Según Google Research, una nueva metodología permite a los modelos de inteligencia artificial comprender mejor el funcionamiento temporal de los espacios físicos, transformando así su interpretación de lugares desde datos estáticos a representaciones dinámicas. Este enfoque se centra en integrar información de movilidad —como horarios de llegada, duración de estancia y patrones de circulación— en el análisis de puntos de interés, como tiendas, parques o edificios históricos. Aunque los modelos de lenguaje ya dominan el procesamiento de texto, su comprensión del entorno físico queda limitada si se basan únicamente en metadatos como categorías o descripciones. La investigación demuestra que al superponer estos datos con patrones reales de movilidad, se logra una representación más fiel del comportamiento real de los lugares.
La propuesta, denominada ME-POIs (Puntos de Interés con Movilidad Embeddida), utiliza datos agregados y anonimizados de movilidad obtenidos de fuentes públicas. Estos datos no incluyen identidades individuales, pero capturan el flujo espacial colectivo de personas en distintas zonas urbanas. Al aplicar un enfoque autodes supervisado, el modelo aprende a combinar descripciones textuales con los patrones de actividad horaria, permitiendo que reconozca, por ejemplo, que un restaurante está más concurrido entre las 18 y las 20 horas, o que un parque se usa principalmente los fines de semana. Este tipo de detección no depende únicamente de textos, sino de cómo las personas realmente interactúan con el entorno físico. Los resultados muestran mejoras significativas en predicciones de atributos reales, como horarios de apertura, niveles de precios o densidad de usuarios.
Para el lector peruano, esta innovación tiene implicaciones prácticas en la gestión de espacios públicos y servicios urbanos. En ciudades como Lima o Arequipa, donde el uso de espacios comunes varía considerablemente según el día, la hora o la temporada, una inteligencia artificial que capta estos patrones podría optimizar el diseño de transporte, la asignación de servicios de seguridad o incluso la planificación de eventos. Por ejemplo, al reconocer que una zona comercial se llena en horarios pico, las autoridades podrían ajustar el horario de operación de paradas de autobús o coordinar el abastecimiento de alimentos en mercados. Así, el avance no solo refuerza la capacidad de los modelos de lenguaje, sino que también abre puertas a aplicaciones más responsables y adaptadas a las realidades locales. El uso de datos de movilidad, aunque aún en etapas iniciales, señala un camino hacia ciudades más inteligentes, donde el diseño urbano responde a las necesidades reales de sus habitantes, no solo a sus descripciones escritas.