de negoci, no només es tracta de visualitzar mapes. Les companyies que operen en el medi marí necessiten correlacionar les dades d'hàbitat amb variables oceanogràfiques (temperatura, salinitat, corrents) i econòmiques (costos d'operació, rendiment pesquer). Un dashboard a Power BI que combini prediccions de classificació bentònica amb sèries temporals de captures pot revelar patrons que optimitzin les temporades de pesca o redueixin l'impacte ambiental. En Q2BSTUDIO sabem que cada client té necessitats úniques, per això oferim aplicacions a mesura que personalitzen tant els algoritmes d'IA com els informes de negoci.
Finalment, cal reflexionar sobre el futur de la cartografia bentònica. BenthiCat és un primer pas, però la tendència apunta cap a agents IA que no només classifiquin, sinó que també planifiquin trajectòries d'AUVs, fusionin dades en temps real de múltiples sensors i es comuniquin amb centres de control en superfície. Perquè això sigui possible, es requereix un ecosistema tecnològic que encara maquinari robust, programari escalable i models entrenats amb datasets rics com aquest. Des de la nostra experiència en el desenvolupament de solucions d'intel·ligència artificial per a empreses, veiem que la clau està en la col·laboració entre científics de dades, experts en domini marí i enginyers de programari. Només així aconseguirem que la tecnologia no només descrigui els fons oceànics, sinó que contribueixi activament a la seva preservació i ús sostenible.
En resum, BenthiCat no és només un dataset més; és un catalitzador perquè la comunitat científica i empresarial avanci cap a un mapatge submarí automatitzat, precís i reproduïble. L'oportunitat és aquí, i amb les eines adequades —intel·ligència de negoci, cloud, ciberseguretat i, per suposat, intel·ligència artificial— qualsevol organització pot aprofitar-ho. En Q2BSTUDIO acompanyem els nostres clients en cada pas del camí, des del disseny de l'arquitectura de dades fins a la posada en producció de models que transformen senyals acústics en coneixement accionable. Perquè el fons del mar guarda secrets que mereixen ser cartografiats amb la millor tecnologia disponible.
